Extensions des modèles de mélange par régression bayésienne sur profils d'exposition pour estimer les effets sanitaires de co-expositions radiologiques à faibles doses. Application aux travailleurs du cycle du combustible nucléaire

En épidémiologie, les risques de cancer potentiellement induits par des expositions multiples à faibles doses aux rayonnements ionisants (RIs) sont peu étudiés et donc a fortiori peu connus. L'objectif de cette thèse de biostatistique est d'affiner, à l'aide de modèles probabilistes bayésiens et d'algorithmes de machine learning, la caractérisation des risques de décès par cancer associés à des co-expositions radiologiques sujettes à erreurs de mesure. La thèse s'inscrit ainsi dans la stratégie scientifique de l'IRSN en répondant aux questions suivantes : « Quels sont les effets d'une exposition à de faibles doses ? » et « Comment améliorer les concepts, méthodes et outils destinés à évaluer le risque suite aux expositions des travailleurs ? »

Les premiers travaux de thèse réalisés ont porté sur la cohorte française des mineurs d'uranium, exposés à plusieurs sources de RIs. De précédentes études ont montré que les données d'expositions de cette cohorte sont entachées d'erreurs de mesure pouvant engendrer un biais dans les estimations de risques. Une première étape a consisté à proposer puis à implémenter en Python l'apprentissage statistique bayésien de différents modèles hiérarchiques permettant de corriger l'estimation du risque de décès par 4 types de cancer, potentiellement associé à une exposition chronique au radon à faibles doses. Des facteurs susceptibles de modifier les relations dose-réponse ont été pris en compte. Les différents modèles ont été comparés grâce à des critères pénalisés de sélection de modèles bayésiens.

Un excès de décès par cancer du poumon a été mis en évidence lors d'analyses précédentes. Après prise en compte des erreurs de mesure, ce résultat est confirmé avec une augmentation du risque de décès par cancer du poumon après une exposition cumulée de 100WLM. Les résultats obtenus indiquent que les modèles avec correction des erreurs de mesure s'ajustent mieux aux données de la cohorte que les modèles sans. En revanche, compte-tenu des données disponibles, aucun excès de risque de décès par cancer du rein, cancer du système nerveux central et par leucémie a été mis en évidence, même après correction des erreurs de mesure. Des analyses par simulation ont été réalisées afin de tester la robustesse de l'approche hiérarchique bayésienne proposée. Le deuxième axe de travail consistera à développer un modèle de mélange par régression bayésienne sur profils d'exposition pour estimer le risque de décès par cancer potentiellement associé aux trois co-expositions radiologiques puis à y inclure les structures probabilistes d'erreurs de mesure préalablement définies.