Chaque mois, un épidémiologiste francophone de l’AEEMA met en avant un article scientifique de son choix. Guinat Claire

Ce mois-ci, Claire Guinat, post-docotrante dans l'équipe EPIDEC (https://epidec.weebly.com/) de l'UMR ENVT-INRAE Intéractions Hôtes Agents Pathogènes vous propose l'article "Understanding the associations between on-farm biosecurity practice and equine influenza infection during the 2007 outbreak in Australia" écrit par Firestone et al. et publié dans Preventive Veterinary Medicine en 2013.

Cet article est disponible ici.

Pouvez-vous nous résumer brièvement l’article ?

En aout 2007, l’Australie a été touchée par une importante épizootie de grippe équine H3N8, alors que, jusqu’à cette date, le pays était listé parmi les trois pays indemnes de la maladie dans le monde. L’épizootie dura environ 4 mois et toucha près de 70 000 chevaux, ayant un impact économique majeur pour la filière équine. Cet article présente une étude cas-témoins visant à étudier les facteurs de risque d’infection H3N8 dans les élevages de chevaux situés dans les zones les plus touchées d’Australie au cours des premières semaines de l'épizootie.Des données de biosécurité (12 variables) et de caractéristiques d’élevage (7 variables) ont été recueillies pour 100 élevages cas et 100 élevages témoins. Les données ont été analysées à l'aide de réseaux bayésiens additifs (ABN) qui permettent d’illustrer graphiquement les dépendances entre les variables. Les résultats montrent que le modèle final comprenait 18 variables liées entre elles par 23 arcs. Parmi les mesures de biosécurité, la mise en place d'un pédiluve, certaines pratiques des visiteurs (lavage des mains, changement de vêtements et de chaussures) en contact avec les chevaux, et la manipulation régulière des chevaux ont été associées au statut d'infection H3N8 des élevages. Les résultats apportent un nouvel éclairage sur le réseau complexe d'associations directes et indirectes qui peuvent exister entre les facteurs de risque d'infection H3N8 dans les élevages de chevaux au début de l’épizootie 2007 en Australie.

Pourquoi avoir choisi de mettre en avant cet article ?

Une première étude cas-témoins avait été précédemment menée (Firestone et al., 2011) afin d’étudier les facteurs de risque d’infection H3N8 dans les élevages de chevaux lors de l’épizootie de 2007 en Australie. Cette étude avait permis de montrer que le respect de certaines mesures de biosécurité pouvait influencer le risque d'infection H3N8 des élevages. Cependant, les approches statistiques traditionnelles qui avaient été utilisées (type régression logistique à effets mixtes) ne permettaient pas d’identifier les associations qui pouvaient exister entre les différentes variables étudiées, empêchant d’avoir une image complète et holistique de la manière dont les facteurs de risque sont liés les uns aux autres. J’ai donc choisi de mettre en avant cet article qui vise à pallier cet obstacle en utilisant les réseaux bayésiens additifs (ABN) sur les mêmes données que l’étude précédente (Firestone et al., 2011). En effet, les ABN ont l’avantage sur les approches statistiques traditionnelles de pouvoir distinguer les associations directes et indirectes entre les variables. Ils ont été appliqués avec succès pour d’autres cas d’étude complexes, notamment le VIH (Poon et al., 2007), la grippe aviaire (Lycett et al., 2009, Guinat et al., 2020) et la recherche sur la résistance aux antimicrobiens (Ludwig et al., 2013 ; Hidano et al., 2015 ; Hartnack et al., 2019), en vue de concevoir de meilleurs programmes de contrôle et de prévention des maladies.

Y a-t-il des points abordés dans l’article qui vous ont laissé perplexe ou que vous auriez aimé voir plus développés ?

Bien que les approches ABN semblent prometteuses pour identifier et illustrer graphiquement les dépendances entre variables, les auteurs mettent en avant certaines difficultés majeures de l’analyse, notamment sur le fait que les ABN soient très exigeants en termes de calcul. On peut néanmoins regretter l’absence de discussion concernant le type de données que l’ABN peut considérer. En effet, chaque variable dans le modèle ABN va être associée à une distribution en fonction du type de données qu’elle contient. Aujourd’hui, seulement les distributions binomiale, Gaussienne et de poisson sont disponibles, qui ne peuvent pas s’appliquer à des données enflées en zéro ou encore à plusieurs catégories (>2).

Merci à Claire Guinat ( Cette adresse e-mail est protégée contre les robots spammeurs. Vous devez activer le JavaScript pour la visualiser.) pour sa contribution.

Vous aussi souhaitez proposer un article scientifique pour cette rubrique ? Consultez les recommandations et envoyez-nous votre contribution.

A noter qu’il n’y a pas de comité de lecture pour cette rubrique et que le contenu n’engage que le contributeur du mois.