• 1 Luc Berlivet, « Déchiffrer la maladie : épidémiologie et cultures de santé publique », dans Jean-P (...)
• 2 Les entretiens publiés sur le site Histrecmed (Histoire de la recherche médicale en santé publique (...)
• 3 Magalie Moysan, Usages d’archives et pratiques d’archivage dans la recherche biomédicale de 1968 à (...)
• 4 Une première étude concluante de l’équipe de Daniel Schwartz paraît en 1972 : Eveline Eschwège et (...)
• 5 Nicolas Dodier, « L’infléchissement du travail politique autour des essais contrôlés : l’épidémie (...)

1L’épidémiologie moderne française s’inscrit dans une tradition mathématique forte, ancrée dès le début du xx^e siècle en Grande Bretagne et aux États-Unis. De nouvelles pathologies (maladies cardiovasculaires, cancers) qui se développent avec l’allongement de l’espérance de vie et l’évolution des comportements font l’objet d’un intérêt croissant de la recherche en lien avec la disparition progressive des épidémies. Elles conduisent à l’émergence d’autres méthodes épidémiologiques, centrées sur l’étiologie des maladies et les facteurs de risque1. Sous l’impulsion du polytechnicien Daniel Schwartz, une nouvelle génération de chercheurs non médecins – majoritairement issus de l’École polytechnique – s’engage dans la voie de l’épidémiologie à partir des années 1960. Cette « école de Villejuif », en référence à la localisation du laboratoire de Schwartz, marque durablement l’épidémiologie française et promeut l’usage des mathématiques dans la recherche médicale, en opposition à l’épidémiologie descriptive pratiquée par la division de la recherche médico-sociale (DRMS) de l’Institut national de la santé et de la recherche médicale (Inserm)2. Après la dissolution de la DRMS, huit de ses membres créent et dirigent des unités au sein de l’organisme de recherche entre 1977 et 19963. En outre, à partir des années 1980, l’apparition du sida en France replace une épidémie au cœur des priorités sociales et scientifiques. La maladie conduit également l’État et l’industrie pharmaceutique à encourager l’usage des essais thérapeutiques randomisés, connus et promus dès les années 1970 par les épidémiologistes français comme une méthode plus objective4, mais peu mobilisés jusqu’au début des années 19905.

• 6 Voir par exemple les travaux de Luc Berlivet et Élodie Giroux en France, ou encore l’ouvrage dirig (...)
• 7 Selon l’arrêté du 6 novembre 1995 relatif au Comité national des registres, un registre de morbidi (...)
• 8 Leur développement est considéré comme tardif par rapport aux pays du Nord de l’Europe, qualifiés (...)
• 9 Un questionnaire que nous avons adressé aux responsables de registres de morbidité entre février e (...)
• 10 Enquête par questionnaire adressée aux responsables de registres de morbidité entre février et jui (...)

2Cette objectivation des méthodes, mise en valeur par des travaux historiques récents6, se double d’un usage de sources d’archives, méconnu mais pourtant répandu en épidémiologie. C’est l’objet de notre thèse de doctorat en archivistique qui analyse les usages d’archives et les pratiques d’archivage dans la discipline en France entre 1968 et 2006. Elle montre ainsi l’affirmation d’usages de documents d’archives à grande échelle dans le cadre de deux types d’infrastructures principalement : d’une part, les registres de morbidité qui recensent l’ensemble des cas d’une pathologie dans une population (par exemple, les cas de cancer dans un département)7 ; et d’autre part, les études de cohorte rétrospectives qui consistent à suivre l’évolution de la santé d’un ensemble de personnes au cours d’une période passée, en général pour analyser les effets de l’exposition à un facteur de risque. Les premiers registres apparaissent en 1975 en France8 et nous en recensons 53 créés avant 2007, dont près de 40 % de registres départementaux de cancer. Souvent rattachés à des structures privées, ils ne disposent pas systématiquement de liens avec des unités de recherche9. La première étude de cohorte française – l’étude prospective parisienne pilotée par Pierre Ducimetière – voit le jour quant à elle en 1967. Au total, 85 études de cohortes sont lancées sur la période étudiée, auprès de patients touchés par une maladie, de salariés de grandes entreprises, ou encore de personnes âgées. Elles sont créées au sein d’organismes de recherche, d’universités, d’agences sanitaires ou de santé publique, de centres hospitalo-universitaires ou plus rarement d’associations10.

• 11 Du nom du programme de médicalisation des systèmes d’information déployé en France à partir de 198 (...)

3Les personnels des registres se déplacent dans les hôpitaux, les cliniques ou encore les laboratoires d’anatomopathologie pour consulter les résultats d’analyses, les dossiers médicaux et les statistiques hospitalières – issues notamment du PMSI11. Ces informations sont mobilisées pour identifier les cas de la maladie et alimenter une base de données qui sert d’outil à la fois de surveillance épidémiologique et de recherche scientifique. Les personnels constituent également des dossiers individuels pour chaque cas recensé à partir de copies des dossiers médicaux et produisent des bases de données spécifiques pour des projets de recherche.

• 12 Sur la méthodologie, voir par exemple Blandine Vacquier et al., « Mortality Risk in the French Coh (...)
• 13 Sur la méthodologie, voir par exemple Maylis Telle-Lamberton et al., « External Radiation Exposure (...)

5Ces deux types de structures analysent en grand nombre des informations individuelles et personnelles et mobilisent donc des sources d’archives pour constituer une base de données, centrale dans le processus de recherche. Dans cet article, nous nous intéressons à la transformation des archives en base de données, et plus exactement aux changements de valeur induits par les transformations : quelle(s) valeur(s) les chercheurs attribuent-ils aux données issues des archives dans leur projet de recherche, jusqu’à la constitution de la base de données ? Pour répondre à cette question, nous avons interrogé les responsables et analysé les rapports d’activité (données chiffrées, méthodes de collecte) de deux registres des cancers, l’un local, l’autre national : le registre des cancers du Tarn et le registre national des hémopathies malignes de l’enfant. Nous nous sommes également intéressée aux études de cohorte rétrospectives menées par le Laboratoire d’épidémiologie des rayonnements ionisants (Lepid) de l’Institut de radioprotection et de sûreté nucléaire (IRSN), dont nous avons analysé les archives (protocoles des études, documents intermédiaires) et au sein duquel nous avons mené un entretien de type semi-directif. Deux études sont plus spécifiquement présentées ici : la cohorte française des mineurs d’uranium, mise en place au début des années 1980 pour étudier les maladies développées après une exposition aux rayonnements ionisants et qui est constituée de 5 098 personnes ayant travaillé pendant une période d’au moins un an entre 1946 et 2000 dans des mines du Commissariat à l’énergie atomique (CEA) et de sa filiale Cogema (Compagnie générale des matières atomiques)12 ; et la cohorte des travailleurs du nucléaire créée en 1991 pour suivre près de 30 000 employés du CEA et de la Cogema surveillés pour une exposition aux rayonnements ionisants et qui ont été employés pendant au moins un an entre 1950 et 199413. Pour la partie de notre recherche intéressant directement cet article, il s’agissait d’analyser les usages de sources d’archives, du recueil au codage des données, en se focalisant sur les méthodes utilisées, les acteurs mobilisés et la terminologie adoptée.

• 14 Patrice Marcilloux, Les ego-archives : traces documentaires et recherche de soi, Rennes, Presses u (...)
• 15 Frank Upward, « Structuring the Records Continuum – Part One. Post-Custodial Principles and Proper (...)
• 16 Anne Gilliland, Sue McKemmish, Andrew Lau (dir.), Research in the Archival Multiverse, Clayton, Mo (...)
• 17 Selon le sociologue Bruno Latour, « les chaînes de traduction renvoient au travail par lequel les (...)
• 18 Bruno Latour, Steve Woolgar, La vie de laboratoire : la production des faits scientifiques, Paris, (...)
• 19 Éric Dagiral, Ashveen Peerbaye, « Voir pour savoir : concevoir et partager des “vues” à travers un (...)
• 20 Christine Hine, « Databases as Scientific Instruments and Their Role in the Ordering of Scientific (...)

6L’analyse proposée s’inscrit dans une démarche archivistique visant – à travers l’étude des usages – à interroger les archives du point de vue de leur organisation, de leur processus et de leur inscription dans la société. Elle trouve son ancrage dans les travaux français (Patrice Marcilloux14) et internationaux (Frank Upward15, Anne Gilliland16). Elle se nourrit également des apports de la sociologie des sciences (Bruno Latour et les travaux de l’École des mines, Geoffrey Bowker) et des sciences de l’information sur l’articulation entre document, données, archives, et sur la place de l’usager dans les dispositifs (Bruno Bachimont, Jacques Perriault). Si les « chaînes de traduction17 » de la recherche scientifique ont été largement étudiées (sur la recherche biomédicale, voir par exemple Bruno Latour et Steve Woolgar18, Éric Dagiral et Ashveen Peerbaye19, Christine Hine20), les travaux se sont concentrés sur le passage de l’instrument scientifique à la publication. Nous proposons de nous intéresser ici aux réutilisations d’archives, et donc à un matériau préexistant qui se présente sous la forme de documents et données, le plus souvent non standardisés et sur support papier pour la période étudiée, afin d’analyser la manière dont l’épidémiologie s’empare d’une source a priori peu usuelle dans les sciences biomédicales – les archives – pour la transformer en données exploitables dans le processus de recherche.

• 21 Nicole Gray Weiskopf, Chunhua Weng, « Methods and Dimensions of Electronic Health Record Data Qual (...)
• 22 Entretien avec Éric Samson, 23 mai 2017.
• 23 Sur les métiers du dépouillement, voir Magalie Moysan, « Dépouiller les archives : pratiques docum (...)

8La recherche biomédicale s’intéresse logiquement à l’évaluation des données sources. Un article portant sur la qualité des données électroniques dans un contexte de recherche clinique analyse la littérature scientifique sur le sujet et relève cinq dimensions qui reviennent fréquemment pour évaluer la qualité des données : l’exhaustivité (completeness), l’exactitude (correctness), la concordance entre les informations (concordance), la crédibilité (plausibility) et la valeur dans le temps (currency)21. Or, on remarque que les épidémiologistes prêtent une attention particulière à ces dimensions pour évaluer les sources d’archives qu’ils utilisent et décider de les intégrer ou non dans leur base de données. Un individu est intégré dans une étude de cohorte ou un registre de morbidité en fonction de son histoire personnelle ou professionnelle. Ainsi, une personne qui aura été suivie pour un cancer dans le département du Tarn intégrera la base de données du registre de morbidité. Un mineur d’uranium du CEA embauché au moins un an entre 1946 et 2000 sera intégré à la cohorte du même nom gérée par l’IRSN. Il s’agit alors de tendre vers l’exhaustivité en recensant l’ensemble des individus concernés et en collectant un maximum d’informations pour chacun. Cet objectif peut s’atteindre en dépouillant systématiquement toutes les sources d’archives disponibles et en recoupant les informations avec des bases de données existantes le cas échéant. Une fois les sources identifiées, l’analyse des documents d’archives combine méthodologie disciplinaire et réflexes archivistiques. Pour évaluer l’exactitude des informations recueillies dans les archives, un data manager du Lepid fait appel à l’analyse diplomatique : « Pour moi, dès que c’est un document officiel, donc qui est signé, validé, et la plupart sont comme ça, ça a une fiabilité […]22. » Le même témoin indique vérifier la crédibilité des informations dès qu’une valeur sort de l’ordinaire (une personne qui pèserait 500 kg ou aurait 250 ans par exemple). La prise en compte du contexte de production, nécessaire au travail archivistique ou historique, apparaît également comme essentielle en épidémiologie, puisque la discipline pratique la concordance des informations pour déterminer le niveau de fiabilité d’une nouvelle source : c’est le croisement des sources d’archives qui permet de juger de la valeur de l’information, et le document initial est toujours préféré aux sources secondaires dans les registres de morbidité. Le recueil et le codage des données sources sont réalisés par des employés aux profils variés, diplômés d’un cursus universitaire en épidémiologie comme le data manager du Lepid ou le plus souvent d’une formation médicale, comme les enquêtrices du registre des cancers du Tarn. Leur bonne formation est jugée cruciale dans le processus de recherche et fait l’objet d’une transmission de savoir-faire pour garantir une homogénéité dans la collecte entre les différentes personnes chargées du recueil. Si les employés sont expérimentés dans l’évaluation d’une donnée médicale, ils n’ont cependant jamais reçu de formation au dépouillement d’archives, ces compétences étant acquises par l’expérience23.

• 25 Archives de l’IRSN, non coté. Boîte sur les travailleurs du nucléaire et les mineurs d’uranium, «  (...)

10Il observe donc que la donnée qui figure dans un document doit être analysée à l’aune de son contexte de production et qu’il convient d’adopter une attitude vigilante dans la comparaison des valeurs issues de sources différentes. Dans son étude sur les travailleurs du nucléaire, le Lepid retrace la carrière des employés du CEA et de la Cogema et analyse leur degré d’exposition aux rayonnements ionisants, leur suivi médical ainsi que leurs éventuelles causes de décès, dans l’objectif d’évaluer l’évolution de leur état de santé après exposition. Conscients de l’évolution des pratiques de mesure de l’exposition, les chercheurs mènent une étude sur les expositions et la validation de la dosimétrie en retraçant l’historique d’usage des appareils de mesure au CEA. Ce groupe analyse les pratiques métrologiques, les méthodes d’enregistrement ainsi que les critères d’attribution des dosimètres. Il conclut à une « surestimation des doses provenant de rayons peu pénétrants comme le sont les rayons X mous » en l’absence d’écran sur les films photographiques et préconise d’effectuer un lissage sur les doses anormalement élevées25. Ainsi, l’évaluation conduit à une correction de certaines informations conservées dans les archives, au regard de ce que les chercheurs ont appris des pratiques antérieures. La valeur indiquée dans la base de données n’est plus celle qui figurait dans les archives.

• 26 Jérôme Denis, Le travail invisible des données : éléments pour une sociologie des infrastructures (...)
• 27 Sur les pratiques de codage, voir dans ce numéro l’article d’Émilie Bovet, « “Un plus un, ça ne fa (...)
• 28 Jack Goody, La raison graphique : la domestication de la pensée sauvage, Paris, Éditions de Minuit (...)
• 29 Geoffrey Bowker, Susan Leigh Star, Sorting Things Out. Classification and its Consequences, Cambri (...)
• 30 Voir dans ce numéro l’article d’Aude-Marie Lalanne Berdouticq, « La politique des indicateurs : us (...)

12Le codage, qui a pour objectif de transcrire une information en un code, concentre une grande partie des efforts dans les structures épidémiologiques. Il parachève la transformation du document d’archives en un ensemble de données standardisées, autrement dit ce que Jérôme Denis qualifie de travail d’articulation et de « lubrification26 ». Il constitue également l’ultime opération d’abstraction de la source d’archives, par laquelle l’information extraite du document est associée à une valeur issue d’un thésaurus ou d’une classification. Il s’agit donc d’établir une équivalence entre l’information et un vocabulaire27. Pour autant, résumer le réel par une liste de mots s’avère toujours limitant28 et crée une inertie en fixant la donnée dans une catégorie29. L’une des grandes difficultés du codage est d’exprimer une réalité parfois complexe en un code, synonyme de certitude30.

• 31 April Fritz et al., Classification internationale des maladies pour l’oncologie, 3^e édition, Genèv (...)

13Dans les registres de morbidité étudiés, le codage est réalisé par des employés qualifiés et formés aux pratiques internes, chargés d’analyser le dossier médical du patient et d’attribuer un code à sa maladie, sur la base de la classification internationale des maladies (CIM) qui est la plus couramment employée dans le domaine. Il répond à deux finalités : d’une part, il facilite l’analyse statistique tout en garantissant une forme d’interopérabilité pour réaliser des études croisées lorsque la classification est partagée par des acteurs ; d’autre part, il localise l’information et offre une aide à la recherche. Cette dernière finalité est bien identifiée et assimilée à une forme d’archivage par les chercheurs. Ainsi, l’introduction de la troisième édition de la CIM-O, adaptation de la CIM spécialisée dans l’oncologie, indique que « la CIM est finalement utilisée pour le codage et le classement des données diagnostiques issues des dossiers médicaux à des fins d’archivage et d’exploitation31 ».

• 32 Geoffroy Bowker, Susan Leigh Star, Sorting things out…, op. cit., p. 45. Le texte anglais dit : «  (...)

14Le dispositif de codage achève ce que nous pourrions qualifier de double abstraction. L’histoire de l’individu est synthétisée par un code : un dossier hospitalier du malade analysé par l’épidémiologiste devient le code associé à sa maladie. S’il ne s’agit pas de la seule information extraite du dossier, c’est la plus importante du point de vue des registres de morbidité. De plus, ce code est le fruit d’une succession de choix remontant à l’élaboration des classifications elles-mêmes et que les utilisateurs ignorent. Geoffrey Bowker remarque ainsi que toutes les décisions qui ont conduit à l’élaboration de la première CIM sont « littéralement enterrées dans les archives (lorsque ces archives sont conservées)32 ».

• 33 Voir par exemple le guide générique de Jonathan Barbier et Antoine Mandret-Degeilh, Le travail sur (...)

16L’épidémiologie montre une acculturation précoce à la qualité – l’étude des biais statistiques est très présente dans la littérature de la discipline –, mais elle ne développe pas pour autant de méthodologie spécifique pour le contrôle de l’utilisation d’archives, à l’image des manuels existant en histoire ou plus largement dans les sciences humaines et sociales33.

• 34 Jean Bouyer, Denis Hémon, Sylvaine Cordier (dir.), Épidémiologie : principes et méthodes quantitat (...)

17Plusieurs procédures de contrôle sont mises en place par les structures étudiées ici : certaines équipes pratiquent la double saisie des données qui vise à détecter les erreurs, méthodologie jugée efficace mais coûteuse34. Un contrôle visuel minimal se conjugue parfois avec une vérification par fourchette, privilégiée par nos témoins et qui consiste à repérer les données aberrantes en définissant des valeurs minimales et maximales acceptables pour chaque variable. Au Lepid, cette vérification par fourchette est croisée avec un échantillonnage statistique :

• 36 Entretien avec Jacqueline Clavel, 21 décembre 2017.

18Les registres de morbidité, quant à eux, croisent leur base de données avec celle d’autres registres lorsque c’est possible. Ainsi, le registre national des hémopathies malignes de l’enfant recoupe ses informations avec celles des registres départementaux36.

• 37 Entretien avec Éric Samson, 23 mai 2017.

20Parmi les structures épidémiologiques étudiées, deux types de pratiques sont observées. La première consiste à revenir à la source pour vérifier l’information (études de cohorte rétrospectives du Lepid), voire à consulter la source primaire si une source secondaire a été exploitée dans la base de données (registre national des hémopathies malignes de l’enfant). La seconde vise à remplacer la donnée par une autre en établissant des règles de décision ou en réalisant des enquêtes cas-témoins nichées, qui ont pour objectif d’interroger un panel de personnes issues de la cohorte et permettent d’évaluer le niveau de lacune des archives. Cette méthode est utilisée dans le cadre de l’étude sur les mineurs d’uranium37. Ainsi, là où la première pratique revient à vérifier l’exactitude de la donnée source, la seconde vise à corriger les données par équivalence. L’échantillonnage comme les vérifications automatiques révèlent un rapport éloigné à la source d’archives. Ce n’est plus l’information issue des archives qui se trouve dans la base de données, mais une valeur dans un champ que l’on peut compléter ou corriger par extrapolation. La fiabilité est jugée à l’aune du volume total, et le document n’a qu’une maigre importance d’un point de vue statistique.

• 38 Shelia K. Hoar, Alan Morrison, Philipp Cole, Debra Silverman, « An Occupation and Exposure Linkage (...)
• 39 Claire Habert, Matrice emploi-exposition au chrome, au nickel et au berylium : application à une é (...)
• 40 Jean Bouyer, Denis Hémon, « Studying the performance of a Job Exposure Matrix », International Jou (...)
• 41 Margot Tirmarche, « Épidémiologie et risque de cancer après exposition au radon », Annales de l’As (...)
• 42 Cette dernière constitue une sous-cohorte des travailleurs du nucléaire, autre cohorte de l’IRSN.

22L’exposition aux facteurs de risque est rarement connue avec précision, car le matériau incriminé n’était pas considéré comme dangereux à l’époque concernée, les instruments de mesure n’existaient pas, ou les rapports d’hygiène produits et utilisés alors pour la surveillance ne conviennent pas aux besoins de la recherche épidémiologique. Pour reconstituer les données manquantes, certaines équipes de recherche ont donc recours aux matrices emplois-expositions, qui établissent une correspondance entre le travail d’une personne et ses expositions potentielles, et dont l’usage se développe à partir des années 198038. Les matrices peuvent être élaborées sur la seule base de la description des emplois ou plus fréquemment après interrogation des individus qui les occupent39, et sont le plus souvent couplées à une analyse par des experts qui évaluent l’exposition. Une fois la matrice réalisée, une exposition est attribuée à chaque individu en fonction de ce que l’on a pu établir de son histoire professionnelle40. Dès 1980, l’Institut de protection et de sureté nucléaire (IPSN), ancêtre de l’IRSN, met en place des comités pour évaluer les doses reçues par les mineurs d’uranium du CEA et constitue un groupe de travail composé d’anciens mineurs et d’experts en dosimétrie. En effet, l’exposition aux poussières d’uranium et aux rayonnements n’est mesurée qu’à partir de 1955 et l’étude commence en 1946. Il faut donc la reconstituer pour la période 1946-1955. Le groupe attribue à chaque site d’extraction de l’uranium une note entre 1 et 10 qui correspond à l’exposition moyenne mensuelle estimée, puis cette note est associée à chaque individu de la cohorte pour évaluer son exposition au fil de sa carrière41. La méthode est également reprise dans la cohorte Tracy et dans celle des travailleurs à risque d’incorporation d’uranium42, toujours à l’IRSN.

• 43 Marcel Goldberg et al., « Job Exposure Matrices in Industry », International Journal of Epidemiolo (...)
• 44 Jean Bouyer, Denis Hémon, Sylvaine Cordier (dir.), Épidémiologie : principes et méthodes quantitat (...)

23Mais les matrices emplois-expositions manquent de précision : c’est l’emploi qui détermine le niveau d’exposition attribué ; or un emploi cache souvent des tâches multiples43. La littérature épidémiologique recommande donc de s’appuyer sur des documents d’archives : rapports d’hygiène industrielle, historique des installations, rapports d’incidents ou d’accidents, etc.44, qui ne résolvent que partiellement le problème. Ainsi, l’utilisation de documents d’archives permet de pallier, en partie seulement, le manque de sources initiales. Mais ce n’est pas la valeur indiquée dans les archives qui est reportée dans la base de données. C’est au contraire l’ensemble des informations issues des archives et des analyses des experts qui est transformé en une valeur. Les archives servent alors à assigner une valeur et, là encore, à remplacer une donnée manquante par un équivalent.

• 45 Claire Lemercier, Claire Zalc, Méthodes quantitatives pour l’historien, Paris, La Découverte, 2008 (...)

24Les usages d’archives en épidémiologie se situent à l’intersection entre les méthodes mathématiques qui dominent la discipline et celles du dépouillement d’archives qui ont cours dans les sciences humaines et sociales et plus particulièrement en histoire. On retrouve des étapes similaires à celles de la recherche quantitative en histoire dans le passage des archives à la base de données45. Les épidémiologistes conjuguent donc de faibles volumes de données issues de documents non standardisés avec des pratiques conçues pour les grandes bases de données. Car, du point de vue des méthodes, l’épidémiologie penche clairement du côté de la recherche biomédicale et affirme sa filiation mathématique. Si les usages ressemblent par certains aspects à ceux des historiens, aucun lien entre les deux disciplines n’apparaît dans la littérature que nous avons consultée ou dans les entretiens menés. Les emprunts méthodologiques sont donc inexistants ou tacites.