Using Bayesian Evidence Synthesis to estimate the number of sex workers in the United Kingdom

Cette étude utilise une synthèse bayésienne des preuves pour intégrer des données historiques avec des registres récents de la population et des consultations cliniques au Royaume-Uni, produisant une estimation robuste d'environ 84 000 travailleurs du sexe au Royaume-Uni (intervalle crédible à 95 % : 49 000–130 000) afin de combler des lacunes critiques en matière de données pour un soutien ciblé en santé publique.

L'essentiel

La Vue d'Ensemble : Compter l'Invisible

Imaginez que vous essayez de compter combien de personnes se cachent dans une immense forêt sombre. Vous ne pouvez pas tous les voir car ils tentent de rester cachés, qu'ils ont peur de sortir ou qu'ils bougent trop. C'est le défi auquel les chercheurs ont été confrontés : estimer le nombre de travailleurs du sexe au Royaume-Uni.

Parce que le travail du sexe est souvent stigmatisé ou juridiquement complexe, de nombreux travailleurs n'apparaissent pas dans les registres officiels du gouvernement (comme les données du recensement) ou dans les enquêtes standard. Les tentatives précédentes pour les compter ressemblaient à deviner le nombre de poissons dans un lac en regardant seulement un seau d'eau ; elles donnaient un chiffre unique mais ne disaient pas à quel point elles pouvaient se tromper.

L'objectif de cet article était de créer une carte plus fiable de cette population cachée, non pas en devinant, mais en combinant toutes les anciennes cartes que nous possédons déjà et en admettant exactement à quel point nous sommes incertains sur les détails.

La Méthode : Le « Grand Chef » des Données

Les chercheurs ont utilisé une technique appelée Synthèse des Preuves Bayésienne. Imaginez cela comme un grand chef essayant de préparer la soupe parfaite.

1. Les Ingrédients (Anciennes Études) : Au cours des 30 dernières années, différents chercheurs ont tenté de compter les travailleurs du sexe. Certains ont utilisé des données de cliniques, d'autres de publicités en ligne, et d'autres encore d'enquêtes auprès de services de soutien. Chacune de ces études est un « ingrédient ». Certains ingrédients sont frais et de haute qualité ; d'autres sont un peu vieux ou ont été mesurés d'une main tremblante.
2. La Recette (Le Modèle) : Au lieu de simplement choisir la « meilleure » étude et d'ignorer le reste, les chercheurs ont élaboré une recette mathématique (un modèle informatique) qui mélange tous ces ingrédients ensemble.
3. La Sauce Secrète (L'Incertitude) : La partie spéciale de leur recette réside dans la façon dont ils gèrent les « mains tremblantes ». Ils n'ont pas simplement pris les chiffres des anciennes études comme des faits absolus. Au lieu de cela, ils ont traité chaque ancien chiffre comme une « meilleure estimation » avec une marge d'erreur. Ils ont injecté ces « estimations » dans leur modèle, permettant à l'incertitude de circuler dans tout le processus.

L'Analogie : Imaginez que vous essayez de deviner le poids d'une boîte mystère.

• L'Ancienne Façon : Vous demandez à cinq amis. L'un dit 10 kg, un autre 50 kg, un troisième 20 kg. Vous faites simplement la moyenne pour obtenir 26,6 kg et vous dites : « C'est le poids. »
• La Façon de cet Article : Vous demandez aux cinq amis, mais vous leur demandez aussi : « À quel point êtes-vous sûr ? » L'un dit : « Je devine 10 kg, mais je pourrais me tromper de 5 kg. » Un autre dit : « Je devine 50 kg, mais je suis assez sûr que c'est entre 40 et 60. » Le modèle combine ensuite ces estimations et leurs niveaux de confiance pour vous donner une réponse finale qui dit : « Le poids est probablement autour de 26 kg, mais il pourrait réaliste se situer n'importe où entre 15 kg et 40 kg. »

Les Résultats : Le Décompte Final

Après avoir mélangé toutes les données et effectué les calculs complexes, le modèle a produit une nouvelle estimation :

• Le Chiffre : Il y a environ 84 000 travailleurs du sexe au Royaume-Uni.
• La Fourchette « Peut-être » : Parce que les données sont délicates, les chercheurs sont certains à 95 % que le vrai nombre se situe quelque part entre 49 000 et 130 000.
• Le Contexte : Cela représente environ 0,12 % de l'ensemble de la population du Royaume-Uni.

Pour mettre cela en perspective, l'article note que ce groupe est plus petit que la population des hommes ayant des rapports sexuels avec des hommes (environ 1 % de la population) mais potentiellement plus grand que la population des personnes qui s'injectent des drogues.

Pourquoi Cela Compte (Selon l'Article)

L'article soutient qu'avoir un chiffre avec une « marge d'erreur » claire est préférable à avoir un chiffre unique, qui semble précis mais qui pourrait être faux.

• Meilleure Planification : Si les services de santé savent que la population se situe probablement entre 50 000 et 130 000, ils peuvent planifier des ressources (comme des vaccins, des tests ou des services de soutien) suffisamment robustes pour gérer le haut de cette fourchette, plutôt que de sous-estimer le besoin.
• Réduction des Inégalités : L'article indique que les travailleurs du sexe font souvent face à des inégalités de santé et à des obstacles dans l'accès aux soins. En ayant une meilleure estimation, les responsables de la santé peuvent mieux comprendre l'ampleur du problème et concevoir un soutien ciblé pour réduire ces écarts.

Le « Petit Caractère » (Limites)

Les auteurs sont très honnêtes concernant les défauts de leur « soupe » :

• Pas de Données Parfaites : Ils ont dû s'appuyer sur d'anciennes études qui n'avaient pas leurs propres barres d'erreur. Ils ont dû inventer un système pour juger quelles anciennes études étaient « meilleures » en fonction de leur méthodologie.
• Voyage dans le Temps : Les données couvrent près de 25 ans. Le monde du travail du sexe a changé (surtout avec Internet), donc le modèle suppose que la population n'a pas changé radicalement dans sa structure, ce qui pourrait ne pas être vrai.
• Pas de Contact Direct : Le modèle n'a pas parlé directement aux travailleurs du sexe ; il n'a analysé que des rapports existants. Les auteurs admettent que les travaux futurs doivent impliquer directement les travailleurs du sexe pour obtenir de meilleures données.

Résumé

Cet article n'est pas sorti compter les travailleurs du sexe un par un. Au lieu de cela, il a agi comme un détective des données, prenant toutes les preuves fragmentées et imparfaites des 30 dernières années, les combinant avec une méthode mathématique sophistiquée, et produisant une estimation unique et bien raisonnée : 84 000 personnes, avec une étiquette d'avertissement claire indiquant que le vrai nombre pourrait être significativement plus élevé ou plus bas. L'objectif est d'utiliser ce chiffre pour aider les services de santé à soutenir cette communauté plus efficacement.

Résumé technique

Résumé technique : Synthèse bayésienne des preuves pour l'estimation de la population des travailleurs du sexe au Royaume-Uni

Énoncé du problème
Les travailleurs du sexe au Royaume-Uni font face à d'importantes inégalités de santé et à des obstacles dans l'accès aux soins de santé, souvent exacerbés par la stigmatisation, la discrimination et le contexte juridique. Un obstacle majeur à la fourniture d'un soutien de santé publique ciblé et fondé sur des preuves est l'absence de données fiables concernant l'effectif de la population des travailleurs du sexe. Les estimations existantes, dérivées de diverses études entre 1999 et 2017, varient considérablement (allant d'environ 35 000 à environ 105 000) et, de manière cruciale, manquent d'une incertitude quantifiée. Les études précédentes traitaient souvent leurs estimations comme des valeurs ponctuelles sans intervalles de confiance, ne tenant pas compte de l'incertitude inhérente aux paramètres et aux méthodologies utilisés pour les obtenir. Cette absence de données robustes avec incertitude quantifiée entrave l'allocation efficace des ressources, la planification de la réponse aux épidémies et la conception d'interventions de santé adaptées.

Méthodologie
Les auteurs emploient un cadre de synthèse bayésienne des preuves pour intégrer sept études d'estimation historiques (couvrant la période 1999–2017) avec des données récentes sur la population nationale et des données de fréquentation des cliniques de médecine génito-urinaire (GUMCAD). L'innovation méthodologique centrale consiste à traiter les études historiques non pas comme des « boîtes noires », mais comme des processus mécanistes avec des paramètres incertains.

1. Structure du modèle hiérarchique :

   • Niveau 1 (Estimations spécifiques à l'étude) : Au lieu d'accepter les estimations ponctuelles rapportées, le modèle reconstruit l'estimation de chaque étude à partir de ses paramètres documentés (par exemple, contacts avec les services, multiplicateurs, ratios). Chaque paramètre se voit attribuer une distribution a priori, permettant à l'incertitude inhérente de la méthodologie originale de se propager à travers le modèle. Les comptes d'études observés sont modélisés comme des réalisations log-normales bruitées de ces estimations mécanistes.
   • Niveau 2 (Regroupement hiérarchique) : Les estimations spécifiques à l'étude sont contraintes de manière souple à une proportion spécifique à l'étude ($\theta_i$) mise à l'échelle par la population actuelle du Royaume-Uni.
   • Niveau 3 (Paramètres au niveau de la population) : Les proportions spécifiques à l'étude sont tirées d'une distribution bêta commune régie par la proportion globale de la population ($p$) et un paramètre d'hétérogénéité inter-études ($\tau$).

2. Système de pondération de la qualité :
   Pour pallier l'absence d'erreurs standards dans les études historiques, les auteurs ont développé un système systématique de pondération de la qualité basé sur les directives de l'OMS. Ce système attribue des poids (0–100) en fonction de :

   • Méthode de collecte des données (poids de 67 %) : Évaluée sur la couverture de la population (secteurs, genres, âges, géographie) et la pertinence temporelle. La couverture est priorisée par rapport à la récence.
   • Critères spécifiques à la méthode (poids de 33 %) : Évalués sur l'exécution de la méthode spécifique (par exemple, indépendance des sources dans les méthodes de multiplicateurs, mobilisation dans le dénombrement).
     Ces poids déterminent la variance dans la fonction de vraisemblance ; les études de plus haute qualité reçoivent une variance plus faible (précision plus élevée), tandis que les études de moindre qualité reçoivent une variance plus élevée.

3. Vraisemblance et a priori :

   • Vraisemblance : Des distributions log-normales pondérées sont utilisées pour comparer les comptes d'études observés avec les estimations dérivées du modèle. Ce choix respecte la contrainte de positivité des tailles de population et prend en compte la nature multiplicative des erreurs d'estimation.
   • A priori : La proportion globale de la population ($p$) utilise un a priori Beta(12, 9988), centrant l'estimation autour de 0,12 % sur la base de recherches antérieures tout en permettant l'influence des données. Le paramètre d'hétérogénéité ($\tau$) utilise un a priori log-normal pour permettre une variation inter-études.

Résultats clés

• Estimation de la population : Le modèle estime un total de 84 000 travailleurs du sexe au Royaume-Uni.
• Incertitude : L'intervalle crédible à 95 % est de 49 000 à 130 000, représentant 0,121 % de la population actuelle du Royaume-Uni (environ 69,3 millions). L'estimation médiane est de 81 000, indiquant une distribution a posteriori légèrement asymétrique à droite.
• Ajustements du modèle : La synthèse a apporté des ajustements fondés sur des principes aux études individuelles. Par exemple, l'estimation de Cusick et al. (2009) a été substantiellement révisée à la hausse (+31 %) pour s'aligner sur l'estimation implicite de l'a priori, tandis que Import IO (2017) et Pitcher (2015) ont été ajustées modestement à la baisse. Les données GUMCAD, dérivées de comptes cliniques, ont montré l'intervalle crédible le plus large en raison de l'incertitude cumulée des facteurs de mise à l'échelle utilisés.
• Robustesse : Les analyses de sensibilité (leave-one-out et pondération uniforme) ont confirmé que les résultats sont robustes. Le retrait d'une seule étude a déplacé l'estimation de moins de 2,3 %, et le changement du système de pondération a entraîné une différence négligeable de 0,2 %. Le modèle a réussi à reproduire le motif des estimations observées sans surajustement.

Importance et affirmations
L'article revendique trois contributions principales :

1. Estimation révisée : Il fournit une estimation synthétique et complète qui exploite l'information collective de près de deux décennies de recherche, réduisant l'influence des limites de toute étude individuelle.
2. Incertitude quantifiée : Contrairement aux estimations ponctuelles précédentes, cette approche propage rigoureusement l'incertitude depuis les paramètres spécifiques à l'étude et l'hétérogénéité inter-études jusqu'au résultat final. Cela fournit aux décideurs politiques un intervalle crédible essentiel pour une planification robuste et une évaluation des risques.
3. Cadre extensible : Le modèle bayésien hiérarchique offre un cadre reproductible et extensible. Il peut intégrer de nouvelles preuves (par exemple, provenant de systèmes de surveillance ou de plateformes numériques) sans nécessiter une réanalyse complète, maintenant la cohérence méthodologique.

Limites et orientations futures
Les auteurs reconnaissent plusieurs limites :

• Contraintes des données : Les études sous-jacentes manquent d'erreurs standards, nécessitant l'utilisation d'un système subjectif de pondération de la qualité.
• Stabilité temporelle : Le modèle suppose une stabilité temporelle à travers des études couvrant 25 ans, manquant potentiellement des changements dus aux évolutions technologiques (par exemple, les plateformes en ligne) ou aux développements juridiques.
• Héritage méthodologique : L'approche repose toujours sur des méthodes de multiplicateurs et des extrapolations, héritant des limites de couverture des études originales.
• Expérience vécue : L'étude n'a pas impliqué de co-production avec des organisations dirigées par des travailleurs du sexe.

L'article conclut que si cette estimation fournit une base nationale cruciale, les travaux futurs doivent privilégier des méthodologies co-produites et dirigées par la communauté pour améliorer la précision, l'inclusivité et la sécurité de la collecte de données. Les auteurs soulignent que l'estimation de la taille de la population doit servir à réduire les inégalités de santé et éclairer un soutien ciblé, tout en protégeant strictement contre la réutilisation des données pour l'application de la loi ou la surveillance.