Influence des modèles d’apprentissage automatique sur la prédiction des particules ultrafines ambiantes et son association avec la mortalité

La pollution atmosphérique demeure un enjeu majeur de santé publique. Si les particules fines (PM2,5) ont été largement étudiées, les particules ultrafines (PUF, ≤ 100 nm) suscitent des préoccupations croissantes en raison de leur toxicité potentiellement accrue, mais leur surveillance environnementale demeure très limitée et leurs effets sanitaires à long terme peu documentés. Leur grande variabilité spatiotemporelle complique la modélisation de leurs concentrations, nécessaires aux études épidémiologiques. Dans ce contexte, cette thèse visait à évaluer le potentiel des méthodes d’apprentissage automatique à améliorer l’estimation de l’exposition chronique aux concentrations ambiantes de PUF, et examiner leur association avec la mortalité. Le premier article présentait une revue systématique des études comparant les performances des méthodes statistiques et d’apprentissage automatique pour modéliser des polluants hétérogènes comme les PUF, le dioxyde d’azote (NO2) et le carbone noir (BC). Les différences de performance entre types de méthodes ont été extraites, agrégées et comparées globalement et par regroupements de caractéristiques méthodologiques. Les résultats montrent un avantage net de l’apprentissage automatique pour le NO2 et le BC, mais aucune supériorité claire pour les PUF, notamment en raison du nombre limité d’études disponibles. La revue souligne également la sous-utilisation des méthodes statistiques non linéaires et le faible nombre d’approches comparées dans la plupart des études, d’où la nécessité d’évaluations plus approfondies et systématiques pour la modélisation des PUF. Le second article développe et compare, à partir de données d’une campagne d’échantillonnage mobile à Québec, plusieurs modèles statistiques et d’apprentissage automatique des concentrations quotidiennes et annuelles de PUF. Les modèles d’apprentissage automatique, notamment ceux à base d’arbres de régression, ont surpassé les approches statistiques. Le modèle Extreme Gradient Boosting (XGBoost) a obtenu la meilleure performance (R² ≈ 0,86), supérieure à celles rapportées dans la littérature, tandis que les modèles statistiques non linéaires présentaient des résultats intermédiaires entre les approches linéaires et d’apprentissage automatique. Enfin, le troisième article évalue, au sein d’une cohorte rétrospective d’adultes de la ville de Québec (2000 à 2017), les associations entre l’exposition chronique aux PUF et la mortalité toutes causes et par cardiopathie ischémique. L’exposition a été estimée aux codes postaux à partir des surfaces des concentrations annuelles de PUF développées dans l’article précédent. Les analyses de Cox, ajustées pour divers facteurs sociodémographiques et pour la co-exposition au PM2,5 et au NO2, ont révélé des associations positives et non linéaires entre l’exposition aux PUF et la mortalité, dont les courbes de fonctions de réponse variaient selon le modèle d’exposition utilisé. En somme, cette thèse démontre que l’apprentissage automatique, et en particulier les algorithmes basés sur les arbres de régression, améliore significativement la modélisation de l’exposition aux PUF, renforçant la robustesse des analyses épidémiologiques. Elle met également en évidence l’importance de poursuivre les travaux pour mieux comprendre les effets de santé associés aux PUF, et renforce la pertinence d’intégrer les PUF dans les réseaux de surveillance de la qualité de l’air.

Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.