Search

La vie en couple est-elle bénéfique pour les hommes et pour les femmes, ou pour les hommes au détriment des femmes ? Comment un événement biographique comme la perte du conjoint s’insère-t-il dans le processus du vieillissement ? Nous abordons ces questions à travers une pratique quotidienne qui se déroule largement dans l’espace domestique tout en étant un bon indicateur d’un style de vie conforme aux recommandations de santé et aux goûts dominants : la consommation quotidienne de légumes. Nous utilisons la cohorte épidémiologique Gazel de l’Inserm dont les 20 625 enquêtés sont suivis depuis 1989. Les hommes voient leur consommation de légumes décroitre plus que les femmes quand ils connaissent une rupture d’union. Leur consommation est aussi plus sensible à la position sociale de leur conjointe. La consommation de légumes des femmes ne diminue qu’après la rupture d’une union avec un homme de situation socioprofessionnelle modeste. Nous concluons que, dans notre population d’étude vieillissante, la conjugalité bénéficie aux deux conjoints, mais plus aux hommes qu’aux femmes. Cet article propose un apport méthodologique sur le traitement des non-réponses dans des données de cohorte, et théorique en discutant la possibilité d’une intersection entre genre, classe et statut conjugal dans la sphère domestique.

AIM To derive from a validated questionnaire a periodontal screening score (PESS), intended as a user-friendly tool to identify individuals at risk of periodontitis in epidemiological studies. METHODS A French 12-item self-reported questionnaire was developed by translating English questions previously used for periodontitis screening and surveillance. After a cognitive evaluation, the questionnaire was validated in a sample of 232 individuals (mean age: 46.1 ± 12.6 years) receiving full-mouth periodontal examination, including probing pocket depth and clinical attachment level recordings. Case definition was based on the American Academy of Periodontology/Centers for Disease Control and Prevention criteria. Logistic regression analyses and C-statistics were used to assess the validity and accuracy of the questionnaire and to develop the PESS. RESULTS The sample was constituted of 109 individuals with severe periodontitis, who were compared with 123 individuals with no/moderate periodontitis. The questionnaire had moderate-to-high accuracy in identifying severe cases; the PESS (calculated on five self-report items, age, and smoking) showed a sensitivity of 78.9% and a specificity of 74.8%, with an area under the receiver operating characteristics curve of 0.821. CONCLUSION The PESS represents a valuable and accurate tool to screen for severe periodontitis at the population level.

Hostility has been found to be positively associated with alcohol intake in cross-sectional studies. Our aim was to examine prospectively the long-lasting association of hostility with alcohol consumption.We included 10,612 men and 3834 women from the French Gazel cohort with mean ages in 1993 of 48.6 (SD=2.9) and 45.7(SD=4.2), respectively. Hostility (i.e., total, cognitive and behavioral) was assessed in 1993 with the Buss and Durkee Hostility Inventory. Alcohol consumption was self-reported annually from 1994 to 2014. Hostility scores were introduced successively in general linear mixed models with annual alcohol consumption in drinks per week as dependent variable. Multivariable analyses were adjusted for age, occupational status, marital status, retirement status and depression score. All the analyses were stratified by sex.Among men (women), 83.0% (76.2%) completed at least 75% of all annual assessment of alcohol consumption over a 21-year follow-up. In univariate analysis, alcohol consumption was associated with total and behavioral hostility in both sex (all p0.001). In multivariable analyses, these associations remained significant with a greater size effect for behavioral hostility. Estimated means of alcohol consumptions ranged from 10.50 [95CI%: 10.01-10.92] drinks per week to 13.32 [95%CI: 12.90-13.74] in men and from 4.09 [95%CI: 3.71-4.46] to 5.78 [95%CI: 5.39-6.17] in women, for the first and last quartiles respectively (p trends0.001 and all pairwise comparisons0.01). Similar effects were observed among participants with at-risk alcohol consumption at baseline.In both men and women, behavioral hostility predicted alcohol consumption over a 21-year follow-up. Interventions aiming at modulating behavioral hostility may help reducing its long-lasting influence on alcohol consumption.

Background The decline in participation rates in surveys, including epidemiological surveillance surveys, has become a real concern since it may increase nonresponse bias. The aim of this study is to estimate the contribution of a complementary survey among a subsample of nonrespondents, and the additional contribution of paradata in correcting for nonresponse bias in an occupational health surveillance survey. Methods In 2010, 10,000 workers were randomly selected and sent a postal questionnaire. Sociodemographic data were available for the whole sample. After data collection of the questionnaires, a complementary survey among a random subsample of 500 nonrespondents was performed using a questionnaire administered by an interviewer. Paradata were collected for the complete subsample of the complementary survey. Nonresponse bias in the initial sample and in the combined samples were assessed using variables from administrative databases available for the whole sample, not subject to differential measurement errors. Corrected prevalences by reweighting technique were estimated by first using the initial survey alone and then the initial and complementary surveys combined, under several assumptions regarding the missing data process. Results were compared by computing relative errors. Results The response rates of the initial and complementary surveys were 23.6% and 62.6%, respectively. For the initial and the combined surveys, the relative errors decreased after correction for nonresponse on sociodemographic variables. For the combined surveys without paradata, relative errors decreased compared with the initial survey. The contribution of the paradata was weak. Conclusion When a complex descriptive survey has a low response rate, a short complementary survey among nonrespondents with a protocol which aims to maximize the response rates, is useful. The contribution of sociodemographic variables in correcting for nonresponse bias is important whereas the additional contribution of paradata in correcting for nonresponse bias is questionable.

The aim of this study was to describe the change in vegetable consumption with ageing and the transition to retirement. Study subjects were the participants of the GAZEL prospective cohort (Gaz and Électricité de France) aged 40–49 years at inclusion in 1989 who retired between 1991 and 2008 (12 942 men and 2739 women). Four FFQ were completed from 1990 to 2009. We used multiple imputation by chained equations in order to avoid dropping incomplete cases. The OR for eating vegetables everyday was estimated as a function of ageing, retirement status and the place of lunch before retirement through generalised estimating equations. Analyses were stratified by sex, and models were adjusted for confounders, including current spousal status. In 1990, 17·7 % of men and 31 % of women reported eating vegetables daily. The odds of consuming vegetables everyday increased with ageing for both men and women. The usual place of lunch was home for less than half the sample before retirement and for almost every respondent after retirement. For those who changed their place of lunch, the association between being retired and the odds of eating vegetables daily was positive and significant. We found that, in this cohort, vegetable consumption increased with ageing. Retirement had an indirect effect on vegetable consumption mediated by changes in the place of lunch.

Background: Changes in life events may play a contributing role in changes in smoking behaviors. The objective was to examine the impact of stressful life events (SLEs) on smoking among French adults. Methods: We examined smoking prevalence in 20 625 employees of the French GAZEL cohort for up to 5 years before and after a SLE during three time periods (years −1 vs. −5; years +1 vs. −1; years +5 vs. +1). Repeated measures analysis of time series data indexed to events were used, employing generalized estimating equations. Results: For women, comparing 1 year after vs. 1 year before SLEs, decreased odds of smoking were found for employment promotion (OR: 0.80; 95% CI = 0.67–0.95), marriage (OR: 0.57; 95% CI = 0.48–0.68) and divorce (OR: 0.78; 95% CI = 0.68–0.90). Comparing 5 years after to 1 year after SLEs, women had decreased odds of smoking for important purchase (OR: 0.87; 95% CI = 0.79–0.96), children leaving home (OR: 0.83; 95% CI = 0.74–0.93), retirement (OR: 0.73; 95% CI = 0.64–0.83) and death of loved one (OR: 0.86; 95% CI = 0.79–0.93). For men, decreased odds of smoking were observed in all three time periods for all SLEs except when comparing 1 year before to 5 years before marriage (OR: 1.66; 95% CI = 1.09–2.52) and divorce (OR: 1.49; 95% CI = 1.25–1.77). Conclusion: Time surrounding SLEs during which individuals are susceptible to changing smoking behaviors may be an important consideration.

Contexte En sante comme dans d’autres domaines, les taux de reponse aux enquetes diminuent de plus en plus. La non-reponse est souvent problematique car elle peut entrainer des biais ; elle a egalement des consequences deleteres sur la variance des estimateurs. L’etude des biais de non-reponse n’est pas nouvelle en epidemiologie : plusieurs etudes ont deja montre que la participation a une enquete epidemiologique est liee a l’âge, a la categorie sociale, a l’etat de sante de la personne et aux comportements a risque pour la sante tels que la consommation d’alcool et de tabac. Nous nous placons ici dans le cadre d’enquetes de sante publique ou de surveillance epidemiologique ayant pour objectif de produire des estimations de prevalence extrapolables a une population d’interet. On distingue la non-reponse totale qui survient lorsque la personne enquetee ne repond a aucune question de l’enquete a de la non-reponse partielle, appelee plus communement donnee manquante, qui est rencontree si la personne enquetee repond a certaines questions de l’enquete, mais pas a toutes. Le biais de non-reponse depend de la variable d’interet, puisqu’il est fonction du produit de l’inverse de la probabilite de reponse moyenne et de la covariance entre la probabilite de reponse et la variable d’interet. Autrement dit, il y aura absence de biais si la probabilite de reponse est egale a 1 (tout le monde repond), ou si la covariance entre la probabilite de reponse et la variable d’interet est nulle. Les non-reponses peuvent etre classees selon trois types : non-reponse completement aleatoire (Missing Completely At Random ou MCAR), non-reponse aleatoire (Missing At Random ou MAR), non-reponse non aleatoire (Missing Not At Random ou MNAR). Dans le cas MCAR, il y a independance entre la probabilite de reponse et la variable d’interet. La prevalence estimee de la variable d’interet est sans biais. Dans le cas MAR, il y a independance entre la probabilite de reponse et la variable d’interet conditionnellement a d’autres variables notees X. Autrement dit, la probabilite de reponse et la variable d’interet partagent des causes communes X. Apres prise en compte de ces causes communes par des methodes appropriees, la prevalence estimee de la variable d’interet est sans biais. Quelle que soit la technique utilisee, la correction est possible a condition que l’ensemble des causes communes X soient disponibles pour l’ensemble des repondants et des non-repondants. Dans le cas MNAR, il n’y a pas independance entre la probabilite de reponse et la variable d’interet. Elle peut resulter soit d’un lien direct entre la variable d’interet et la probabilite de reponse, soit lorsqu’il n’a pas ete possible de prendre en compte l’ensemble des causes communes X. Dans ce cas, la prevalence estimee de la variable d’interet ne peut etre sans biais. Les methodes qui permettent de prendre en compte les causes communes X dans le cas MAR seront presentees : la reponderation (preferentiellement utilisee pour traiter la non-reponse totale) et l’imputation (preferentiellement utilisee pour traiter les donnees manquantes). Correction de la non-reponse totale par reponderation : l’exemple de la phase pilote de la cohorte Coset-RSI La non reponse totale traitee par reponderation est presentee ici et sera illustree a partir des donnees de la phase pilote de la cohorte Coset-RSI, cohorte pour la surveillance epidemiologique en lien avec le travail aupres d’actifs relevant du regime social des independants au moment de l’inclusion. La reponderation pour correction de la non-reponse consiste a augmenter les poids de sondage des repondants afin de compenser l’absence de reponse des non-repondants. La premiere etape est d’expliquer le mecanisme de non-reponse en le modelisant a partir des informations qui sont disponibles a la fois pour les repondants et pour les non-repondants. Cela suppose d’avoir de telles informations, dites variables auxiliaires, qui, par definition, ne sont pas issues du questionnaire. Parmi les variables auxiliaires disponibles, on selectionne les variables qui expliquent la non-reponse et qui sont liees aux variables d’interet evaluees par le questionnaire. La cohorte Coset-RSI a la particularite de disposer de nombreuses variables auxiliaires. En effet, outre les donnees de la base de sondage qui sont classiquement utilisees, les donnees de l’assurance maladie (SNIIRAM) sont renseignees pour tous les individus selectionnes pour etre enquetes. Pour etre utilisees, les donnees du SNIIRAM sont synthetisees sous la forme d’indicateurs disponibles a la fois pour les repondants et les non-repondants. La non-reponse est ensuite modelisee selon ces indicateurs via une regression logistique, qui permet d’obtenir pour chaque individu une probabilite de reponse predite. La deuxieme etape est la constitution de groupes de reponse homogene. Pour les constituer, la methode des scores est utilisee : les groupes correspondent aux quantiles de la distribution des probabilites de reponse predites. Dans chaque groupe ainsi constitue, on calcule ensuite le taux de reponse observe. L’inverse de ce taux de reponse est applique a tous les repondants du groupe, en multipliant leur poids de sondage initial par ce facteur correctif. Chaque etape de la methode de reponderation sera illustree a partir des donnees de la phase pilote de la cohorte Coset-RSI. L’impact de la correction de la non-reponse sera observe sur des prevalences mesurees dans l’enquete telles que le tabagisme, l’obesite ou la symptomatologie depressive. Traitement de la non-reponse partielle par imputation : l’exemple de la cohorte Constances La non-reponse partielle traitee par imputation est presentee ici et sera illustree a partir des donnees d’inclusion de la cohorte Constances, cohorte epidemiologique « generaliste » constituee a terme d’un echantillon de 200 000 adultes âges de 18 a 69 ans a l’inclusion et affilies au regime general de la securite sociale. L’imputation consiste a remplacer les valeurs manquantes par des valeurs plausibles. Les methodes d’imputation reposent sur les memes hypotheses que les methodes de ponderation, a savoir que les donnees sont manquantes au hasard, c’est-a-dire manquantes aleatoirement conditionnellement aux donnees observees. Les methodes d’imputation sont nombreuses : on distingue les methodes deterministes des methodes probabilistes et les imputations simples des imputations multiples. Nous presenterons deux methodes d’imputation qui peuvent etre utilisees si l’objectif est d’estimer la prevalence d’une variable d’interet et que toutes les variables auxiliaires sont non manquantes. La methode « hot deck par donneur » consiste a remplacer les valeurs manquantes d’un sujet « receveur » par celle d’un sujet « donneur » ne presentant pas de donnee manquante et ayant les memes caracteristiques (e.g. les memes variables auxiliaires) que celles du sujet « receveur ». L’imputation par modele de regression consiste a remplacer la valeur manquante d’un sujet par sa prediction issue d’un modele de regression expliquant la variable d’interet par les variables auxiliaires. Les prevalences sur donnees completes et sur donnees imputees seront comparees pour la symptomatologie depressive (mesuree par le CESD) et pour le questionnaire de Siegrist.