L’estimation de la prévalence des maladies rares représente un enjeu aussi fondamental que complexe en santé publique. En France, les maladies rares concernent environ 3 millions de personnes (HAS), mais pour beaucoup d’entre elles, la prévalence exacte demeure incertaine. Pourquoi ? Les personnes atteintes sont souvent disséminées au sein de la population, la prise en charge est parfois multiple, et les bases de données existantes (registres, fichiers hospitaliers, associations de patients…) se recoupent peu, ou partiellement.
Dans ce contexte, l’estimation traditionnelle à partir d’un seul fichier est biaisée : les oublis, les redondances, les cas non capturés restent nombreux. Ici, la méthode capture-recapture, longtemps utilisée par les écologues pour estimer les populations animales, ouvre des perspectives inédites pour l’épidémiologie.
La méthode capture-recapture (C-R) trouve son origine au XIXe siècle dans les travaux de Pierre-Simon Laplace et de Carl Petersen, qui voulaient estimer les populations de poissons des lacs scandinaves. Elle repose sur une idée simple : si l’on capture un certain nombre d’individus, qu’on les “marque”, puis qu’on répète l’opération, la proportion d’individus “marqués” lors de la seconde capture permet d’inférer la taille totale de la population.
Transposée à l’épidémiologie humaine :
La formule la plus courante, pour deux sources de données (méthode de Lincoln-Petersen) :
| Variable | Description |
|---|---|
| n1 | Nombre d’individus dans la première source |
| n2 | Nombre d’individus dans la seconde source |
| m | Nombre d’individus présents dans les deux sources |
| N | Taille de la population totale estimée |
La formule : N = (n1 × n2) / m
Petit exemple : si 200 patients sont identifiés dans le registre A, 250 dans la base B, et que 50 sont communs aux deux, on obtient N = (200 × 250) / 50 = 1 000 personnes.
La méthode est particulièrement pertinente pour les maladies rares, où aucun recueil unique n’est exhaustif. La littérature fourmille d’exemples :
La robustesse de la méthode capture-recapture dépend du respect de certains postulats. Ignorer ces conditions expose à des biais potentiellement majeurs.
Des méthodes statistiques avancées existent pour corriger partiellement certaines limites : modèles log-linéaires pour croiser plus de deux fichiers, ajustement sur des variables explicatives, sensibilités et analyses de scénarios.
Par exemple, dans une étude espagnole sur la mucoviscidose, l’estimation par capture-recapture était 35 % supérieure à celle obtenue par le seul fichier hospitalier (García et al., 2009). Cette correction a un poids considérable pour le dimensionnement de la prise en charge, la planification de la recherche, ou l’adaptation de l’offre de soins.
| Limite | Conséquence sur le résultat | Possible compensation |
|---|---|---|
| Dépendance des sources | Sous- ou surestimation selon le type de dépendance | Utilisation de modèles statistiques (log-linéaires) |
| Population non fermée | Biais temporel | Analyses de sensibilité ou suivi temporaire plus rapproché |
| Biais d’appariement | Doubles ou pertes de cas | Standardisation rigoureuse et vérifications systématiques |
La méthode capture-recapture s’enrichit en permanence grâce au croisement avec l’intelligence artificielle (pour améliorer l’appariement ou la détection des doublons) ou à l’exploitation de réseaux de registres européens (Eurordis). L’ouverturisme des données, et la généralisation des identifiants uniques pourraient révolutionner la fiabilité des estimations. La capture-recapture reste l’un des seuls outils scientifiquement validés pour dépasser le “dark number” des pathologies rares, souvent invisibles et silencieuses.
L’application rigoureuse de la capture-recapture offre un éclairage fiable, souvent indispensable pour caractériser l’ampleur des maladies rares et orienter la santé publique, l’innovation thérapeutique, et la représentation des patients. Son maniement suppose une connaissance pointue des bases de données, des statistiques et de l’éthique – mais la promesse est à la hauteur de l’enjeu : mieux comprendre, anticiper et agir pour, et avec, les personnes concernées.
Pour toute discussion, questions méthodologiques ou partages d’expériences, les commentaires vous sont ouverts. Échanger autour de ces outils, c’est déjà contribuer à la progression de la connaissance en santé publique.
La prévalence d’une maladie chronique désigne la proportion de personnes porteuses d’une pathologie donnée dans une population à un instant donné, qu’il s’agisse de nouveaux ou d’anciens cas. En France, c’est un...
La prévalence indique la proportion d’individus atteints d’une maladie à un moment donné ou sur une période déterminée, au sein d’une population. Contrairement à l’incidence, qui mesure les nouveaux cas survenus dans une p...
L’urbanisation rapide bouleverse nos modes de vie et avec elle, notre santé. En 2022, plus de 56 % de la population mondiale vivait en ville (ONU, 2023). Or, les environnements urbains jouent un rôle clé dans la montée des maladies chroniques...
Parler de prévalence, c’est entrer dans le langage courant de la santé publique. Souvent citée dans les médias pour donner une « photographie » des maladies dans une population, la prévalence est pourtant un indicateur à manier avec...
La surveillance épidémiologique s’appuie sur des indicateurs précis pour orienter les réponses de santé publique. Le taux d’incidence, qui exprime le nombre de nouveaux cas d’une maladie survenant dans une population donnée pendant...
