The worked example throughout is the group Cnam calls «Autres cancers», in women aged 40 to 74.

Two words on why. Cervical cancer is not broken out anywhere in this dataset. Cnam folds it into that residual group, so the group is a stand-in and nothing here is a statement about cervical screening. The age band is the one screening actually addresses, which makes it the segment where a bias would matter to a decision rather than only to a table.

The first reading of the map is the obvious one, and it holds. Small territories lose more cells. Across the hundred départements the share withheld tracks population closely, and Nord, with two and a half million people, loses none at all.

The second reading is the one worth having. Size does not explain everything. Mayotte has around 129,000 people and loses 68% of its cells. Lozère has 74,000, barely more than half as many, and loses 39%. The smaller territory keeps more of its data.

The difference is age. Eight per cent of Mayotte’s population is aged sixty or over. In Lozère it is thirty-four per cent. Cancer prevalence climbs steeply with age, so the same headcount yields far fewer cases in a young population than in an old one. Mayotte has more people and fewer cases, and it is cases the threshold counts.

That is the previous post seen at the scale of a territory. Population and rate both feed the count, and the map shows only the first.

La Réunion is the control. It is young too, but it has 953,000 people, and it loses under one per cent. Enough of the first term compensates for the second.

What the map does not support is a demographic story told on its own. These are two plausible routes to a small count, read off a pattern that is consistent with them. Confirming either would take the age structure into the model, not into the caption.

This post covers one pathology group at département level. It does not cover the full pathology set, individual records, or any clinical reading of the rates themselves.

One number carries into everything that follows. Across all cells, 12.1% are withheld. Narrow to women aged 40 to 74 and that falls to 0.34%, which is 65 cells, 61 of them in Mayotte. The screening age bands are the older ones, and older bands hold more cases. Choosing the segment where a bias would matter is also, here, choosing the segment where suppression is rarest.

Next, what a model should do with a cell that has been withheld.

Données issues de la Cartographie des pathologies et des dépenses de l’Assurance Maladie, Cnam, data.ameli.fr, licence ODbL.

I thought it was clever. Three women in one age band in one small territory is close to naming them.

What I wanted to know was what it does to a model.

The rule is simple to state. If the count is too small, no count is published. What is left behind is not a zero, and it is not an oversight. It is a decision, and the decision was taken by looking at the very number we would like to have.

The name for that is missing not at random. It matters because the two usual reflexes are both wrong. Dropping these cells discards the one thing they do tell us, which is that the count was small. Filling them with zero asserts something the data never said.

I expected it to only affect small population territories, but turns out large populations are too.

The reason is in the arithmetic. The threshold is applied to a count, and a count is a population multiplied by a rate. Either term can pull it below eleven. A territory with few women arrives there through the first term. A large territory arrives there through the second, whenever the rate is low enough. A young age band with a rare cancer yields very few cases even in a crowded département. Only one of those two terms is visible when you look at a map.

The right panel sorts cells by how many cases we would expect them to contain. It separates them almost perfectly. The left panel sorts the same cells by how many people they contain, and it barely separates them at all. The very smallest populations are in fact less affected than the tenth just above them.

So the honest reading is not that small territories disappear. What disappears is small counts, wherever they come from.

In other words, the threshold sees one number, and that number is a product. We are shown only one of its factors.

Next, where those blanks actually fall, and what that decides about the question we can ask.

Données issues de la Cartographie des pathologies et des dépenses de l’Assurance Maladie, Cnam, data.ameli.fr, licence ODbL.

À partir des données fiables disponibles auprès de l’Observatoire Mondial du Cancer de l’OMS, (GLOBACAN/IARC)¹, j’ai comparé les taux d’incidence standardisés du cancer de la prostate en France métropolitaine et dans plusieurs territoires d’Outre-mer.

Les écarts sont importants : la Guadeloupe et la Martinique présentent des valeurs nettement supérieures à la moyenne métropolitaine, et aux autres territoires étudiés.

Dans le cadre de Novembre Bleu 🔷, ce billet cherche à fournir un point d’appui chiffré pour la sensibilisation et à ouvrir la discussion sur les facteurs possibles — génétiques, environnementaux et socio-économiques.

Données & Méthode

Données : relevés d’incidence du cancer de la prostate (GLOBOCAN 2022)¹ par pays.
Indicateur : taux d’incidence standardisés monde (TSM / ASR en français) pour 100 000 habitants.

Traitement des données

Les données ont été traitées sous R (tidyverse, ggplot2) : la base mondiale a été filtrée sur R pour isoler les territoires français.

⚠️ Les méthodologies variant d’un territoire à l’autre, les comparaisons doivent rester prudentes. ²

La base résultante inclut les territoires suivants, sur lesquels nous avons basé notre étude :

• France métropolitaine
• Guadeloupe
• Martinique
• Guyane
• La Réunion
• Polynésie française

Le code complet et le dataset utilisés sont disponibles dans mon dépôt GitHub public-health.

L’aborescence des fichiers concernés est la suivante :

📂 public-health/
├── cancers/
│   └── prostate_continental_FR_overseas.R
├── data/
│   ├── dataset-inc-males-in-2022-prostate.csv
│   ├── french_prostate_incidence_2022.csv
│   └── french_prostate_incidence_2022.rds
└── exports/
  ├── prostate_asr_table_en.csv
  ├── prostate_asr_table_en.md
  ├── prostate_incidence_france_overseas_en.png
  ├── prostate_incidence_france_overseas_fr.png
  ├── prostate_tsm_table_fr.csv
  └── prostate_tsm_table_fr.md

Le script R prostate_continental_FR_overseas.R :

1. lit le CSV brut (dataset-inc-males-in-2022-prostate.csv) dans data/,
2. crée les jeux filtrés (CSV/RDS) dans le ficher data/,
3. puis alimente les visuels et tableaux qui sont déposés dans exports/.

Résultats

Les résultats de ce traitement sont résumés dans le tableau suivant :

On observe que les incidences observées en Martinique et Guadeloupe sont environ 2 fois plus élevées que celles de la Métropole, et presque 3 fois plus élevées que celles de La Réunion.

Cela rejoint les constats établis par Santé Publique France dans le Bulletin Epidemiologique Hebdomadaire (BEH) publié le 15 novembre 2016 : Le cancer de la prostate aux Antilles françaises : état des lieux³.

Le tableau peut être résumé sous forme d’histogramme. Ci-dessous nos comparons ainsi l’incidence du cancer de la prostate dans les cinq territoire d’Outre-Mer étudiés (en bleu) avec celle de la Métropole (en gris).

Discussion : comment comprendre ces écarts ?

Les écarts d’incidence observés sont documentés dans plusieurs rapports et publications scientifiques. Aucun facteur ne suffit à lui seul ; il s’agit a priori d’un phénomène multifactoriel qui inclut

1. Des facteurs génétiques

Les hommes d’ascendance africaine présentent un risque plus élevé de développer un cancer de la prostate. Les populations antillaises sont donc plus exposées à ce facteur⁴.

2. Exposition environnementale : le chlordécone

Un certain nombre d’études menées aux Antilles montrent une association entre l’exposition au chlordécone et un risque accru de cancer de la prostate — sans établir une causalité directe. Il serait pourtant malhonnête de ne pas le mentionner. Sources : INSERM (2019) et synthèse du Sénat (2019)⁵⁶.

3. Modes de vie et facteurs socio-économiques

De nombreuses raisons sont évoquées dans la littérature :

• taux élevés de surpoids et obésité,
• accès inégal au dépistage,
• retards et interruptions dans les parcours de soins,
  Et ce parmi d’autres déterminants sociaux défavorables dans ces territoires⁷⁸

4. Organisation des soins et dépistage

Plusieurs analyses (SPF, HCSP) soulignent :

• un recours variable au dépistage selon les territoires
• des inégalités d’accès aux spécialistes
• une surveillance moins systématique des groupes à risque Ces éléments contribuent à des diagnostics parfois plus tardifs.

Prévention : faisons compter les données

Ces résultats doivent servir de support aux actions locales : la sensibilisation reste le premier rempart à l’évolution de cette maladie.

L’incidence élevée dans ces territoires n’est pas une fatalité : il existe des mesures de prévention et de détection précoce. Et de plus en plus d’initiatives locales pronent l’accès à l’information et aux soins adéquats.

Les actions menées par les associations et les acteurs du monde de la santé se multiplient. Les chiffres justifient cette tendance.

Image de couverture générée avec DALL-E.

Références

This treasure trove of personal data has always intrigued me. With it, I could answer many questions about the way my body works, to change the way I train, how I manage load, rest days, etc.

But before answering any fitness questions, I first had to answer an obvious technical one :

How do I get all that data into a clean, usable format?

That’s what my Apple Health Data GitHub repo is about. Here’s what it does.

1. Export the data

From the Apple Health app.

1. Click Profile
2. Click Export Health Data

Unzipping it reveals this folder.

It’s full of workout logs, heart rates, activity summaries, ECGs, GPS routes… A treasure trove as I said. But not very readable by the human eye so far.

The meat of the export is in the two XML files which both contain the same information (export_cda.xml just follows Clinical Data Architecture standards favoured by some administrations). The file export.xml is a good place to start. Only issue is, it looks like this :

Yeah.

2. Parse & clean it

Thankfully, R has appropriate tools to deal with this format and extract information from this word soup. The R script 01_import_health_data.R does the following :

• Parse the XML with xml2.
  • Isolate the nodes of interest (I picked Workout, WorkoutStatistics, and ActivitySummary).
  • Convert them into tibbles dataframes.
• Clean the dataframes.
  • Transform dates and numbers into proper date-time and numeric R objects.
  • Simplify the names by removing useless prefixes (e.g. HKWorkoutActivityTypeYoga → Yoga).

There. Megabytes of XML file neatly distilled into a few tidy CSV files, a format R handles well. It also saves us the pain & computing power from having to “import-parse-clean” the data all over again.

3. Have fun with the results

With a solid data pipeline in place, sky’s the limit really…

The second script, 02_visualise_health_data.R, loads those CSVs and builds interactive plots with ggplot2 + plotly.

I made a bar plot of my workout distribution as an example. Hover to see counts for each activity:

This graph alone doesn’t say much about performance or trends, but it does offer a bit of a surprise insight: yoga dominates my routine 🧘🏿‍♀️. Sprinkling short flows before and after other workouts adds up !

My next step will be to explore trends in heart rates, recovery and load. A good opportunity to explore R’s time series capabilities.