Doctorant F/H Transportabilité de sources de données hétérogènes en épidémiologie environnementale et sociale

Le centre Inria de l'Université de Rennes est l'un des huit centres d’Inria et compte plus d'une trentaine d’équipes de recherche. Le centre Inria est un acteur majeur et reconnu dans le domaine des sciences numériques. Il est au cœur d'un riche écosystème de R&D et d’innovation : PME fortement innovantes, grands groupes industriels, pôles de compétitivité, acteurs de la recherche et de l’enseignement supérieur, laboratoires d'excellence, institut de recherche technologique.

Problématique. Mieux caractériser les eets des expositions environnementales et sociales sur la santé humaine, ainsi que comprendre les mécanismes sous-jacents, est essentiel pour améliorer la santé des populations. Idéalement,
cela nécessite de disposer d'un large éventail de données combinant informations biologiques, sanitaires, sociales et environnementales, mesurées de manière longitudinale et, si possible, tout au long de la vie. Or, de tels jeux de données sont rares et limités. En France, des études épidémiologiques s'appuient sur de vastes bases de données de santé telles que le Système National des Données de Santé (SNDS) ou sur des cohortes de naissance comme
ELFE pour analyser les impacts des déterminants sociaux et environnementaux sur la santé. Cependant, dans un contexte d'augmentation des feux de forêt, les approches actuelles nécessitent plusieurs années avant de disposer
des données adéquates pour quantier leurs eets sanitaires. Parallèlement, les cohortes suivies tout au long de la vie sont essentielles pour comprendre les mécanismes à long terme conduisant aux maladies chroniques et aux
inégalités associées. Alors que de telles cohortes existent depuis plusieurs décennies dans d'autres pays, comme au Royaume-Uni, elles sont plus récentes en France, ce qui retarde l'identication de trajectoires de vie liées à la santé. Ainsi, les approches actuelles reposent sur des sources de données indépendantes, limitant la possibilité d'analyser des populations larges et diversiées, de tirer parti de la richesse de sources hétérogènes, d'explorer des dangers émergents, dont l'occurrence était jusqu'ici rares en France, et de disposer d'un suivi susamment long pour caractériser la santé à l'âge adulte.
Objectifs. L'hétérogénéité des bases de données en santé et en environnement constitue un dé majeur. Ce travail de thèse vise à proposer de méthodes pour estimer l'eet d'expositions émergentes. Plutôt que d'attendre plusieurs années que les données de santé deviennent disponibles et que de tels événements soient observés dans les bases françaises, nous proposons de transporter ou transférer les estimations d'eet issues d'autres contextes, comme la Californie ou le Royaume-Uni, où ces liens sont bien documentés, tout en tenant compte de l'hétérogénéité des populations.
Projet
Dans les études de cohortes observationnelles, le biais de confusion constitue un enjeu majeur pour l'identication d'eets causaux. L'analyse causale vise à déterminer si la diérence observée entre individus  exposés  et  non
exposés  peut être attribuée à l'exposition, tandis que l'analyse de transportabilité vise à transférer les eets d'un échantillon d'étude vers une population cible externe en ajustant les diérences de distributions des modicateurs
d'eet. Plusieurs cadres existent pour estimer des quantités causales, reposant sur des modèles de variables cibles, des modèles d'exposition ou les deux [4]. Les méthodes combinant ces approches, telles que le Targeted Maximum
Likelihood Estimation (TMLE) [3], sont dites doublement robustes et fournissent des estimations consistantes même si l'un des deux modèles est mal spécié. Des travaux antérieurs ont montré comment le Transport Optimal peut relever ces dés et aligner groupes traités et non traités via du matching [2, 1]. Toutefois, le Transport Optimal n'a pas encore été pleinement intégré dans un cadre doublement robuste comme TMLE, ni adapté à la transportabilité à travers des bases hétérogènes. Ce projet propose donc d'étendre le Transport Optimal dans un cadre TMLE pour permettre une
inférence causale robuste et transportable entre contextes hétérogènes.

References
[1] A. Charpentier, E. Flachaire, and Ewen Gallic. Optimal transport for counterfactual estimation: A method for causal inference. In Optimal Transport Statistics for Economics and Related Topics, pages 4589. Springer, 2023.
[2] P. R. Rosenbaum. Optimal matching for observational studies. Journal of the American Statistical Association, 84(408):10241032, 1989.
[3] K. E. Rudolph and M. J. Laan. Robust estimation of encouragement design intervention eects transported across sites. Journal of the Royal Statistical Society Series B: Statistical Methodology, 79(5):15091525, 2017.
[4] D. Westreich, J. K Edwards, C. R. Lesko, E. Stuart, and S. R. Cole. Transportability of trial results using inverse odds of sampling weights. American journal of epidemiology, 186(8):10101014, 2017.

Missions :
Avec l'aide de ****, la personne recrutée sera amenée à ****.

Pour une meilleure connaissance du sujet de recherche proposé :
Un état de l'art, une bibliographie, des références scientifiques sont disponibles à l'URL suivante, n'hésitez à pas à vous y connecter : (merci de préciser ici le lien vers votre site d'équipe ou tout autre document que vous souhaitez porter à la connaissance du candidat).

Collaboration :
La personne recrutée sera en lien avec **** qui **** pour ****.

Responsabilités :
La personne recrutée a la charge de **** et prendra des initiatives pour ****.

Pilotage/Management :
La personne recrutée aura la responsabilité de ****.

Principales activés (5 maximum) :

Activités complémentaires (3 maximum) :

Exemples d'activités :

• Analyser les besoins des {partenaires, clients, usagers}
• Proposer des solutions **** pour ****
• Développer des programmes/ des applications/ des interfaces de ****, ****
• Concevoir des plateformes expérimentales ****
• Rédiger la documentation
• Rédiger les rapports
• Rédiger ****
• Tester, modifier jusqu’à valider
• Diffuser le(s) **** vers **** via ****
• Former à l’utilisation les principaux clients du service
• Animer une communauté d’utilisateurs
• Présenter l’avancée des travaux aux partenaires, **** devant un public de financiers ****
• Autre ****

• Statistique
• Compétences en R et Python

• Restauration subventionnée
• Transports publics remboursés partiellement
• Congés: 7 semaines de congés annuels + 10 jours de RTT (base temps plein) + possibilité d'autorisations d'absence exceptionnelle (ex : enfants malades, déménagement)
• Possibilité de télétravail (après 6 mois d'ancienneté) et aménagement du temps de travail
• Équipements professionnels à disposition (visioconférence, prêts de matériels informatiques, etc.)
• Prestations sociales, culturelles et sportives (Association de gestion des œuvres sociales d'Inria)
• Accès à la formation professionnelle

2300€ brut/mois