Diffusion de pathogènes au sein des réseaux de soins : une étude de modélisation – SPHINx

La méthodologie du projet SPHINx combine la modélisation mathématique, l'analyse de

grandes bases de données et l'épidémiologie.

A chaque échelle explorée (intra-hospitalière, inter-hospitalière, entre les hôpitaux et la

communauté), nous avons développé des modèles mathématiques de transmission des IAS.

Selon la taille de la population concernée et le contexte, il peut s'agir de modèles de réseau,

individu-centrés ou compartimentaux, déterministes ou stochastiques.

Ces modèles ont été alimentés par des données provenant de plusieurs sources, notamment :

- la base de données PMSI sur les transferts de patients entre hôpitaux en France ; et

- les données de l'étude iBird sur les réseaux de contacts entre patients et soignants

recueillies à l'hôpital maritime de Berck en 2009.

Au niveau des services hospitaliers, le projet a permis de mieux comprendre le rôle joué par

le microbiote individuel et les antibiotiques dans la sélection de bactéries résistantes en

population.

Au niveau de l'établissement de santé, le projet a conduit au développement d'un modèle

individu-centré pour simuler la propagation de pathogènes sur un réseau d'individus

connectés par des interactions de proximité. Ce modèle a été appliqué à la fois aux bactéries

résistantes et au SRAS-CoV-2 et a contribué à l'élaboration de stratégies de contrôle dans les

deux contextes.

Au niveau national, le projet a conduit à la première reconstruction du réseau de santé

français reliant les hôpitaux par le biais de transferts de patients. Les liens entre ce réseau et

la propagation des bactéries résistantes ont été étudiés.

Enfin, le projet a également permis de modéliser la propagation du SRAS-CoV-2 à l'interface

communauté-hôpital, ce qui a permis de prédire la saturation potentielle des hôpitaux dans

divers scénarios de propagation communautaire.

Les résultats obtenus sont riches et ont permis d’explorer une large gamme de questions et

d’échelles autour de la thématique des réseaux de soins, à l’intérieur des hôpitaux et entre

hôpitaux. Leur intérêt en santé publique a été mis en exergue lors de la crise COVID-19, et

leurs apports scientifiques continueront à être creusés dans les années à venir au travers de

nouveaux projets.

* Duval A., Smith D., Guillemot D., Opatowski L., Temime L. (2019) CTCmodeler: An Agent-Based Framework to Simulate Pathogen Transmission Along an Inter-individual Contact Network in a Hospital. In: Rodrigues J. et al. (eds) Computational Science – ICCS 2019. Lecture Notes in Computer Science, vol 11537. Springer, Cham
* Duval A, Obadia T, Boëlle PY, Fleury E, Herrmann JL, Guillemot D, Temime L, Opatowski L, i-Bird Study group. Close proximity interactions support transmission of ESBL-K. pneumoniae but not ESBL-E. coli in healthcare settings. PLoS Comput Biol. 2019 May 30;15(5):e1006496
* Darbon A, Colombi D, Valdano E, Savini L, Giovannini A, Colizza V. Disease persistence on temporal contact networks accounting for heterogeneous infectious periods. bioRxiv 2018.
* Duval A, Obadia T, Martinet L, Boëlle PY, Fleury E, Guillemot D, Opatowski L, Temime L ; I-Bird study group.Measuring dynamic social contacts in a rehabilitation hospital : effect of wards, patient and staff characteristics. Scientific Reports. 2018 Jan 26 ;8(1):1686.
* Nekkab N, Astagneau P, Temime L, Crépey P. Spread of Hospital-Acquired Infections : A Comparison of Healthcare Networks. PLoS Comput Biol. 2017 Aug ;13(8):e1005666.
* Assab R, Nekkab N, Crépey P, Astagneau P, Guillemot D, Opatowski L, Temime L. Mathematical models of infection transmission in healthcare settings : recent advances from the use of network structured data. Current Opinion in Infectious Diseases. 2017 Aug ;30(4):410-418.

Malgré les progrès de la biologie et de la médecine, les infections associées aux soins (IAS) surviennent à une incidence et une gravité accrues depuis les dernières décennies, devenant un enjeu majeur de santé publique. Un large éventail de stratégies de contrôle est déjà disponible, incluant des mesures d'hygiène, des précautions de barrière, la gestion des antimicrobiens, la vaccination, l'isolement des patients, le cohortage, etc., et s'appuyant sur des programmes de dépistage et des systèmes de surveillance. Cependant, face à la propagation des IAS, la mise en œuvre de ces stratégies doit être optimisée et de nouvelles stratégies de contrôle doivent être envisagées et évaluées. La modélisation mathématique et les simulations informatiques sont des outils puissants pour aider les décideurs de santé publique à mieux comprendre la diffusion des IAS et à évaluer l'efficacité des stratégies de contrôle.
La diffusion d'un agent pathogène dans un système de santé résulte d'une combinaison de processus opérant à différentes échelles. La façon dont les populations humaines sont structurées au sein de et en dehors des établissements de santé, et les réseaux de transferts de patients entre services de soins et entre les établissements sont autant de strates qui interagissent de manière intrinsèque avec la strate biologique de la transmission inter-individuelle d'agents pathogènes et avec la strate microbiologique de la dynamique de sélection de pathogène au sein de l'hôte.
Les processus opérant à ces différentes échelles peuvent avoir des effets opposés, ce qui rend la prédiction de la dissémination des IAS et de l’impact de stratégies de contrôle difficile si l’on ne considère qu’une seule échelle. Pourtant, les travaux de modélisation publiés précédemment se sont pour la plupart limités à décrire une seule de ces échelles, séparément des autres. Cette séparation limite notre capacité à comprendre globalement la propagation des IAS.
Dans ce contexte, l'objectif du projet SPHINx est de proposer une approche globale pour mieux comprendre et contrôler la propagation des IAS intégrant différentes échelles (services hospitaliers, établissements de soins, réseaux d'établissements de soins, communauté), en développant un modèle mathématique et informatique multi-échelles. Dans un premier temps, nous développerons pour chaque échelle considérée un modèle dynamique afin de mieux comprendre comment les IAS peuvent émerger, être sélectionnées et se diffuser en milieu de soins. Ensuite, nous intégrerons ces différents modèles dans un modèle multi-échelles. Les paramètres des modèles seront estimés en utilisant à la fois des données publiées dans la littérature et des données originales dont, en particulier, des données sur les transferts de patients entre les hôpitaux et la communauté au niveau national français, ainsi qu'un jeu de données détaillées sur le réseau de contacts, le portage de bactéries de patients et de soignants ainsi que l’exposition aux antibiotiques dans un hôpital sur une période de 4 mois. Enfin, nous utiliserons le cadre multi-échelle développé pour évaluer et comparer l'impact potentiel de différentes stratégies de contrôle sur la propagation et l'incidence des IAS.
En améliorant notre connaissance de la dynamique des IAS à différentes échelles, les résultats de ce projet contribueront à concevoir des mesures efficaces de contrôle des infections intégrant les niveaux individuel, local, régional et national.