Describing health inequalities without distortion: Simple-Means MAIHDA vs Random-Effects MAIHDA

Dans l'étude de la santé publique, les chercheurs cherchent depuis longtemps à comprendre pourquoi certains groupes de personnes sont en meilleure santé que d'autres. Traditionnellement, cela s'est fait en examinant des moyennes : en calculant la santé moyenne d'une ville, d'un quartier ou d'un groupe démographique spécifique. Cependant, les moyennes peuvent masquer la vérité. Tout comme la profondeur moyenne d'une rivière peut suggérer qu'elle est sûre pour la baignade, tout en cachant un trou profond et dangereux au centre, une statistique de santé moyenne peut masquer les luttes sévères de groupes plus petits et spécifiques vivant dans cette même zone. Pour saisir l'image complète de l'inégalité, les scientifiques doivent regarder au-delà de la moyenne et examiner comment l'environnement lui-même façonne la vie des individus. Cela implique de comprendre non seulement qui est malade, mais aussi comment les lieux où ils vivent et leurs positions sociales interagissent pour créer des modèles de santé. Le défi consiste à mesurer ces modèles avec précision sans lisser les différences mêmes qui doivent être perçues.

Une équipe de chercheurs en Suède a développé une nouvelle façon de cartographier ces inégalités de santé qui refuse de cacher les détails. Ils se sont concentrés sur deux résultats de santé très différents dans la ville de Malmö : l'utilisation de médicaments pour les troubles mentaux et le choix de consulter un médecin privé plutôt qu'un médecin public. En analysant les données de plus de 43 000 personnes, ils ont comparé une nouvelle méthode simple de comptage aux modèles statistiques plus complexes qui sont actuellement la norme dans le domaine. Leur travail révèle que si les modèles standards s'accordent étroitement sur les mesures de synthèse globales, ils peuvent lisser les contours les plus tranchants de l'inégalité pour des groupes spécifiques plus restreints, les faisant paraître moins distincts qu'ils ne le sont réellement. Les chercheurs ont découvert qu'un décompte simple et direct de ce qui se passe réellement dans les données fournit une image plus claire et plus honnête des disparités de santé que les modèles complexes qui tentent de prédire ce qui devrait se passer.

Les chercheurs ont commencé par diviser la population de Malmö en 300 groupes distincts. Chaque groupe était défini par une combinaison de l'endroit où la personne vivait et de ses caractéristiques sociales, telles que son âge, son sexe et son niveau de revenu. Cela a créé une mosaïque détaillée de la ville, où chaque quartier contenait douze profils sociaux différents. Ils ont ensuite examiné deux comportements de santé spécifiques. Le premier était l'utilisation de médicaments psychotropes, qui sont prescrits pour les problèmes de santé mentale. Le second était le choix de consulter un généraliste privé plutôt qu'un public. Ces deux résultats ont été choisis car ils représentent les deux extrémités du spectre : l'un est presque entièrement dicté par des circonstances personnelles comme le revenu et l'âge, tandis que l'autre est fortement influencé par la géographie et le lieu de résidence.

Lorsque les chercheurs ont appliqué leur nouvelle méthode, qu'ils appellent Simple-Means MAIHDA, ils ont simplement compté le nombre de personnes dans chacun des 300 groupes qui utilisaient le médicament ou choisissaient un médecin privé. Ils n'ont pas essayé d'ajuster ces chiffres en fonction d'hypothèses statistiques ou de formules mathématiques. Au lieu de cela, ils ont rapporté exactement ce que les données montraient, y compris l'incertitude qui accompagne les groupes plus petits. Pour l'utilisation de médicaments de santé mentale, les résultats ont montré un schéma clair dicté par l'argent et l'âge. Les personnes à faibles revenus étaient nettement plus susceptibles d'utiliser ces médicaments que celles à hauts revenus, quel que soit leur quartier de résidence. Les différences entre les quartiers riches et pauvres étaient très faibles, et l'environnement lui-même jouait un rôle presque nul dans le façonnement de ces résultats de santé ; l'inégalité était purement une question de position sociale individuelle.

En contraste frappant, le choix de consulter un médecin privé était façonné puissamment par la géographie, mais pas en remplaçant le revenu personnel. Les chercheurs ont constaté que les individus à hauts revenus étaient systématiquement plus susceptibles de choisir des médecins privés que les individus à faibles revenus dans tous les secteurs. Cependant, la géographie agissait comme un puissant amplificateur : l'écart entre les résidents riches et pauvres était nettement plus large dans les quartiers aisés que dans les quartiers pauvres. L'environnement ne se contentait pas de modifier les chiffres globaux ; il changeait réellement la forme de l'inégalité. Dans les zones riches, la différence entre les résidents riches et pauvres était encore plus large que dans les zones pauvres. La géographie elle-même amplifiait la fracture sociale, faisant du choix du prestataire de soins une histoire à la fois de statut personnel et de localisation.

L'article soutient que les modèles statistiques standards utilisés par la plupart des chercheurs, connus sous le nom de modèles à effets aléatoires (Random-Effects), ne parviennent pas à capturer ces réalités tranchantes pour des groupes spécifiques, même s'ils s'accordent sur l'image globale. Ces modèles fonctionnent en « réduisant » (shrinking) les estimations des petits groupes vers la moyenne globale. La logique est que si un groupe est petit, ses données peuvent être peu fiables, il est donc plus sûr de supposer qu'il est plus proche de la moyenne de la ville. Les chercheurs démontrent que ce processus agit comme un filtre qui brouille les contours de la carte. Pour les médicaments de santé mentale, le modèle standard n'a pas significativement modifié le constat selon lequel la géographie était négligeable, car l'effet géographique était déjà absent. Cependant, pour le choix du médecin privé, le modèle standard a rapproché les valeurs extrêmes des quartiers riches et pauvres, faisant paraître la division géographique moins sévère qu'elle ne l'était réellement pour certaines petites strates.

Les chercheurs soulignent que ce « lissage » n'est pas seulement une curiosité mathématique ; il a de réelles conséquences sur notre compréhension de l'inégalité. Lorsqu'un modèle lisse les données, il peut faire apparaître un groupe marginalisé comme ayant un risque de santé plus proche de la moyenne, alors qu'en réalité, il pourrait faire face à une situation beaucoup plus grave. En rapportant les chiffres bruts observés, la nouvelle méthode préserve l'ampleur réelle de ces inégalités. Elle montre que pour certains problèmes de santé, le lieu où vous vivez est une force puissante qui façonne vos chances de vie, tandis que pour d'autres, vos circonstances personnelles sont le facteur dominant. L'étude ne prétend pas que les modèles complexes sont inutiles ; ils sont utiles pour faire des prédictions lorsque les données sont rares. Mais pour décrire la réalité de l'inégalité de santé telle qu'elle existe actuellement, les chercheurs soutiennent que l'approche la plus simple — compter ce qui est présent — est la plus honnête.

L'étude conclut que pour véritablement comprendre et traiter les disparités de santé, les scientifiques et les décideurs politiques doivent examiner les données sans les lisser. La nouvelle méthode offre un outil pour ce faire, permettant aux chercheurs de voir exactement quelle part d'une inégalité est due au lieu où l'on vit et quelle part est due à qui l'on est. Dans le cas de Malmö, les données ont révélé que si les problèmes de santé mentale sont largement une histoire de pauvreté individuelle, le choix du prestataire de soins est une histoire de géographie et de ségrégation qui amplifie les différences sociales. En refusant de cacher les petites différences tranchantes dans les données, les chercheurs offrent une voie plus claire vers la compréhension de la véritable structure de la santé dans la société. Le travail suggère que si nous voulons corriger les inégalités de santé, nous devons d'abord les voir exactement telles qu'elles sont, et non telles qu'un modèle statistique pense qu'elles devraient être.