Bayesian generative modeling for heterogeneous wastewater data applied to COVID-19 forecasting

Cette étude évalue un modèle de prévision bayésien semi-mécanistique pour les admissions hospitalières liées au COVID-19 aux États-Unis, démontrant que l'intégration de données d'analyse des eaux usées n'améliore pas globalement les performances par rapport aux données cliniques seules, mais présente une hétérogénéité significative selon les lieux et les périodes.

L'essentiel

🌧️ Le Grand Défi : Prévoir la Tempête

Imaginez que vous êtes un capitaine de navire (le système de santé) et que vous devez prévoir s'il va y avoir une tempête (une vague de maladies) dans les jours à venir. Pour cela, vous avez deux types d'outils :

1. Les rapports des passagers : C'est le nombre de personnes qui arrivent à l'hôpital. C'est fiable, mais c'est comme regarder par la fenêtre : vous ne voyez la tempête que quand elle est déjà là.
2. Les capteurs dans l'eau : C'est l'analyse des eaux usées (les égouts). Comme les virus se retrouvent dans les toilettes avant même que les gens ne tombent malades, c'est comme avoir un radar qui détecte les nuages noirs avant qu'ils n'arrivent.

L'idée de base était simple : "Si on combine les rapports des passagers ET le radar des égouts, on sera sûrement un meilleur capitaine !"

🔍 L'Expérience : Le Test du "Double Regard"

Les chercheurs (une équipe de l'US CDC et d'autres universités) ont construit un modèle informatique très sophistiqué, un peu comme un super-cerveau mathématique, pour tester cette idée.

Ils ont joué à deux jeux de rôle :

• Le jeu "Hôpital seul" : Le modèle ne regarde que les gens qui arrivent à l'hôpital.
• Le jeu "Hôpital + Égouts" : Le modèle regarde les deux en même temps.

Ils ont fait ces prévisions en temps réel pendant le printemps 2024, puis ils ont rejoué toute la saison hivernale 2023-2024 pour voir comment ils auraient fait avec les données d'aujourd'hui.

🎭 Le Résultat Surprenant : Pas de Magie, mais des Nuances

Le résultat principal est un peu décevant mais très honnête : Ajouter les données des égouts n'a pas rendu le modèle "magique".

En moyenne, le modèle avec les égouts a fait à peu près aussi bien (ou aussi mal) que le modèle sans les égouts. C'est comme si vous aviez ajouté un deuxième GPS à votre voiture : parfois, il vous aide à éviter un bouchon, mais souvent, il vous dit la même chose que le premier, ou pire, il vous embrouille un peu.

Cependant, il y a une grande différence selon l'endroit et le moment :

• Quand ça marche : Parfois, les égouts ont vu la tempête arriver avant l'hôpital. Dans ces cas-là, le modèle avec les égouts a été un génie et a prédit la baisse des hospitalisations avant tout le monde (comme en Californie dans l'exemple du papier).
• Quand ça foire : Parfois, les égouts ont menti ! Par exemple, s'il a beaucoup plu, l'eau des égouts a été diluée, et les capteurs ont cru que le virus avait disparu, alors que ce n'était pas le cas. Le modèle, confiant, a prédit une baisse alors que l'hôpital restait bondé (comme en Ohio ou en Illinois).

🧩 L'Analogie du Chœur et du Soliste

Pour comprendre pourquoi les résultats varient, imaginez un chœur :

• Les données des égouts sont comme plusieurs chanteurs qui chantent la même note.
• Le modèle écoute tout le monde.

Si tous les chanteurs sont d'accord et chantent juste, le modèle est super. Mais si tous les chanteurs sont dans le même petit groupe et qu'ils ont tous attrapé un rhume (ou qu'il a plu sur leurs micros), ils vont tous chanter faux en même temps. Le modèle, pensant que "tout le monde est d'accord", devient trop confiant et fait une erreur énorme.

C'est ce qui s'est passé : quand les données des égouts étaient trop similaires entre elles (trop corrélées), le modèle a cru qu'il avait une certitude absolue, alors qu'il se trompait.

💡 Ce qu'on retient de cette histoire

1. Les égouts sont un outil puissant, mais pas parfait. Ils peuvent donner un coup de pouce précieux, mais ils ne remplacent pas les données cliniques (les hôpitaux).
2. La confiance excessive est dangereuse. Parfois, avoir plus de données peut rendre le modèle plus sûr de lui, même quand il a tort. Il faut apprendre à douter un peu plus.
3. Le futur est dans l'adaptation. Pour que ça marche mieux, il faudra créer des modèles qui comprennent pourquoi les égouts "mentent" (à cause de la pluie, des usines, etc.) et qui ne se fient pas aveuglément à ce qu'ils disent.

En résumé : Cette étude nous dit que l'analyse des eaux usées est une excellente idée pour surveiller la santé publique, mais ce n'est pas une baguette magique. C'est un outil de plus dans la boîte, qu'il faut savoir utiliser avec prudence, en gardant toujours un œil sur les données traditionnelles des hôpitaux.

Résumé technique

1. Problématique

La surveillance épidémiologique traditionnelle (comptage des cas, hospitalisations) présente des délais de signalement et des biais liés à l'accès aux soins. La surveillance des eaux usées (Wastewater-Based Epidemiology - WBE) émerge comme une source de données complémentaire, passive et continue, capable de détecter la charge virale dans une communauté avant l'apparition des symptômes cliniques.

Cependant, intégrer ces données hétérogènes dans des modèles de prévision épidémiologique reste un défi technique majeur :

• Les zones de collecte des eaux usées ne correspondent pas toujours aux régions de rapportage des soins de santé.
• Les données proviennent de multiples sites avec des fréquences, des méthodes de laboratoire et des latences de rapportage variables.
• Peu d'études ont évalué rigoureusement si l'ajout de données d'eaux usées améliore réellement la performance prédictive des modèles par rapport aux modèles utilisant uniquement les données cliniques.

L'objectif de cette étude est de développer, évaluer et comparer un modèle de prévision semi-mécaniste intégrant les données d'eaux usées pour prédire les hospitalisations liées au COVID-19 aux États-Unis.

2. Méthodologie

Modèle Génératif Bayésien Hiérarchique
Les auteurs ont développé un modèle de renouvellement (renewal model) semi-mécaniste implémenté en langage probabiliste Stan.

• Structure : Le modèle divise la population d'une juridiction (État/Territoire) en sous-populations : une pour chaque site de surveillance des eaux usées et une "sous-population de référence" pour le reste de la population non couverte.
• Dynamique Latente : Il infère la dynamique d'infection latente à partir du nombre effectif de reproduction ($R_t$) par sous-population.
• Génération des données observées :
  • Les hospitalisations sont générées à partir des infections totales via une distribution de probabilité d'admission et un délai d'incubation/hospitalisation.
  • Les concentrations d'eaux usées sont générées à partir des infections des sous-populations correspondantes via un modèle de rejet viral (shedding model), en tenant compte des limites de détection et des variations entre laboratoires.
• Approche Bayésienne : L'inférence est effectuée via un échantillonneur NUTS (No-U-Turn Sampler) pour obtenir des distributions prédictives postérieures.

Données et Scénarios d'Évaluation

• Données : Hospitalisations quotidiennes (NHSN) et concentrations d'ARN du SARS-CoV-2 (NWSS) pour 52 juridictions (50 États + DC + Porto Rico) entre octobre 2023 et avril 2024.
• Deux versions du modèle :
  1. Modèle "Hospital admissions-only" : Utilise uniquement les données d'hospitalisations.
  2. Modèle "Wastewater-informed" : Intègre simultanément les données d'eaux usées et d'hospitalisations.
• Évaluations :
  • Temps réel (Real-time) : Soumission de prévisions hebdomadaires (28 jours à l'avance) au US COVID-19 Forecast Hub de février à avril 2024.
  • Rétrospectif : Génération de prévisions hypothétiques pour toute la vague hivernale 2023-2024 en utilisant des jeux de données "vintage" (snapshots de données tels qu'ils étaient disponibles à la date de prévision).
• Métriques : Score de probabilité continu (CRPS), Score d'intervalle pondéré (WIS), couverture des intervalles de confiance et biais.

3. Contributions Clés

1. Modélisation Intégrée : Développement d'un modèle génératif bayésien capable d'agréger des données d'eaux usées provenant de multiples sites hétérogènes tout en les couplant avec des données cliniques agrégées au niveau de l'État.
2. Évaluation Comparative Rigoureuse : Première étude à comparer systématiquement les performances de prévisions en temps réel et rétrospectives avec et sans données d'eaux usées, en les confrontant aux autres modèles soumis au Forecast Hub.
3. Logiciel Open Source : Publication du package R wwinference permettant à la communauté de réutiliser le modèle pour d'autres pathogènes ou localisations.
4. Analyse des Hétérogénéités : Identification que la performance du modèle dépend fortement du contexte local et temporel, avec des cas où les eaux usées améliorent la prévision et d'autres où elles la dégradent.

4. Résultats

Performance Globale

• Comparaison avec le Hub : Le modèle intégrant les eaux usées s'est classé 4ème sur 10 modèles individuels soumis en temps réel, tandis que la version sans eaux usées se serait classée 2ème. Sur la saison rétrospective complète, les deux versions se seraient classées 4ème et 5ème.
• Comparaison Inter-modèle : Globalement, l'ajout des données d'eaux usées n'a pas amélioré la performance moyenne de prévision par rapport au modèle basé uniquement sur les hospitalisations (rCRPS $\approx$ 1.01). Les deux modèles ont des performances agrégées très similaires.

Hétérogénéité et Cas Particuliers

• Variabilité Locale : Il existe une forte hétérogénéité. Pour certaines juridictions et périodes, les eaux usées ont significativement amélioré la prévision (ex: détection précoce d'une baisse des admissions en Californie). Pour d'autres, elles ont dégradé la performance (ex: surestimation des admissions en Virginie ou Ohio en raison de signaux discordants).
• Calibration : Le modèle intégrant les eaux usées tendait à être moins biaisé vers le haut (overprediction) aux quantiles inférieurs, mais présentait une couverture d'intervalle légèrement plus faible (plus confiant) que le modèle sans eaux usées.
• Périodes de Crise : Les deux modèles ont eu des difficultés à prédire correctement les pics d'hospitalisations (janvier 2024), suggérant que la structure du modèle de renouvellement est le facteur limitant principal, indépendamment des données d'eaux usées.

Analyse des Drivers de Performance
L'analyse exploratoire a révélé que le modèle performait moins bien lorsque :

• Les sites d'eaux usées étaient fortement corrélés entre eux (le modèle surestimait la certitude).
• Les tendances des eaux usées et des hospitalisations étaient alignées mais erronées (ex: une baisse rapide des concentrations d'eaux usées due à la dilution par les pluies, sans baisse réelle des infections).

5. Signification et Conclusion

Cette étude démontre que, bien que la surveillance des eaux usées soit un outil prometteur, son intégration brute dans des modèles de prévision existants ne garantit pas une amélioration automatique de la précision.

• Nuance importante : L'absence d'amélioration globale masque des gains significatifs dans des contextes spécifiques (détection précoce de changements de tendance).
• Défis identifiés : La principale limitation réside dans la difficulté de distinguer les variations biologiques (infections) des variations environnementales (dilution par la pluie, variations de débit) et la corrélation spatiale non modélisée entre les sites de surveillance.
• Perspectives futures : Pour améliorer l'utilité de la WBE en prévision, il est nécessaire de :
  1. Développer des structures de corrélation spatiale plus réalistes dans les modèles.
  2. Intégrer des facteurs extrinsèques (météo, systèmes d'égouts combinés).
  3. Réduire les délais de rapportage des données.
  4. Accéder à des données "vintage" (historiques figées) pour des évaluations rigoureuses.

En conclusion, ce travail fournit une base solide pour le développement futur de modèles épidémiologiques hybrides, soulignant que la valeur ajoutée des données d'eaux usées dépend de la qualité de l'intégration du modèle et du contexte de surveillance local.