Comme pour la première partie, nous vous proposons une vidéo
"débriefing" dans laquelle Pierre nous explique de vive voix son
raisonnement, suivie d'un texte explicatif complet.
1. L’importance de standardiser les décès pour prendre en compte l’augmentation et le vieillissement de la population
La France vieillit. Par conséquent, le nombre de morts chaque année augmente naturellement depuis 2010 (Figure 1).
Cette hausse du nombre de décès n’est pas le signe que la santé des
Français se dégrade, mais uniquement le résultat de l’augmentation du
nombre de personnes âgées. En effet, à force de vieillir, tous les
humains finissent par mourir.
Figure 1 : Décès annuels en France
Le vieillissement français s’illustre par l’évolution de la pyramide
des âges de la France entre 2000 et 2020, réalisée avec les données
disponibles sur Eurostat (Figure 2). En 20 ans, la génération des
baby-boomers est, logiquement, passée de la tranche des moins de 55 ans
à celle des plus de 65 ans. Dès lors, il est tout à fait normal que le
nombre de décès en France augmente chaque année, et cela va continuer à
augmenter pendant encore au moins 20 ans, jusqu’à ce que le gros de
cette génération ait décédé.
Figure 2 : Pyramide des âges de la France en 2000 et 2020
Figure 3 : Formule de la standardisation des décès
Pour comparer le nombre de décès en France de ces dernières années
avec l’année 2020, nous avons standardisé les décès, en appliquant la
population par âge de 2020 à toutes les années du passé. Il en est
ressorti que l’année 2020 n’est pas du tout une année de record de
mortalité (Figure 4).
Figure 4 : Décès standardisés en France selon l'année 2020
L’année 2020 est au niveau de l’année 2015. Il s’agit de la 6e année
la moins mortelle de toute l’histoire de la France. Cette situation est
la même quel que soit le pays en Européen considéré.
Pour certains pays, comme la Norvège ou l’Islande, l’année 2020 est un
record absolu de sous-mortalité. Au pire l’année 2020 présente une
mortalité haute relativement à la décennie, mais plus basse que
n’importe quelle année précédente comme pour la Belgique ou l’Espagne (Figure 5).
Figure 5 : Typologie des pays européens selon le rang dans l'histoire des décès standardisés de l'année 2020
L’étude des décès hebdomadaires standardisés en France depuis 2013 nous permet de visualiser les cycles de mortalité (Figure 6).
Chaque année, le nombre de décès augmente en hiver et diminue en été.
Cette augmentation de décès l’hiver est concomitante des maladies
hivernales. Parmi elles, les infections respiratoires aiguës peuvent
être attribuées à des virus comme les grippes, les rhinovirus ou les
coronavirus, ou à des bactéries comme les pneumocoques, les
staphylocoques, Haemophilus influenzae ou d’autres.
Figure 6 : Décès hebdomadaires en France standardisés selon 2020
6.png
Il est important de faire la distinction entre l’origine et le
symptôme. Jusqu’en 2019, les déclarations d’infections respiratoires
hivernales faisaient mention d’un « état grippal » du patient. Ainsi,
jusqu’à récemment, la surmortalité hivernale était comptabilisée comme
étant causée par les virus de la grippe, justifiant notamment la
politique vaccinale.
Certains hivers présentent des pics de mortalité nettement supérieurs
à d’autres. L’hiver 2013-2014 a connu des pics de mortalité bien moins
élevés que l’hiver 2014-2015. Cette différence fait partie des éléments
expliquant les différences de décès d’une année sur l’autre. Nous avons
déjà détaillé ce phénomène dans d’autres communications. Une explication
serait le principe des années moissons.
Les hivers doux et peu mortels laisseraient en vie les plus fragiles de
la population et ces derniers décéderaient pendant les hivers plus
rudes. L’année suivante compterait mécaniquement moins de décès faute de
personnes fragiles.
Une théorie concernant la hausse de mortalité hivernale est la
propagation virale. Il s’agit de dire que l’hiver les virus arriveraient
de l’extérieur et circuleraient dans la population. Cette théorie a été
modélisée au début de 20e siècle avec les premiers modèles de propagation épidémique. Le fameux modèle SIR a été construit en traduisant mathématiquement cette théorie. Il contient plusieurs paramètres qui définissent les fameux R0, Rt et Reff.
Cette hypothèse de propagation virale sert de socle à un certain nombre
des politiques de santé publique. Elle permet notamment de justifier la
politique vaccinale antigrippe et est donc naturellement défendue par
les industriels pharmaceutiques qui en sont les bénéficiaires directs.
Il existe aujourd’hui bien d’autres modèles de propagation épidémique.
Cependant, le seul modèle médiatisé et utilisé par les gouvernements
(retrouvé dans des documents fournis au Sénat ou au sein des discussions de l’Assemblée)
pour justifier les politiques coercitives est celui de la propagation
exponentielle. Cette propagation exponentielle entraînera alors une
augmentation exponentielle de recours à l’hôpital (la part des
contaminations qui dégénère) et une augmentation exponentielle des décès
(la part des formes graves qui sont fatales).
Dans tout l’éventail imaginable des principes de propagation, une
démarche simple de confirmation ou d’infirmation de la théorie extrême
utilisée actuellement est de la confronter à son autre extrême. La
vérité n’est certainement pas contenue dans un de ces 2 points trop
simplistes, mais les statistiques peuvent nous permettre d’avoir une
idée duquel de ces 2 points la réalité se rapproche.
Si nous récapitulons nous avons donc l’hypothèse A suivante :
Les hausses de mortalité, notamment hivernales, sont dues à
la propagation exponentielle de maladies (notamment virales) au sein de
la population.
Cette hypothèse a des implications très forte sur la politique de santé :
- Les humains sont tenus responsables de l’état de santé
de leurs voisins (contaminations) et légitime les pratiques de
quarantaine, isolement, port du masque etc.
- Elle légitime la stratégie de lutte préventive contre les pathogènes circulant (vaccination antigrippale)
Nous allons la confronter à l’hypothèse B :
Les hausses de mortalité, notamment hivernales, sont dues aux
conditions extérieures et à la dégradation de l’état de santé général.
Cette hypothèse change les priorités de la politique de santé :
- Les humains ne sont pas tenus responsables de l’état de
santé de leurs voisins. Il n’y a alors aucune raison de mettre en place
des politiques restrictives
- La stratégie préventive devient une stratégie de santé
générale (sport, alimentation, sorties, éventuellement apports
vitaminés, qualité de l’air)
On note que l’hypothèse A sert de justification aux mesures
coercitives gouvernementales et légitime la privatisation de la santé
par des industriels qui vendent (ou forcent l’achat par l’intermédiaires
des gouvernements) des vaccins et autres produits préventifs.
L’hypothèse B ne permet pas de politiques de coercition de masse.
Elle soutiendrait des politiques préventives peu onéreuses,
individualisées, sans promesse de vie éternelle, mais avec des
améliorations de qualité de vie.
3. Les indices à notre disposition
3.1. Les indices à notre disposition : l’absence d’exponentielle
Si on suppose que l’hypothèse A est vraie, alors des phénomènes de
vagues de propagation devraient être visibles à l’échelle européenne ou
au sein d’un même pays. Cependant on observe l’inverse.
Ce phénomène de hausse de mortalité hivernale est complètement simultané sur toute l’Europe (Figure 7).
La standardisation des décès nous permet de représenter les différents
pays et années sur un même graphique. Ici toutes les populations sont
ramenées à la population française de 2020.
Figure 7 : Décès standardisés France, Portugal, Suède, selon 2020
De la Suède jusqu’au Portugal, les hausses de mortalité sont
naturellement simultanées tous les hivers, et même les étés lors des
épisodes caniculaires. La mortalité hivernale des pays européens n’est
donc pas en lien avec un phénomène de diffusion de maladies l’hiver en
Europe. Le Portugal et la Suède sont séparés par 3 000 km. Si la
diffusion entre individus de maladies l’hiver était responsable de
l’augmentation de la mortalité, des décalages temporels devraient être
visibles, ce qui n’est pas le cas. L’augmentation des décès ne
représente pas le déplacement des maladies, mais leur apparition partout
à la fois. Il s’agit d’une manifestation de la dégradation cyclique de
l’état de santé. Cette dégradation simultanée partout en Europe se
traduit par l’apparition de symptômes attribués à des maladies
hivernales et par l’augmentation des décès. Le phénomène de courbe en
cloche concernant la mortalité n’est pas le résultat d’un phénomène de
propagation, mais d’un phénomène d’apparition. Il est évident que les
Portugais ne contaminent pas les Suédois, ni inversement.
Le même résultat se constate à des niveaux plus fins que les pays. En
France, pour lequel nous avons des résultats départementaux, les pics
de mortalité sont synchronisés. Ils sont plus ou moins visibles selon
l’âge et la taille de la population.
On a ici un fort indice de rejet de l’hypothèse A. Il nous manque un élément explicatif pour nous diriger vers l’hypothèse B.
3.2. Les indices à notre disposition : l’absence d’exponentielle
Il est important de rappeler que c’est directement à cause du modèle
de propagation utilisé qu’existe le discours sur l’augmentation
exponentielle des malades et des décès. En effet, les équations des
modèles de propagation se résolvent grâce aux fonctions exponentielles.
Ainsi il ne s’agit pas d’une observation, mais directement du modèle
lui-même. Ce n’est donc pas une réalité vérifiée, mais un présupposé
basé sur une construction de l’esprit. En téléchargeant la série longue des décès quotidiens de l’Insee, nous pouvons observer les variations de décès depuis 50 ans (Figure 8).
Figure 8 : Décès quotidiens français lissés sur 7 jours depuis 1968
Les données sont lissées sur 7 jours de façon à éviter le biais
induit par le jour de déclaration de décès. En effet, en France, on
constate peu de décès déclarés les samedis et dimanches. Cela a plus de
raisons d’être dû à un moindre nombre de constats de décès par les
médecins qui sont moins nombreux à être actifs ces jours-là, plutôt qu’à
une réelle protection dominicale.
Ainsi en France, depuis 50 ans, les hivers sont des périodes de forte
hausse de mortalité. L’année 2020 est bien visible avec la
particularité d’avoir des périodes décalées, mais également la fin de
l’année 1969 dont la mortalité hivernale a été attribuée à la célèbre
« grippe de Hong-Kong ». Certains étés sont aussi particulièrement
mortels, avec notamment la canicule de 2003 (mais également les
canicules de 1975, 1976 et 1983 non représentées ici). On note ainsi que
les épisodes caniculaires ne sont pas récents et sont observables
depuis le début des données modernes. L’année 2003 est exceptionnelle
surtout par le nombre de personnes âgées qui étaient en vie à cette
période (contrairement aux années 1975,1976 et 1983).
Il est facile de vérifier si des augmentations exponentielles de
mortalité ont déjà eu lieu depuis 50 ans en France. Une des propriétés
de l’exponentielle est que sa dérivée est une exponentielle. Ainsi, si
le nombre de décès augmente de manière exponentielle, alors le nombre de
décès accélère également de manière exponentielle. Pour vérifier si un
tel évènement existe, il suffit de calculer l’accélération des décès
d’un jour à l’autre, en calculant la différence seconde (Figure 9).
Figure 9 : Différence seconde des décès quotidiens lissés sur 7 jours depuis 1968
Depuis 50 ans, en France métropolitaine, les seuls moments où sont
observés des accroissements de décès suffisamment important pour être
apparentés à des exponentielles sont certaines périodes de canicules, et
des accidents (par exemple d’avion comme en mars 1973 non représenté
ici). On note donc que :
- Jamais en période déclarée comme épidémique, il n’est possible d’observer un accroissement exponentiel.
- Les seuls accroissements assez forts pour prétendre à des exponentiels sont sur des périodes non apparentées à des épidémies.
Depuis le début du comptage Covid-19, le même constat peut se
faire pour les hospitalisations ou, entrées en service de réanimation
liées à la Covid-19 (Figure 10). Quelques points aberrants
sortent de la tendance générale, mais aucune tendance exponentielle ne
se dégage. Ces points aberrants peuvent par ailleurs très bien venir de
la déclaration Covid-19 en elle-même. Seules l’étude des
hospitalisations toutes causes permettrait d’évaluer ce biais.
Figure 10 : Différence seconde des entrées à l'hôpital et en service de réanimation pour Covid-19
À ce stade, le modèle de propagation ne peut prétendre à une
validation par l’observation. Nous sommes dans le cas où la théorie a
pris possession de notre évaluation de la réalité. Il est tout à fait
possible de calculer pour chaque hiver, ou même sur chaque canicule, une
courbe de propagation SIR. Il suffit d’ajuster les différents
paramètres pour que la courbe colle au plus près de la réalité. La
folie, c’est de prétendre que d’avoir fait coller une courbe à la
réalité montre qu’on a compris le phénomène. La folie c’est d’utiliser
les paramètres pour ensuite calculer le R0 et s’en servir pour imposer des décisions politiques.
3.3. Les indices à notre disposition : le lien parfait entre décès et température extérieure
Météo France met à notre disposition depuis janvier 2021 des jeux de données sur les relevés météorologiques.
Des données de températures, d’humidité, de pression atmosphérique,
sont disponibles en de nombreux points et jusqu’à 25 ans de profondeur.
Les données de température sont les plus nombreuses et les plus fiables.
Elles couvrent de nombreux espaces et territoires.
Les conditions météorologiques extérieures sont toutes liées entre
elles. La température basse de l’hiver est souvent liée à un assèchement
de l’air et des basses pressions atmosphériques. La température
extérieure est donc vue ici comme un indicateur de relevé
météorologique. Il ne s’agit pas de supposer ou conclure que la
température extérieure tue les gens, mais bien de savoir si les
conditions météorologiques quelles qu’elles soient ont un impact sur la
mortalité.
Pour cette analyse, le taux de mortalité par âge chaque jour en
France sur chaque département est apparié à la température moyenne
extérieure ce même jour sur ce département.
Nous allons donc pouvoir observer le lien entre mortalité et
température extérieure. Les années 2017, 2018 et 2019 sont observées ici
de façon à ne pas être perturbé par la Covid-19 et les mesures prises.
Les décès sont lissés sur 7 jours pour la même raison que précédemment.
Ils sont décalés de 5 jours par rapport à la température en considérant
que le décès n’est pas immédiat, mais suit un état de dégradation
progressive appelé maladie.
Le test de corrélation de Spearman
nous permet de savoir si les taux de mortalité et les températures
évoluent en même temps. Ce test compare les rangs entre les points de
chaque variable. Il a l’avantage de ne pas supposer la nature de la
relation entre les 2 variables. Il mesure si la relation entre les
2 variables est monotone. La corrélation d’après Spearman est parfaite
lorsque le Rhô vaut 1 ou -1 (Figure 11). Il vaut 1 lorsque les
maximas des deux variables sont synchronisés et vaut -1 lorsque chaque
maximum de la première variable correspond à un minimum de l’autre
variable.
Figure 11 : Exemple de corrélation parfaite de Spearman
À l’inverse, le Rhô vaut 0 lorsqu’il n’y a pas de relation monotone entre les 2 variables (Figure 12).
Figure 12 : Exemple d'absence de corrélation selon Spearman
Pour simplifier la lecture visuelle, la température est inversée car
les décès augmentent en réalité lorsque la température diminue (sauf
pendant les épisodes caniculaires, mais qui sont rares). Les
coefficients Rhô seront alors tous négatifs. Ils seront d’autant plus
forts qu’ils seront proches de -1.
Le test de Spearman nous indique que la relation entre température et
décès est significative dès 50 ans. L’intensité du lien ne fait ensuite
qu’augmenter avec l’âge. Il n’y a aucune relation entre température et
mortalité avant 50 ans.
Au-delà de 85 ans, le Rhô de Spearman frise les 0,9 (Figure 13 et Figure 14).
Si la température expliquait totalement la mortalité, le coefficient
serait de 1. Notre 0,9 ici signifie que des personnes âgées de plus de
85 ans meurent toute l’année, mais les augmentations et baisses de
mortalité s’expliquent avec les variations de température quasiment
parfaitement. Le peu qui reste peut éventuellement s’expliquer comme du
bruit, autrement dit, les aléas de la vie.
Figure 13 : Taux de mortalité en France des plus de 90 ans et température, lissés sur 7 jours
Note de lecture : Le taux de mortalité toutes causes est en notation « scientifique » : 8e-04 signifie 8 décès pour 10 000 habitants. La température est inversée : -10 signifie +10°C.
Figure 14 : Taux de mortalité en France des 85-89 ans et température, lissés sur 7 jours
Le Rhô décroît ensuite régulièrement en rajeunissant, tout en restant significatif (Figure 15).
Cela signifie que pour les âges plus jeunes, les accidents de la vie
pèsent plus par rapport à la température. En effet, plus la population
est jeune et moins il y a de décès et donc plus les évènements
particuliers vont avoir un impact. Mais aussi visiblement, plus on est
jeune et moins on est sensible aux aléas météorologiques dont la
température. Entre 65 en 85 ans, le rho est quand même supérieur à 0.5.
C’est donc une très forte corrélation, avec surtout moins de décès qu’à
plus de 85 ans et moins de sensibilité hivernale.
Figure 15 : Taux de mortalité en France des 65-69 ans et température, lissés sur 7 jours
Le test de Spearman reste significatif entre 50 et 60 ans (Figure 16). Cependant, le Rhô décroît fortement aux âges avant 60 ans. Signe ici d’une vraie période charnière à ces âges sur la santé.
Figure 16 : Taux de mortalité en France des 55-59 ans et température, lissés sur 7 jours
Sur toutes les tranches d’âge avant 50 ans, le test de Spearman n’est plus du tout significatif (Figure 17).
Figure 17 : taux de mortalité en France des 45-49 ans et température, lissés sur 7 jours
Nous savons dorénavant que la température explique bien la mortalité
hivernale. Ce résultat est à rapprocher d’autres études, notamment
biologiques. Par exemple, il a été observé que la composition cellulaire
du sang varie selon la saison. Ces variations peuvent être signe de
changements au sein du système immunitaire liés aux conditions météorologiques.
Nous pouvons tenter de modéliser la mortalité à partir de la
température pour les âges pour lesquels cela a du sens et notamment
au-dessus de 65 ans. Ici la méthode GAM (modèle additif généralisé)
est utilisée. Elle consiste à modéliser une statistique à l’aide d’une
autre, dans notre cas avec des fonctions polynomiales. L’idée est de
savoir si nous pouvons prévoir la mortalité en fonction de la
température extérieure.
Il faut avoir en tête qu’à partir du moment que le passage à la
modélisation implique de s’écarter de la réalité. Il s’agit d’une
construction de l’esprit pour tenter de coller aux relevés et pas d’une
explication parfaite du lien. Par exemple, même si le modèle GAM
polynomial est puissant, il suppose qu’il n’y a pas d’effet de seuil. Un
effet de seuil serait dans notre cas un saut de mortalité. Par exemple,
si on imagine que la mortalité n’augmente pas régulièrement, mais que
passer sous une certaine température, un grand nombre de personnes
meurent d’un coup, cela provoque un effet de seuil. C’est probablement
ce que l’on observe dans le graphique des plus de 90 ans. Les effets de
seuil entraînent que la fonction de mortalité n’est pas dérivable et ne
sera donc pas parfaitement approchée par des polynômes.
De même, le fait que les humains ne meurent qu’une seule fois implique :
- Qu’une forte mortalité après une baisse de température va diminuer le nombre de décès possible
- S’il survient une deuxième baisse de température, il risque d’y avoir moins mécaniquement mois de décès.
Il y a donc des effets d’exclusion qui ne sont pas modélisés ici.
Cela n’empêche pas de travailler, mais permet d’être conscient que la
vraie vie ne s’approche pas facilement par des formules mathématiques
contrairement à ce qu’essayent de faire croire certaines équipes
scientifiques, en économie comme en médecine, qui font du catastrophisme
une marque de fabrique et/ou tentent de vendre des produits miracles.
Finalement, pour les plus de 90 ans, on obtient un coefficient de
corrélation à 0.7 ce qui fait de ce modèle, rustique et plein de
défauts, un très bon modèle de prédiction malgré tout (Figure 18 et Figure 19).
Le coefficient de corrélation est maximal à 0,75 pour la tranche d’âge
des 85-89 ans, probablement grâce à une moindre importance des effets de
seuils et de moisson.
Figure 18 : Taux de mortalité en fonction de la température, données brutes et courbe de GAM
Figure 19 : Taux de mortalité des 90 ans et plus observé et prévu avec la température
On peut constater que la modélisation fonctionne pour tous les
départements sur lesquels il y a assez de population pour stabiliser les
statistiques. Ci-dessous par exemple les 3 départements les plus
peuplés pour la tranche d’âge des 90 ans et plus (Figure 20, Figure 21 et Figure 22).
Figure 20 : Taux de mortalité des 90 ans et plus observé et prévu avec la température pour le Nord
Figure 21 : Taux de mortalité des 90 ans et plus observé et prévu avec la température pour Paris
Figure 22 : Taux de mortalité des 90 ans et plus observé et prévu avec la température pour les Bouches-du-Rhône
Comme nous l’avons vu avec le test de Spearman, la corrélation est
d’autant plus forte que l’âge augmente également dans les départements.
Il est significatif à partir de 50 ans, mais pas en-dessous. Finalement,
le lien fonctionne très bien même à niveau plus fin : les variations de
température expliquent les variations de mortalité à partir de 50 ans
et la corrélation est d’autant plus forte que l’âge est avancé.
4. En conclusion, les statistiques rejettent l’hypothèse de
propagation et confortent l’hypothèse du changement de conditions
extérieures
Nous avons vu dans la première partie que le fait que les hausses et
baisses de mortalité soient simultanées partout en même temps invalide
l’hypothèse de propagation des maladies hivernales. Si les maladies se
propageaient, on verrait des mortalités en décalé.
Dans la deuxième partie, nous avons vu que la mortalité des plus âgés
est presque parfaitement corrélée à la température extérieure.
Finalement c’est le bon sens qui a raison devant la théorie, même si
elle s’appuie sur des jolies formules. Les gens qui n’ont pas perdu pied
avec la réalité savent encore que :
- L’hiver, il fait froid et on tombe malade.
- Quand on est vieux et malade, on risque plus de mourir que quand on est jeune et en bonne santé.
Ainsi, la mortalité hivernale n’est pas due à l’arrivée d’un virus
particulier, mais bien à la dégradation de l’état de santé liée au
changement météorologique. Cela ne signifie pas que les contaminations
n’existent pas du tout, mais elles sont au mieux des épiphénomènes dans
la masse qu’est l’augmentation de la mortalité hivernale. Il est donc
complètement vain de faire de l’isolement des humains l’hiver une
priorité de santé publique, cela ne va rien changer ni à l’augmentation
de la mortalité, ni à celle des hospitalisations.
L’autre résultat, c’est que la politique vaccinale qui vise à lutter
contre chaque virus un par un, n’aura mécaniquement pas le moindre
impact visible sur la mortalité ou la maladie. Les virus ne sont pas les
causes uniques des hausses de mortalité. Ils sont une résultante
observable d’une dégradation de la santé liée aux conditions
extérieures. Ces conditions rendent malades les gens avec de multiples
pathologies. Vouloir attribuer ces hausses de décès à des virus
particuliers, comme les grippes, arrange énormément les producteurs de
vaccins antigrippaux, et les gouvernements qui les achètent, pour faire
croire qu’ils s’occupent de votre santé. Au passage, cela permet de
détruire l’hôpital public, tout en continuant de dépenser toujours plus
d’argent, lui aussi public, mais pour le diriger vers les bonnes poches.
Maintenant que nous avons vu ce lien entre 2017 et 2020, nous allons
voir ce qu’il se passe si on prolonge notre modèle en 2020 et 2021. Nous
allons étudier les écarts entre les décès prévus par la température et
ce que nous avons vécu.
