Introduction
Au cours du XXᵉ siècle, l’espérance de vie a fortement augmenté. En 2020, plus de 21 % de la population mondiale avait plus de 60 ans. Cette évolution démographique pose un défi majeur : sans politiques de prévention plus ambitieuses, les dépenses liées à la santé et à la dépendance pourraient menacer l’équilibre économique et social dans les prochaines décennies. Le projet MoA vise à mieux comprendre comment préserver l’autonomie des individus au cours du vieillissement.
Le projet MoA rassemble des chercheurs en épidémiologie sociale, en économie de la santé, en sciences du sport-santé et en modélisation mathématique afin de mieux comprendre les déterminants de l’autonomie au cours du vieillissement.
Lacunes dans la recherche actuelle
Le projet s’attaque à trois limites importantes des recherches actuelles sur le vieillissement :
– La plupart des études sur la perte d’autonomie portent uniquement sur les personnes âgées de 65 ans et plus, alors que les processus biologiques du vieillissement commencent bien plus tôt. Une approche vie entière (« lifecourse ») est nécessaire pour comprendre les mécanismes qui conduisent à la perte d’autonomie.
– Une attention insuffisante aux déterminants de l’autonomie. La recherche s’est surtout concentrée sur la mesure des taux de handicap chez les personnes âgées, plutôt que sur l’identification des facteurs qui permettent de préserver l’autonomie.
– Des méthodes insuffisantes pour analyser la complexité du vieillissement. Les données longitudinales permettent de décrire les trajectoires de santé mais restent limitées pour analyser les processus complexes, multifactoriels et non linéaires qui influencent le vieillissement.
Objectif général
L’objectif du projet est d’identifier :
– les déterminants sociaux, comportementaux et médicaux de l’autonomie
– les politiques de prévention susceptibles d’améliorer l’autonomie des personnes âgées
– les stratégies efficaces et économiquement soutenables pour les systèmes de santé pour faire face au vieillissement des populations.
Les 3 axes de recherche
Axe 1 – Déterminants de l’autonomie : une approche vie entière
OBJECTIFS
Le premier axe vise à comprendre comment les facteurs sociaux, comportementaux et biologiques influencent la trajectoire de santé entre l’âge adulte et le grand âge. Le projet vise également à prendre en compte la forte hétérogénéité des trajectoires de vieillissement entre individus et entre populations. Nous faisons l’hypothèse que la multimorbidité (coexistence de 2+ maladies chroniques) et la fragilité (« frailty » : état de vulnérabilité physiologique) jouent des rôles majeurs dans la perte d’autonomie.
Représentation schématique de l’Axe 1
DONNÉES
- La cohorte Whitehall II : une cohorte longitudinale basée sur 10,308 fonctionnaires Britannique suivis depuis 1985 (âge 35-55 ans au recrutement), avec un examen clinique tous les 4/5 ans.
- UK Biobank : une cohorte sur 500 000 volontaires suivis depuis 2007 (âge 40-69 ans au recrutement), disposant de données biologiques, cliniques et médico-administratives.
- Les cohortes de “Gateway to global ageing”, https://g2aging.org/ (âge 45-50 ans au recrutement). Certaines de ces cohortes ont un long suivi : ELSA (Royaume-Unis), HRS (États Unis), SHARE (Europe), TILDA (Irlande) – totalisant 62,375 participants suivis sur une période allant jusqu’à 25 ans.
Les autres cohortes plus récentes sont : LASI (Inde, n=72 262, 1 vague de données), MHAS (Mexique, n=15 402, 5 vagues de données), CHARLS (Chine, n = 17 705, 4 vagues de données), CRELES (Costa Rica, n=5 625, 3 vagues de données), MARS (Malaisie, n=72 262, 1 vague de données), JSTAR (Japon, n=3 742, 4 vagues de données) et KLoSA (Corée du Sud, n=10 254, 7 vagues de données).
Ces données permettront de reproduire les résultats dans divers contextes et d’examiner le rôle des facteurs contextuels. Nous avons une expertise dans l’harmonisation des données et l’utilisation de ces données, comme le démontrent des publications précédentes.
MÉTHODES
Les analyses utiliseront des modèles spécifiques pour l’évolution complexe d’états de santé (modèles multi-états) et l’évolution de marqueurs continus (modèles mixtes longitudinaux). Ils incluront également des méthodes de prédiction dynamique pour décrire dans quelles mesures ces paramètres prédisent la perte d’autonomie.
Axe 2 — Mesurer la qualité de vie et l’impact des politiques
OBJECTIFS
Les évaluations économiques des politiques de santé et de protection sociale reposent traditionnellement sur des mesures de qualité de vie liée à la santé, comme les années de vie ajustées par la qualité (les QALYs). Ces instruments, centrés sur les dimensions physiques et mentales de la santé, ne capturent cependant qu’imparfaitement le bien-être des individus dans des contextes où la participation sociale, l’autonomie, la dignité ou le sens donné à la vie jouent un rôle déterminant. L’approche par les capabilités, développée par Amartya Sen, propose un cadre alternatif : le bien-être y est défini non par l’état de santé objectif, mais par les libertés réelles dont dispose un individu pour être et faire ce qu’il a des raisons de valoriser.
Nos travaux s’inscrivent dans ce constat : nous cherchons à donner une valeur quantitative à ces dimensions du bien-être — stabilité, attachement, autonomie, accomplissement et épanouissement — afin qu’elles puissent être prises en compte dans les décisions de politique publique, au même titre que les années de vie gagnées ou l’état de santé. Pour cela, nous menons des enquêtes auprès de la population française afin de savoir ce que les gens valorisent réellement dans leur vie quotidienne, et dans quelle mesure. Les résultats permettent de construire une grille de valorisation (tariff) propre à la France, qui peut ensuite servir à comparer le coût et l’efficacité de différentes interventions sociales ou médico-sociales en intégrant le bien-être dans toute sa complexité.
DONNÉES et MÉTHODES
La construction de ce tarif repose sur la méthode des meilleures-pires sélections (Best–Worst Scaling, BWS) : nous avons présenté à un échantillon représentatif de plus de 3 000 français âgés de 18 ans et plus* une situation de vie décrite selon plusieurs dimensions de capabilité et nous leur avons demandé d’identifier la dimension qu’ils jugent la plus importante et celle qu’ils jugent la moins importante. En répétant cet exercice sur un ensemble de situations variées, il devient possible d’estimer, pour chaque individu et à l’échelle de la population, l’importance relative accordée à chacune des cinq dimensions de l’ICECAP-A.
Nous utilisons une méthodologie similaire pour analyser les préférences de la population français pour des programmes de prévention afin d’en accroître l’adhésion et l’efficacité.
* voir référence: Wang, Z., Sicsic, J., & Chauvin, P. (2026). Developing French Population Tariffs for the ICECAP-A Using Best–Worst Scaling. PharmacoEconomics, 1-12.
Axe 3 — Modéliser les politiques de prévention
OBJECTIFS
Les politiques de santé doivent tenir compte de la complexité des mécanismes, de l’impact de l’environnement sur les comportements de santé et sur les différentes expositions au cours d’une vie.
Le troisième axe vise à évaluer l’impact des politiques de prévention sur la santé et la perte d’autonomie, en intégrant notamment les connaissances produites dans les autres axes du projet dans un modèle de simulation.
L’objectif est de construire une population artificielle dynamique qui permettra de:
- comparer différentes politiques de prévention ;
- estimer leur impact sur les comportement, sur la santé et la qualité de vie ;
- analyser les effets sur les inégalités ;
- explorer des scénarios difficiles à observer dans les données.
Une approche intégrative
Cet axe combine :
- les informations sur les trajectoires de santé (identifiées dans l’axe 1 ;
- les mesures de préférences développées dans l’axe 2 (ICECAP-A).
- des données issues de grandes cohortes longitudinales ;
- Les résultats de la littérature scientifique.
L’objectif est de rassembler ces différentes sources dans un cadre cohérent d’analyse.
Deux niveaux de modélisation : Le projet développe deux approches complémentaires :
- une microsimulation des trajectoires individuelles de santé et de qualité de vie ;
- une modélisation multi-agents permettant de représenter les comportements, les interactions sociales et les contextes environnementaux.
MÉTHODES
Les analyses reposent notamment sur :
- la calibration des modèles sur des populations observées (cohorts, statistiques publiques, etc..) ;
- des analyses de sensibilité et comparaison de scénarios;
- et des approches bayésiennes qui permettent de prendre en compte l’incertitude liée au modèle et aux données.
Résultats attendus
Le projet se veut novateur en dépassant l’approche dominante dans le champ du handicap, trop souvent cantonnée au suivi des taux de prévalence, sans investigation des déterminants ni évaluation des politiques de prévention visant à réduire le handicap et à promouvoir l’autonomie aux âges avancés.
Les résultats attendus sont les suivants :
Résultats robustes et comparaisons internationales : la réplication systématique est un pilier de l’Axe 1 du projet, rendue possible par la disponibilité de données issues de plusieurs études longitudinales. L’objectif est de produire des résultats solides, non tributaires des spécificités d’une étude particulière. L’inclusion d’études menées dans des pays à revenus intermédiaires et faibles, ainsi que dans différents contextes européens, permettra de tenir compte des particularités de chaque environnement.
Leviers d’action pour les politiques publiques : l’identification de prédicteurs robustes du handicap constitue un résultat attendu majeur. C’est une étape première et décisive, qui permet de dépasser la simple mesure des taux de handicap. Repérer des facteurs de risque modifiables potentiellement « causaux » ouvre la voie à une personnalisation des recommandations et à un renouveau du champ de la prévention.
Identification des groupes à risque : le projet MoA marquera une avancée significative dans le repérage des individus les plus exposés au risque de handicap, grâce aux travaux sur la fragilité. Cette approche facilitera le diagnostic et la stratification du risque, en offrant un outil de dépistage permettant d’orienter vers des parcours de soins adaptés les personnes susceptibles de bénéficier le plus d’interventions préventives renforcées — au bon moment et avec l’intervention la mieux ciblée.
Une boîte à outils au service des études futures : la mesure de qualité de vie actuellement disponible, l’ICECAP pour adultes, ne dispose pas de pondérations adaptées au contexte français. L’Axe 2 du projet permettra de développer cet instrument et de le rendre accessible à l’ensemble de la communauté scientifique.
Évaluation des politiques d’intervention sur l’autonomie : la modélisation par agents, au cœur de l’Axe 3, apportera un éclairage précieux sur l’efficacité combinée de plusieurs politiques de prévention et sur les moyens de réduire les hétérogénéités observées — notamment les inégalités sociales face au handicap et à la perte d’autonomie.
Consortium :
Le projet rassemble plusieurs équipes complémentaires veillant au caractère interdisciplinaire du projet :
- EpiAgeing (CRESS UMR 1153, Université Paris Cité et INSERM) – Épidémiologie du vieillissement
- I3SP (Université Paris Cité) – Activité physique et fragilité
- LIRAES (Université Paris Cité) – Économie de la santé
- Centre Borelli (ENS Paris Saclay – Modélisation mathématique.
- Institut Paris Public Health – Coordination Générale des activités du projet
Formation et renforcement des capacités :
Le projet contribue également à la formation de jeunes chercheur.ses :
- 5 post-doctorants
- 1 doctorante
- 6 stagiaires
Par ailleurs, un module de formation sur le vieillissement en bonne santé a également été mis en place au sein de l’Ecole d’été internationale en santé publique organisée par le CRESS UMR 1153 et l’institut Paris Public Health.