Bayesian Modeling of Serological Data in the Context of the Emergence of SARS-CoV-2

Lors de l'émergence d'une maladie infectieuse dans une population, les individus n'ont, par définition, pas encore été infectés ni vaccinés. Leurs taux d'anticorps dirigés contre l'agent pathogène sont en général faibles, et ne s'élèveront qu'à la suite d'une infection. Ces considérations justifient l'utilisation des taux d'anticorps comme critère de substitution, même imparfait, au statut infectieux. Les enquêtes sérologiques sont des études transversales comprenant la mesure de taux d'anticorps chez des individus d'une population. Ces études ont notamment permis d'estimer la proportion de personnes ayant été infectées durant la première vague de la pandémie de COVID-19. Ce taux d'attaque, ainsi que le nombre de décès liés à la COVID-19, permettent d'estimer la proportion de personnes infectées qui sont décédées des suites de l'infection. Cette proportion est appelée infection fatality rate (IFR). Avec l'exemple du SARS-CoV-2, cette thèse a pour objectif de répondre à des problématiques épidémiologiques supplémentaires à partir de données sérologiques dans le cadre de l'émergence d'une maladie infectieuse. Nous utilisons des modèles bayésiens pour tenir compte de l'imperfection des tests sérologiques et de la présence de données extérieures (littérature scientifique, open data). L'étude SAPRIS-SERO constitue la principale source de données de ce travail, comprenant des dosages d'anticorps IgG anti-spike 1 réalisés à l'issue de la première vague pandémique chez 81 797 personnes en France métropolitaine. Lors d'un premier travail, nous avons étudié la valeur diagnostique des tests sérologiques en tant que variable continue, dépassant l'approche habituelle qui consiste à présenter le résultat en tant que variable discrète (résultat “négatif”, “indéterminé”, ou “positif”). La probabilité qu'un individu donné ait été infecté dépend de son taux d'anticorps, du taux d'attaque le concernant (taux d'attaque dans sa classe d'âge et région), ainsi que de la distribution des taux d'anticorps selon le statut infectieux des individus. Nous avons développé un modèle de mélange bayésien prenant en compte ces différentes informations, avec leurs degrés de précision, pour estimer la probabilité qu'une personne donnée ait été infectée. Lors d'un deuxième travail, nous avons cherché à évaluer les conséquences d'une éventuelle surcharge hospitalière sur le risque de décès des personnes infectées par le SARS-CoV-2. Faisant l'hypothèse qu'un taux d'attaque élevé pourrait entraîner une surcharge des hôpitaux avec augmentation du risque de décès, nous avons étudié la relation entre le taux d'attaque et l'IFR à l'échelle des départements français. La précision du taux d'attaque et de l'IFR, qui sont des estimations, a été prise en compte à travers un modèle bayésien. Nous avons trouvé une forte association positive entre ces deux variables, avec ou sans ajustement sur les principaux facteurs de confusion envisagés. Deux études publiées avaient trouvé des résultats similaires et conclu à un effet de la surcharge hospitalière. Nous avons montré que cette association semblait plutôt expliquée par un âge plus élevé des personnes infectées dans les départements à fort taux d'attaque (indépendamment de l'âge de la population de ces départements), suggérant une réinterprétation des études antérieures.