L'analyse des données d'infection hospitalière à l'aide de modèles de Markov cachés

Les données de surveillance pour les agents pathogènes nosocomiaux transmissibles consistent généralement en des séries temporelles courtes de comptages de patients infectés à faible nombre. Celles-ci montrent souvent une surdispersion et une autocorrélation. À ce jour, presque toutes les analyses de telles données ont ignoré la nature transmissible des organismes et ont utilisé des méthodes appropriées uniquement pour des résultats indépendants. Les inférences qui dépendent de telles analyses ne peuvent être considérées comme fiables lorsque la transmission de patient à patient est importante. Nous proposons une nouvelle méthode pour analyser ces données basée sur un modèle mécaniste du processus épidémique. Étant donné que des agents pathogènes nosocomiaux importants sont souvent portés de manière asymptomatique avec une infection manifeste se développant chez seulement une proportion de patients, le processus épidémique n'est généralement observé que partiellement par les données de surveillance routinières. Nous développons donc un modèle de Markov caché 'structuré' où la chaîne de Markov sous-jacente est générée par un modèle de transmission simple. Nous appliquons des modèles de Markov cachés à la fois structurés et standard (non structurés) à des séries temporelles pour trois agents pathogènes importants. Nous constatons que les deux méthodes peuvent offrir des améliorations significatives par rapport aux approches actuellement utilisées lorsque la propagation nosocomiale est importante. Par rapport au modèle de Markov caché standard, la nouvelle approche est plus parcimonieuse, plus biologiquement plausible et permet d'estimer des paramètres épidémiologiques clés.