Calibrating self-reported BMI in national surveillance: impact on obesity misclassification and socioeconomic inequalities in Portugal
Cette étude démontre que l'application d'équations de calibration aux données anthropométriques autodéclarées au Portugal corrige la sous-estimation systématique de la prévalence de l'obésité et affine l'évaluation des inégalités socio-économiques, particulièrement chez les femmes, améliorant ainsi la validité de la surveillance nationale de l'obésité.
Article original sous licence CC BY 4.0 (https://creativecommons.org/licenses/by/4.0/). Ceci est une explication générée par l'IA d'un preprint qui n'a pas été évalué par des pairs. Ce n'est pas un avis médical. Ne prenez pas de décisions de santé basées sur ce contenu. Lire la clause de non-responsabilité complète
Imaginez que l'on tente de cartographier la santé d'une nation en demandant aux gens de deviner leur propre taille et leur poids. C'est un raccourci courant pour les gouvernements et les chercheurs car mesurer des millions de personnes est coûteux et chronophage. Cependant, la mémoire humaine n'est pas un ruban à mesurer, et notre perception de nous-mêmes est souvent teintée par la façon dont nous souhaitons être perçus. Les gens ont tendance à dire qu'ils sont plus grands qu'ils ne le sont réellement et plus légers qu'ils ne le sont, une habitude qui fausse les données utilisées pour suivre l'obésité. Quand ces chiffres sont erronés, le tableau de la santé publique est déformé, ce qui rend difficile l'identification de ceux qui luttent contre des problèmes de poids et de la manière dont les facteurs sociaux comme le revenu ou l'éducation influencent ces luttes. Si les données sont biaisées, les politiques élaborées pour résoudre le problème pourraient passer totalement à côté de leur cible.
Au Portugal, des chercheurs se sont donné pour mission de corriger cette distorsion en profitant d'une opportunité unique offerte par une enquête nationale. L'équipe de recherche avait accès aux données de plus de 3 400 adultes qui avaient à la fois communiqué aux chercheurs leur taille et leur poids, puis avaient subi ces mêmes mesures effectuées par du personnel formé. Cela leur a permis de voir exactement où les chiffres autodéclarés faisaient défaut. Ils ont trouvé un schéma clair : les gens surestimaient systématiquement leur taille et sous-estimaient leur poids. Cette erreur n'était pas aléatoire ; elle s'accentuait avec l'âge et à mesure que le poids réel des individus augmentait. Les femmes étaient particulièrement enclines à sous-déclarer leur poids, tandis que les hommes surdéclaraient souvent leur taille. L'étude a également révélé que ces erreurs n'étaient pas réparties uniformément dans la société ; elles variaient selon le lieu de résidence et le niveau d'éducation.
Pour corriger ces erreurs, les chercheurs ont développé un ensemble de règles d'ajustement, ou équations de calibration, basées sur des informations simples déjà collectées dans la plupart des enquêtes : l'âge, le sexe, le lieu de résidence et le niveau d'éducation de la personne. En injectant les chiffres autodéclarés dans ces règles, ils pouvaient générer une estimation « calibrée » beaucoup plus proche du poids et de la taille réellement mesurés. Les résultats étaient frappants. Avant l'ajustement, les données autodéclarées suggéraient qu'il y avait moins de personnes obèses qu'en réalité. Après l'application de la calibration, les taux d'obésité estimés ont augmenté pour correspondre presque parfaitement aux mesures physiques. Pour les femmes, les données calibrées montraient un taux d'obésité de 26,0 %, presque identique aux 26,2 % trouvés lors des mesures physiques. Pour les hommes, le chiffre calibré était de 21,7 %, très proche des 22,5 % mesurés.
L'impact le plus significatif de cette correction a été observé lorsque les chercheurs ont examiné comment l'obésité différait entre les personnes ayant différents niveaux d'éducation, de revenus et d'emploi. L'étude a montré que le recours aux autodéclarations non corrigées avait masqué l'étendue réelle de ces écarts, mais de manières différentes pour les hommes et les femmes. Pour les femmes, l'ajustement a en fait fait apparaître l'écart entre les groupes les plus et les moins éduqués comme étant légèrement plus large, suggérant que les estimations précédentes avaient sous-estimé la disparité. Pour les hommes, le phénomène inverse s'est produit : les données non corrigées avaient fait paraître l'inégalité plus grande qu'elle ne l'était réellement, et la calibration a ramené les chiffres à un niveau plus précis. Les schémas liés au revenu et à l'emploi ont été moins affectés par la correction, mais les écarts liés à l'éducation ont sensiblement évolué.
Ce travail démontre que si les données autodéclarées sont pratiques, elles comportent un coût caché lorsqu'elles sont utilisées pour comprendre les inégalités sociales. Les chercheurs ont montré qu'en utilisant des ajustements mathématiques simples basés sur des détails démographiques courants, les enquêtes de santé nationales peuvent restituer une image beaucoup plus fidèle de l'obésité sans avoir besoin de mesurer physiquement chaque participant. Cette approche ne se contente pas de corriger le nombre total de personnes souffrant d'obésité ; elle clarifie qui est le plus à risque et comment les circonstances sociales façonnent ces risques. L'étude suggère que les responsables de la santé devraient envisager d'ajouter de petits groupes de personnes avec des données mesurées à leurs enquêtes, afin de construire ces outils de correction et de garantir que l'histoire racontée par les chiffres reflète la réalité.
Noyé(e) sous les articles dans votre domaine ?
Recevez des digests quotidiens des articles les plus récents correspondant à vos mots-clés de recherche — avec des résumés techniques, dans votre langue.