Suchergebnisse

Cet article présente une méthode générale pour estimer l'espérance de vie des individus redressée en fonction des variations de l'état de santé; cette méthode peut être désignée comme le modèle de santé de la population POHEM. Nous abordons des notions comme « l'espérance de vie sans incapacité » et examinons la méthodologie des tables de survie, sur laquelle reposent les indices de ce genre. La méthode de microsimulation POHEM permet de contourner les difficultés liées à ces indices et aux méthodes par lesquelles ils sont calculés. Nous présentons des résultats expérimentaux tirés de POHEM et faisons valoir que cette méthode n'est pas extrêmement complexe. Beaucoup de pays pourraient s'en servir pour calculer, à partir de données déjà connues, des indices d'espérance de vie redressée en fonction de l'état de santé. En outre, POHEM présente les caractéristiques nécessaires pour intégrer toute une série de données sur la santé et produire un groupe d'indices de santé majeurs.

International audience ; Background Contemporary bioscience sometimes demands vast sample sizes and there is often then no choice but to synthesise data across several studies and to undertake an appropriate pooled analysis. This same need is also faced in health-services and socio-economic research. When a pooled analysis is required, analytic efficiency and flexibility are often best served by combining the individual-level data from all sources and analysing them as a single large data set. But ethico-legal constraints, including the wording of consent forms and privacy legislation, often prohibit or discourage the sharing of individual-level data, particularly across national or other jurisdictional boundaries. This leads to a fundamental conflict in competing public goods: individual-level analysis is desirable from a scientific perspective, but is prevented by ethico-legal considerations that are entirely valid. Methods DataSHIELD (Data Aggregation Through Anonymous Summary-statistics from Harmonized Individual-levEL Databases), provides a simple approach to analysing pooled data that circumvents this conflict. This is achieved via parallelized analysis and modern distributed computing and, in one key setting, takes advantage of the properties of the updating algorithm for generalized linear models (GLMs). Results The conceptual use of DataSHIELD is illustrated in two different settings. Conclusions As the study of the aetiological architecture of chronic diseases advances to encompass more complex causal pathways - e.g. to include the joint effects of genes, life-style and environment - sample size requirements will increase further and the analysis of pooled individual-level data will become ever more important. An aim of this conceptual paper is to encourage others to address the challenges and opportunities that DataSHIELD presents, and to explore potential extensions, for example to its use when different data sources hold different data on the same individuals.