Mémoire, y compris stage professionnalisant[BR]- Séminaires méthodologiques intégratifs[BR]- L'impact des identités sociales sur la comorbidité : Analyse intersectionnelle des inégalités de santé à partir de données de patients pris en charge par Médecins du Monde Belgique.

Abstract

Ce mémoire explore les inégalités de santé au sein d’une population exposée à une précarité sociale, administrative et sanitaire, à travers une approche intersectionnelle mobilisant l’analyse par classes latentes (LCA). L’objectif est d’évaluer la pertinence de cette méthode pour modéliser l’impact de profils intersectionnels sur l’état de santé, mesuré par la présence de comorbidités. Il s’agit d’une étude observationnelle transversale, basée sur 2 228 dossiers patients comportant des données médicales et sociales, collectées dans le cadre des projets de Médecins du Monde Belgique. L’analyse a d’abord consisté en une régression logistique multivariée examinant l’association entre les variables individuelles (âge, genre, statut administratif, logement, accès aux soins) et la présence de comorbidités. Une LCA a ensuite permis d’identifier empiriquement des profils sociaux dans l’échantillon. Enfin, un second modèle de régression logistique a estimé l’association entre l’appartenance à ces profils et la comorbidité, ajusté sur l’âge et le sexe. L’analyse par classes latentes identifie cinq profils sociaux distincts. Par rapport à la classe de référence (demandeurs d’asile sans-abri couverts par Fedasil), trois classes présentent un risque significativement plus élevé de comorbidité : Classe 4 (séjour irrégulier hébergés chez des proches, exclus de l’accès aux soins) : OR ajusté = 3,05 [2,20–4,25] ; Classe 5 (sans-abri citoyens UE, accès aux soins limité) : OR = 3,29 [2,10–5,12] ; Classe 3 (séjour irrégulier, sans-abri, exclus de l’accès aux soins) : OR = 1,47 [1,07–2,00] Cette étude montre que les inégalités de santé ne se résument pas à des facteurs isolés, mais résultent d’une combinaison de vulnérabilités structurelles. L’approche par classes latentes permet d’identifier des profils à haut risque invisibles dans les modèles classiques. Elle confirme la pertinence d’une modélisation centrée sur la personne et d’une lecture intersectionnelle des déterminants sociaux de santé pour guider les politiques publiques ciblées.