Exposition aux risques alimentaires et processus stochastiques : Le cas des contaminants chimiques

Clémençon, Stéphan; Tressou, Jessica

Journal de la société française de statistique, Tome 150 (2009) no. 1, pp. 3-29.

A l’instar d’autres domaines tels que la sécurité nucléaire, la finance ou l’assurance pour lesquels l’analyse des risques est un enjeu essentiel, la sécurité alimentaire est aujourd’hui un champ d’application naturel des outils de la modélisation probabiliste et des méthodes statistiques. La première partie de cet article décrit ainsi les premiers travaux, conduits principalement au sein de l’unité « Méthodologies d’analyse de risque alimentaire » de l’INRA, visant à formuler en termes mathématiques les approches statiques utilisées au niveau international pour l’analyse des risques alimentaires, domaine où le recours à la modélisation est relativement récent. L’exposition au risque alimentaire chimique y est décrite par une variable aléatoire, représentant la dose de contaminant ingérée par un individu représentatif d’une population donnée au cours d’un repas, d’une journée ou d’une semaine. L’analyse statistique du risque afférent à ce type de contamination consiste alors à inférer la distribution de cette variable aléatoire, ou certaines de ses caractéristiques telles que sa queue, décrivant la probabilité d’occurrence d’événements particulièrement dangereux. Pour certains contaminants, dits "à cinétique longue", l’effet d’accumulation au sein de l’organisme résultant des prises alimentaires successives, conduit à introduire le temps comme paramètre descriptif essentiel du phénomène d’exposition, lequel est alors décrit non plus par une variable aléatoire, mais par un processus stochastique. Nous présentons ici un modèle markovien parcimonieux permettant de décrire le processus d’exposition au risque de contamination au méthyle-mercure par voie alimentaire, évoluant par sauts au moment des prises alimentaires et de façon déterministe entre les prises selon la pharmaco-cinétique propre au contaminant, et d’évaluer les risques toxicologiques afférents au moyen de procédures statistiques adaptées, fondées sur les données disponibles en pratique. Nous nous attacherons à expliquer pourquoi la dimension temporelle de ce type de modèle nous oblige à revisiter le problème de la construction d’indicateurs de risque pertinents. En particulier, la description du comportement extrêmal de l’exposition fait appel à des concepts tout à fait spécifiques aux séries temporelles.

Similarly to other domains such as nuclear safety, finance or insurance for which risk analysis is crucial, food safety is now a natural application field for probabilistic tools and statistical methods. The first part of the article is devoted to the description of early works, mainly conducted at INRA-Met@risk Methodologies for food risk analysis, aiming at a mathematical formulation of static approaches used at the international level for food risk analyses. Food chemical exposure is described as a random variable representing the contaminant intake of an individual from a given population over a meal, a day or a week. The statistical analysis of the associated risk consists of inferring on the distribution of this random variable, with special interest on the tail of the distribution where the most hazardous situations occur. For contaminants with slow kinetics, successive intakes result in an accumulation so that the integration of time as a parameter of the exposure phenomenon becomes crucial. The random variable is then replaced with a stochastic process. A parsimonious markovian model describing the exposure process is introduced. In this modeling, the temporal evolution of the contamination exposure is entirely determined by the accumulation phenomenon due to successive dietary intakes and the pharmacokinetics governing the elimination process in between intakes. Statistical techniques adapted to the available data and the dynamic model are described. We also explain why the introduction of a time dimension requires the construction of relevant risk indicators relying mainly on the analysis of the extremal behavior of the process.

[1] Asmussen, S. Applied Probability and Queues, Springer-Verlag, New York, 2003 | MR | Zbl

[2] Allais, O.; Tressou, J. Using decomposed household food acquisitions as inputs of a Kinetic Dietary Exposure Model, Statistical Modelling : an International Journal (2009) (à paraître, http://hal.archives-ouvertes.fr/hal-00139914 ) | MR | Zbl

[3] Bertail, P.; Clémençon, S.; Tressou, J. A storage model for modelling exposure to food contaminants., Mathematical Biosciences and Engineering, Volume 5 (2008) no. 1, pp. 35-60 | MR | Zbl

[4] Bertail, P.; Clémençon, S.; Tressou, J. Extreme values statistics for Markov chains via the (pseudo-) regenerative method., Extremes (2008) (à paraître, http://hal.archives-ouvertes.fr/hal-00165652 ) | MR | Zbl

[5] Bertail, P.; Clémençon, S.; Tressou, J. Statistical Analysis of a Dynamic Model for Food Contaminant Exposure with Applications to Dietary Methylmercury Contamination, 2008 (en révision, http://hal.archives-ouvertes.fr/hal-00308881 ) | MR | Zbl

[6] Beirlant, J.; Dierckx, G.; Goegebeur, Y.; Matthys, G. Tail index estimation and an exponential regression model, Extremes, Volume 2 (1999) no. 2, pp. 177-200 | MR | Zbl

[7] Bertail, P.; Feinberg, M.; Tressou, J.; (Coordinateurs), P. Verger Analyse des Risques Alimentaires, TEC&DOC, Lavoisier, Paris, 2006

[8] Barlow, S. M.; Greig, J. B.; Bridges, J. W.; Carere, A.; Carpy, A. J. M.; Galli, C. L.; Kleiner, J.; Knudsen, I.; Koëter, H. B. W. M.; Levy, L. S.; Madsen, C.; Mayer, S.; Narbonne, J. F.; Pfannkuch, F.; Prodanchuk, M. G.; Smith, M. R.; Steinberg, P. Hazard identification by methods of animal-based toxicology, Food Chem. Tox., Volume 40 (2002), pp. 145-191

[9] Barbe, P.; McCormick, W. P. Asymptotic Expansions for Infinite Weighted Convolutions of Heavy Tail Distributions and Applications, Memoirs of the American Mathematical Society, American Mathematical Society, 2009 | MR | Zbl

[10] Bougerol, P.; Picard, N. Strict Stationarity of Generalized Autoregressive Processes, Ann. Probab., Volume 20 (1992) no. 4, pp. 1714-1730 | MR | Zbl

[11] Bertail, P.; Tressou, J. Incomplete generalized U-Statistics for food risk assessment, Biometrics, Volume 62 (2006) no. 1, pp. 66-74 | MR | Zbl

[12] CREDOC-AFSSA-DGAL Enquête INCA (individuelle et nationale sur les consommations alimentaires), Lavoisier, Paris, 1999 (coordinateur : J.L. Volatier)

[13] Cérou, F.; DelMoral, P.; LeGland, F.; Lezaud, P. Genetic Genealogical Models in Rare Event Analysis, Alea, Volume 1 (2006), pp. 183-196 | MR | Zbl

[14] Cérou, F.; Guyader, A. Adaptative splitting for rare event analysis, Stoch. Anal. Proc., Volume 25 (2007) no. 2, pp. 417-443 | MR | Zbl

[15] Clayton, D.; Hills, M. Statistical Models in Epidemiology, Oxford Univ. Press, 1993

[16] Crépet, A.; Harari-Kermadec, H.; Tressou, J. Using empirical likelihood to combine data : application to food risk assessment, Biometrics, Volume 65 (2009) no. 1 (à paraître) | DOI | MR | Zbl

[17] Crépet, A.; Tressou, J.; Verger, P.; Leblanc, J. C. Management options to reduce exposure to methyl mercury through the consumption of fish and fishery products by the French population, Regul. Tox. Pharm., Volume 42 (2005) no. 2, pp. 179-189

[18] Davis, M.H.A. Applied Stochastic Analysis, Stochastics Monographs, Taylor & Francis, 1991 | Zbl

[19] Daudin, J. J.; Duby, C. Techniques mathématiques pour l’industrie agroalimentaire, Paris, 2002 | Zbl

[20] Dybing, E.; Doe, J.; Groten, J.; Kleiner, J.; O’Brien, J.; Renwick, A. G.; Schlatter, J.; Steinberg, P.; Tritscher, A.; Walker, R.; Younes, M. Hazard characterisation of chemicals in food and diet : dose response, mechanisms and extrapolation issues, Food Chem. Tox., Volume 40 (2002), pp. 237-282

[21] de Haan, L.; Peng, L. Comparison of tail index estimators, Statist. Neerlandica, Volume 52 (1998), pp. 60-70 | MR | Zbl

[22] Deaton, A. S.; Muellbauer, J. An Almost Ideal Demand System, American Economic Review, Volume 70 (1980) no. 3, pp. 323-326

[23] Davidson, P.W.; Myers, G.; Cox, C; Shamlaye, C. F.; Clarkson, T.; Marsh, D.O.; Tanner, M.A.; Berlin, M.; Sloane-Reves, J.; Cernichiari, E.; Choisy, O.; Choi, A.; Clarkson, T. W. Longitudinal neurodevelopmental study of Seychellois children following in utero exposure to MeHg from maternal fish ingestion : Outcomes at 19-29 months, Neurotoxicology, Volume 16 (1995), pp. 677-688

[24] Embrechts, P.; Klüppelberg, C.; Mikosch, T. Modelling Extremal Events for Insurance and Finance, Applications of Mathematics, Springer-Verlag, 1997 | MR | Zbl

[25] Edler, L.; Poirier, K.; Dourson, M.; Kleiner, J.; Mileson, B.; Nordmann, H.; Renwick, A.; Slob, W.; Walton, K.; Würtzen, G. Mathematical modelling and quantitative methods, Food Chem. Tox., Volume 40 (2002), pp. 283-326

[26] Efron, B.; Tibshirani, R. J. An Introduction to the Bootstrap, Monographs on Statistics and Applied Probability, Chapman & Hall, 2004 | MR | Zbl

[27] FAO/WHO Evaluation of certain food additives and contaminants for methylmercury (2003) (Sixty first report of the Joint FAO/WHO Expert Committee on Food Additives, Technical Report Series)

[28] FAO/WHO Application of risk analysis to food standard issues (1995) (Technical report 13-17 march 1995)

[29] Feuerverger, A.; Hall, P. Estimating a tail exponent by modelling departure from a Pareto Distribution, Ann. Statist., Volume 27 (1999), pp. 760-781 | MR | Zbl

[30] Glasserman, P.; Heidelberger, P.; Shahabuddin, P.; Zajic, T. Multilevel splitting for estimating rare event probabilities, Oper. Research, Volume 47 (1999) no. 4, pp. 585-600 | MR | Zbl

[31] Gibaldi, M.; Perrier, D. Pharmacokinetics, Drugs and the Pharmaceutical Sciences : a Series of Textbooks and Monographs, Marcel Dekker, New York, 1982 (Second Edition)

[32] Grandjean, P.; Weihe, P.; White, R.; Debes, F.; Araki, S.; Yokoyama, K.; Murata, K; Sorensen, N.; Dahl, R.; Jorgensen, P. Cognitive deficit in 7-year-old children with prenatal exposure to methylmercury, Neurotox. Teratol., Volume 19 (1997), pp. 417-428

[33] Hill, B. M. A simple general approach to inference about the tail of a distribution, Ann. Statist., Volume 3 (1975), pp. 1163-1174 | MR | Zbl

[34] IFREMER Résultat du réseau national d’observation de la qualité du milieu marin pour les mollusques (RNO), 1994-1998

[35] Kroes, R.; Müller, D.; Lambe, J.; Lowik, M. R. H.; van Klaveren, J.; Kleiner, J.; Massey, R.; Mayer, S.; Urieta, I.; Verger, P.; Visconti, A. Assessment of intake from the diet, Food Chem. Tox., Volume 40 (2002), pp. 327-385

[36] Lagnoux-Renaudie, A. Analyse des modèles de branchement avec duplication des trajectoires pour l’étude des événements rares, Univ. Paul Sabatier, Toulouse III. (2006) (Ph. D. Thesis http://tel.archives-ouvertes.fr/tel-00129752 )

[37] Lee, A. J. U-Statistics : Theory and Practice, Statistics : textbooks and monographs, 110, Marcel Dekker, Inc, New York, USA, 1990 | MR | Zbl

[38] MAAPAR Résultats des plans de surveillance pour les produits de la mer, Ministère de l’Agriculture, de l’Alimentation, de la Pêche et des Affaires Rurales, 1998-2002

[39] Moral, P. Del Feynman-Kac Formulae : Genealogical and Interacting Particle Systems With Applications, Probability and its applications, Springer, New York, 2004 | MR | Zbl

[40] McMeekin, T.A.; Olley, J.N.; Ross, T.; Ratkowsky, D.A. Predictive Microbioloby : theory and application, Research Studies Press, LTD, Taunton., 1993

[41] Meyn, S.P.; Tweedie, R.L. Stability of Markovian processes III : Foster-Lyapunov criteria for continuous time processes, Adv. Appl. Probab., Volume 25 (1993) no. 3, pp. 518-548 | MR | Zbl

[42] NRC Committee on the Toxicological Effects of Methylmercury (2000) (Technical report)

[43] Owen, A.B. Empirical Likelihood, Chapman & Hall/CRC, 2001 | Zbl

[44] Renwick, A. G.; Barlow, S. M.; Hertz-Picciotto, I.; Boobis, A. R.; Dybing, E.; Edler, L.; Eisenbrand, G.; Greig, J. B.; Kleiner, J.; Lambe, J.; Müller, D. J.; Smith, M. R.; Tritscher, A.; Tuijtelaars, S.; van den Brandt, P. A.; Walker, R.; Kroes, R. Risk characterisation of chemicals in food and diet, Food Chem. Tox., Volume 41 (2003), pp. 1211-1271

[45] Rosenthal, J. S. Minorization conditions and convergence rates for Markov chain Monte Carlo, J. Amer. Stat. Assoc., Volume 90 (1995), pp. 558-566 | MR | Zbl

[46] Rachev, S.T.; Samorodnitsky, G. Limit Laws for a Stochastic Process and Random Recursion Arising in Probabilistic Modelling, Adv. Appl. Probab., Volume 27 (1995) no. 1, pp. 185-202 | MR | Zbl

[47] Roberts, G. O.; Tweedie, R. L. Rates of Convergence of Stochastically Monotone and Continuous Time Markov Models, J. Appl. Probab., Volume 37 (2000) no. 2, pp. 359-373 | MR | Zbl

[48] Smith, J.C.; Farris, F.F. Methyl Mercury Pharmacokinetics in Man : A Reevaluation, Toxicol. Appl. Pharmacol., Volume 137 (1996), pp. 245-252

[49] Tressou, J.; Crépet, A.; Bertail, P.; Feinberg, M. H.; Leblanc, J. C. Probabilistic exposure assessment to food chemicals based on Extreme Value Theory. Application to heavy metals from fish and sea products, Food Chem. Tox., Volume 42 (2004) no. 8, pp. 1349-1358

[50] Tressou, J. Méthodes statistiques pour l’évaluation du risque alimentaire, Univ. Paris X, Nanterre (2005) (Ph. D. Thesis http://tel.archives-ouvertes.fr/tel-00139909 )

[51] Tressou, J. Non Parametric Modelling of the Left Censorship of Analytical Data in Food Risk Exposure Assessment, J. Amer. Stat. Assoc., Volume 101 (2006) no. 476, pp. 1377-1386 | MR | Zbl

[52] Tressou, J. Bayesian Nonparametrics for Heavy Tailed Distribution. Application to Food Risk Assessment, Bayesian Analysis, Volume 3 (2008) no. 2, pp. 367-392 (A paraître, http://hal.archives-ouvertes.fr/hal-00184755 ) | MR | Zbl

[53] Verger, P.; Tressou, J.; Clémençon, S. Integration of time as a description parameter in risk characterisation : application to methylmercury, Regul. Tox. Pharm., Volume 49 (2007) no. 1, pp. 25-30

[54] WHO Methylmercury, Environmental Health Criteria 101 (1990) (Technical report)