Plusieurs méthodes statistiques permettent d’évaluer l’impact d’un facteur sur la répartition spatiale d’une maladie donnée. Cependant, leur fiabilité est souvent remise en question et des variations spatiales réelles peuvent être confondues à celles issues d’un bruit statistique, surtout lorsque les indicateurs sanitaires sont disponibles à une échelle très fine mais très variable comme celle des communes. Lorsque les incidences sont cartographiées, les comparaisons d’incidence entre aires géographiques ne sont valides que lorsque certains tiers facteurs, associés à la survenue de la maladie, ne diffèrent pas significativement entre les unités spatiales. Dans le domaine du cancer, plusieurs études ont démontré qu’il existe un lien entre les variations géographiques de certains cancers et le niveau socioéconomique des individus. L’objectif de notre travail était d’évaluer l’impact de la prise en compte d’un indicateur du niveau socioéconomique dans la détection de clusters spatiaux de cancers, en comparant, de manière empirique, différentes méthodes.

Les tests du I de Moran et Potthoff-Whittinghill ont été utilisés comme méthode de détection globale de cluster. Les méthodes de détection locale étaient : (i) la méthode de l’arbre de régression oblique (SpODT) ; (ii) la méthode de balayage de Kulldorff (SATSCAN) et (iii) la méthode de lissage bayésien spatial. Ces méthodes ont été utilisées sans covariable, puis avec introduction de l’indice de déprivation socioéconomique de Townsend. Nous avons utilisé les données d’incidence du registre du cancer de l’Isère concernant les cancers de la prostate, du poumon, du côlon rectum et de la vessie, chez les hommes diagnostiqués entre 1999 et 2007.

Nous avons montré que les résultats fournis par les différentes méthodes de détection étaient globalement cohérents pour les sites considérés. Pour le cancer de la prostate uniquement, nous avons mis en évidence une très faible autocorrélation (I=0,01 ; p<0,001) et une hétérogénéité spatiale (pp<0,001) significatives. SpODT a identifié six classes (p<0,05). Quatre étaient localisées à l’Ouest (ratio standardisé d’incidence (SIR)={1,68 ; 1,39 ; 1,14 ; 1,12}). Les deux autres étaient localisées l’une au Sud (SIR=1,16) et l’autre au Nord (SIR=1,04). SATSCAN a retrouvé un cluster principal au centre (RR=1,51 ; p< 0,0001) avec quatre autres, localisés en bordure de carte ({RR=1,31 ; p<0,0001} ; {RR=2,16 ; p<0,0001} ; {RR=1,20 ; p<0,0001} ; {RR=1,98 ; p<0,01}) La méthode de lissage bayésien, retrouvait les mêmes clusters identifiés par les deux précédentes méthodes (RR>1,2) dont l’un au centre et trois autres en bordure de carte. Après introduction de l’indice de Townsend, aucun cluster significatif de cancer de la prostate n’était retrouvé avec SATSCAN. En revanche, l’ajout de ce cofacteur ne modifiait pas les résultats obtenus avec les autres méthodes.

L’absence de modification du clustering spatial avant et après l’intégration de la déprivation suggère que les inégalités socioéconomiques n’impactent pas (ou peu) la variabilité spatiale de l’incidence du cancer de la prostate et que les méthodes de détection de cluster restent robustes. De plus, dans ce contexte où des clusters ont été détectés en bordure de la zone étudiée, l’impact des effets de bord reste également important à évaluer.