Apports de la statistique bayésienne pour l'estimation du risque de cancer radio-induit après exposition aux examens scanner durant l'enfance

Anais Foucault (1) , Marie-Odile Bernier (1) , Sophie Ancelet (1)

1 IRSN/PSE-SANTE/SESANE/LEPID - Laboratoire d épidémiologie des rayonnements ionisants

Background: Computed tomography (CT) has been used increasingly over the last decades. However, concerns have been raised about potentially radiation-related cancer risks, particularly after exposure to CT in childhood, due to the greater radiation sensitivity of children. Several CT cohort studies aim at understanding the relationship between CT organ dose and cancer incidence. However, several sources of uncertainty exist but have sparsely been accounted for in risk estimates. This may lead to biased risk estimates and misleading conclusions. In this work, the aim is to study the impact of CT organ dose uncertainties on the risk of central nervous system (CNS) tumors and leukemia in the French CT cohort. Methods: The French CT cohort includes almost 100,000 children who received at least one CT between 2000 and 2011 in one of the 21 participating university hospitals. Patients were followed until the first diagnosis of cancer, the death, the 18th birthday or the 31st December 2016. Examinations and radiological protocols were retrieved to estimate cumulative absorbed doses to the brain and the red bone marrow (RBM) with NCICT 1.2. Sensitivity analysis indices were computed to identify the most influential input parameters in the estimation of organ doses. Bayesian hierarchical models were proposed and compared to simultaneously account for several sources of dose uncertainty, coming from CT acquisition parameters and patient’s morphology, when estimating the risk of childhood cancer following CT scans. Cox and excess hazard ratio survival models were considered as two alternative dose-response models. The submodels were combined into a unique framework and fitted simultaneously using a Bayesian learning algorithm to estimate cancer risks. A transfer learning approach was also implemented to quantify dose uncertainties from an external sample of PACS data (Picture archiving and communication system). Informative prior distributions were assigned to unknown model parameters to provide more accurate risk estimates, in a poorly informed context. The Bayesian inference of each probabilistic model proposed in this work was performed using a Hamiltonian Monte Carlo algorithm implemented in the R package RStan. The LOOIC (Leave-One-Out Cross-Validation Information Criterion) allowed for model comparison. Results and discussion: When not accounting for dosimetric uncertainties, no evidence of association showed statistically significant dose-response relationships for CNS tumors and leukemia. However, accounting for parameters and dose uncertainties change estimates and we observed statistically significant dose-response relationships for leukemia. Results were robust to the errors modeling choices.

Ces dernières décennies, une multiplication des examens diagnostiques utilisant les rayonnements ionisants (RIs), comme les examens scanners, a été observée. Cependant, les effets sanitaires à long terme de ces expositions radiologiques sont peu connus. La cohorte Enfant Scanner a ainsi été mise en place en 2009 à l'IRSN afin d'étudier les risques de cancers après l'exposition aux scanners pendant l'enfance. Elle inclut environ 100 000 enfants. Des doses individuelles de RIs attribuables à chaque examen scanner ont été estimées au niveau de la moelle osseuse et du cerveau à partir de protocoles radiologiques et du logiciel NCICT 1.2 développé par le National Cancer Institute/National Institute of Health pour le calcul de dose en scanographie. Dans ce contexte, l'objectif est double : 1) pouvoir mettre en évidence, si elle existe, une association entre l'incidence de cancers (i.e., tumeurs du système nerveux central, leucémie) et la dose à l'organe reçue après la réalisation d'un ou de plusieurs examens scanners pendant l'enfance; 2) estimer le plus finement possible le niveau d'association dose-réponse ainsi que l'incertitude associée, et ce, à partir des données de la cohorte Enfant Scanner. L'atteinte de ce double objectif pose plusieurs difficultés. Tout d'abord, s'il existe réellement, le risque radio-induit recherché est faible, rendant plus difficile tout test d'hypothèses ou toute sélection de modèles visant à le mettre en évidence. Par ailleurs, les variables réponses d'intérêt (i.e., âge au diagnostic du cancer) sont très fortement censurées à droite. Enfin, les paramètres d'entrée du modèle déterministe implémenté dans NCICT 1.2 sont incertains, rendant le calcul de la dose à l'organe lui-même incertain. Une non prise en compte de ces incertitudes peut mener à des estimateurs de risque biaisés, à une déformation des relations dose-réponse estimées ainsi qu'à une sous-estimation de l'incertitude associée aux estimations de risque. Nous présenterons tout d'abord les différents modèles hiérarchiques que nous proposons, basés sur des modèles de survie avec covariables dépendantes du temps, pour décrire l'association potentielle entre l'âge observé au diagnostic du cancer, le coefficient de risque sanitaire d'intérêt et la dose à l'organe, en tenant compte explicitement des incertitudes inhérentes au calcul de la dose. Nous mettrons en évidence les avantages à l'utilisation de l'approche statistique bayésienne pour mener l'apprentissage des différents modèles proposés-de grande dimension-à partir des données de la cohorte Enfant Scanner. Nous insisterons plus particulièrement sur la possibilité de faire de l'apprentissage par transfert, indispensable dans notre cas, pour quantifier les incertitudes de dose à partir d'un échantillon de données externes. Nous proposerons un retour d'expériences quant à l'utilisation du package RStan pour mener l'apprentissage bayésien des modèles hiérarchiques proposés via un algorithme de type Monte-Carlo hamiltonien. Enfin, en partant des résultats obtenus sur données réelles, nous discuterons des avantages et des limites à l’utilisation du LOOIC (Leave-One-Out Cross-Validation Information Criterion) pour comparer les capacités prédictives des différents modèles hiérarchiques proposés en insistant plus particulièrement sur la problématique de sélection de modèles précédemment évoquée.

Mots clés: Statistical learning; Biostatistics; genomics; health; Survival data; censored data; Applied statistics; Bayesian statistics.

Mots clés: Apprentissage statistique; Biostatistique; génomique; santé; Données de survie; données censurées; Statistique appliquée; Statistique bayésienne

Domaines: Statistiques [stat]

Anais Foucault, Marie-Odile Bernier, Sophie Ancelet. Apports de la statistique bayésienne pour l'estimation du risque de cancer radio-induit après exposition aux examens scanner durant l'enfance. 54eme journées de statistique de la SFDS, Société Française de Statistique (SFdS), Jul 2023, Bruxelles (Belgique), Belgique. ⟨irsn-04072203⟩