Contribution des modèles mathématiques à la compréhension de la dynamique de diffusion des bactéries multi-résistantes à l’hôpital

Mieux comprendre et contrôler les infections ayant lieu dans les hôpitaux représente un important enjeu de santé publique. Les unités hospitalières constituent des environnements complexes dans lesquels la dynamique épidémique dépend d’une combinaison de facteurs liés aux pathogènes multi-résistants circulant dans ces environnements, aux patients et personnels soignants et aux soins prodigués (incluant l’exposition médicamenteuse). La complexité de ces phénomènes a engendré, ces dernières années, un fréquent recours à la modélisation mathématique afin de mieux comprendre les phénomènes en jeu dans les épidémies hospitalières. Les modèles publiés se différentient selon la méthodologie utilisée (ciblant la population ou les individus) et l’objectif visé (explicatif versus prédictif). La plupart des modèles développés sont des modèles mathématiques compartimentaux, déterministes ou stochastiques, ou plus récemment des simulations informatiques multi-agents. Les avancées scientifiques qu’ils ont engendrées dans le contexte de l’hôpital sont remarquables. D’une part, la modélisation a permis de quantifier, à partir de données de surveillance hospitalière, des paramètres épidémiologiques essentiels à une meilleure compréhension des épidémies hospitalières. Ceux-ci incluent l’épidémicité des souches ou l’effet sélectif des antibiotiques. D’autre part, elle a permis de prédire et d’évaluer l’impact de différentes stratégies de contrôle, selon le pathogène et le contexte, et ainsi de servir de base à la mise en place de politiques de contrôle et d’une surveillance optimale à l’hôpital.

Better understand and control hospital-associated infections is a key public health issue. Hospital wards are complex environments in which multiple factors interact and interfere to influence the spread of pathogens between patients. These factors include specificities related to circulating pathogens, hospitalized patients, healthcare workers, and drug exposure. The high level of complexity has led, in recent years, to an increased use of mathematical modelling to analyse the distinct phenomena underlying hospital epidemics. Published models can be distinguished according to the methodology used (population-based versus individual-based) and to their goal (explicative versus predictive). Most of the developed models are compartmental deterministic or stochastic models, or individual-based computerized simulations. Modelling studies have led to remarkable scientific improvements in the hospital context. On one hand, model building and statistical inference from surveillance data have allowed extrapolating and quantify hidden or unknown essential epidemiological parameters, leading to a better understanding of epidemics in hospitals. These parameters include the definition of strain's epidemicity or the selective effect of antibiotics on multi-resistant organisms. On the other hand, models have provided predictions and assessment regarding the impact of several control strategies (and their combinations), for distinct pathogens and contexts, supplying invaluable support for optimizing control policies and surveillance related to hospital infections.