Description

La croissance intra-utérine peut être affectée par de nombreuses expositions environnementales. Des études expérimentales et épidémiologiques ont mis en évidence l'impact de la pollution de l'air et de la chaleur sur les issues de grossesse. Les études actuelles se basent sur l'ensemble de la trajectoire d'exposition d'un individu mais en ne considérant que le poids de naissance. L'objectif de cette thèse est de développer des modèles statistiques et des méthodes d'estimation prenant en compte la nature longitudinale des données d'exposition et des résultats. Nous proposons de développer un modèle longitudinal à effets mixtes unifié, intégrant les principes des modèles à retards distribués au sein d’une modélisation explicite des trajectoires de croissance fœtale. Pour cela, nous envisageons un modèle linéaire mixte étendu comprenant une fonction intégrant l'effet cumulé de l'exposition. Puis, nous inclurons dans le modèle différents échelles d'exposition par différentes fonctions splines. Nous développerons des méthodes de sélection de modèles de type BIC adapté au cadre des modèles mixtes, la pénalité devant alors être étendue à l'ordre supérieur.

Compétences requises

Master en mathématiques appliquées

Bibliographie

Baey, Charlotte et al. (2023). “Efficient preconditioned stochastic gradient descent for estimationin latent variable models”. International Conference on Machine Learning.
Chen, Wei-Jen et al. (2023). “Susceptible windows of exposure to fine particulate matter andfetal growth trajectories in the Spanish INMA (INfancia y Medio Ambiente) birth cohort”. Environmental Research
Dai, Si-Wei et al. (2026). “Identifying critical windows and sex-specific effects of periconceptionalexposure to fine particulate matter and temperature on fetal growth trajectories : A longitudinalbirth cohort study”. Environmental Pollution.
Delattre, Maud et al. (2014). “A note on BIC in mixed-effects models”. Electronic Journalof Statistics.
Dempster, Arthur P et al. (1977). “Maximum likelihood from incomplete data via the EM algo-rithm”. Journal of the royal statistical society : series B.
Gasparrini, A. et al. (2010). “Distributed lag non-linear models”. Statistics in Medicine.
Iñiguez, Carmen et al. (2012). “Prenatal exposure to traffic-related air pollution and fetal growth ina cohort of pregnant women”. Occupational and Environmental Medicine.
Jakpor, Otana et al. (2020). “Term birthweight and critical windows of prenatal exposure to ave-rage meteorological conditions and meteorological variability”. Environment International.
Kriit, Hedi K et al. (2026). “The 2026 Europe report of the Lancet Countdown on health andclimate change : narrowing window for decisive health action”. The Lancet Public Health.
Lakhoo, Darshnika P. et al. (2025). “A systematic review and meta-analysis of heat exposureimpacts on maternal, fetal and neonatal health”. Nature Medicine.
Reiter, Lars N. et al. (2026). “A time warping model for seasonal data with application to ageestimation from narwhal tusks”. Ann. Appl. Stat.
Sinclair, Kevin D. et al. (2007). “Modelling the developmental origins of health and disease in theearly embryo”. Theriogenology. IETS 2007 Pre-Conference Symposia.

Mots clés

Statistique pour la santé,, épidémiologie environnemental, modèles à effets mixtes,, modèles à retards distribués, développement foetal