En matière de sécurité sanitaire, l’évaluation du risque repose avant tout sur l’identification d’effets indésirables à partir de résultats d’études animales, de modèles in vitro ou de modèles informatiques dits in silico, ce qui permet d’échafauder un faisceau de preuves comportant toutefois une double incertitude : la pertinence et la probabilité d’occurrence chez l’Homme.

Un tel « flou » est réductible par le recours aux outils statistiques analytiques, en particulier l’analyse factorielle (AF) et l’analyse en composantes principales (ACP).

L’AF vise à décrire un ensemble de variables par une combinaison linéaire de facteurs communs sous-jacents associé à une variable synthétisant la part spécifique des variables originelles, ce qui permet de mettre en évidence l’effet indésirable considéré.

L’ACP consiste à exprimer un ensemble de variables (effets indésirables) par un ensemble de combinaisons linéaires de facteurs non corrélés entre eux, ces facteurs rendant compte d’une fraction de plus en plus faible de la variabilité des données et limitant au mieux la perte d’informations.

Risk assessment is an important aspect of health safety. The main basis of information comes from the identification of adverse effects observed in animal studies, in vitro models, or in silico computer models. These data are used to construct a proof scaffold with an inherent double uncertainty about its clinical pertinence and the probability of occurrence in man.

This uncertainty can be reduced with statistical analytical tools, particularly factorial analysis and principal component analysis.

Factorial analysis describes a group of variables using a linear combination of underlying common factors associated with a single variable summarizing the specific contribution of each initial variable, thus providing evidence demonstrating the probability of the undesirable effect under consideration.

Principal component analysis consists in expressing a group of variables (undesirable effects) by linear combinations of uncorrelated factors. These factors account for a more or less extensive proportion of the data variability thus limiting loss of data pertinence.