Wastewater Surveillance as an Event Detection System: Outbreak and Peak Detection of SARS-CoV-2 Across 281 U.S. Counties

Cet article présente un nouveau cadre fondé sur la classification pour évaluer la surveillance basée sur les eaux usées en tant que système de détection d'événements, démontrant qu'un modèle bayésien de croissance exponentielle surpasse considérablement les méthodes traditionnelles dans l'identification fiable des débuts d'épidémies et des pics épidémiques du SRAS-CoV-2 à travers 281 comtés américains.

L'essentiel

Imaginez que vous essayez de déterminer si une fête devient incontrôlable ou si la musique a enfin cessé. Vous avez deux façons de le savoir : vous pouvez demander individuellement à chacun s'il s'amuse (données cliniques), ou vous pouvez écouter les basses qui résonnent à travers les murs (données d'eaux usées).

Cet article porte sur la mesure de la capacité de ces « basses qui résonnent » (la surveillance des eaux usées) à nous indiquer exactement quand une épidémie commence (un foyer) et quand elle atteint son point culminant (le pic épidémique), par rapport à interroger les individus.

Voici la décomposition de ce que les chercheurs ont découvert, en utilisant des analogies simples :

1. Le Problème : Poser les Mauvaises Questions

Pendant longtemps, les scientifiques ont examiné les eaux usées en se demandant : « Le volume de virus dans les égouts corréle-t-il avec le nombre de personnes malades ? » ou « Pouvons-nous prédire les chiffres de la semaine prochaine ? »

Les auteurs affirment que c'est comme essayer de deviner la météo en regardant les nuages, mais sans jamais vérifier s'il pleut réellement. Ils soutiennent que les responsables de la santé publique n'ont pas besoin d'une simple prévision ; ils ont besoin d'une alarme incendie. Ils doivent savoir : « Le feu commence-t-il maintenant ? » et « Le feu a-t-il atteint sa taille maximale ? »

Ainsi, au lieu d'essayer de prédire l'avenir, ils ont traité les eaux usées comme un détecteur de mouvement. Ils se sont demandé : « Ce détecteur peut-il repérer le moment où le feu commence et le moment où il atteint son pic ? »

2. Le Nouvel Outil : Un « Détecteur de Mouvement » pour les Virus

Les chercheurs ont mis au point une nouvelle méthode pour tester les données des eaux usées. Ils ont créé un « guide de règles » qui stipule :

• Détection du foyer : Si les niveaux de virus dans les égouts commencent à augmenter rapidement (comme un feu qui commence à se propager), nous considérons cela comme une « Foyer détecté ».
• Détection du pic : Si les niveaux de virus atteignent un point haut puis commencent à baisser, nous considérons cela comme un « Pic détecté ».

Ils ont comparé ce « détecteur de mouvement des égouts » à la « liste officielle des invités » (cas déclarés, hospitalisations et décès) pour voir à quelle fréquence le détecteur avait raison.

3. Les Résultats : Le Détecteur Fonctionne Étonnamment Bien

Ils ont testé cela sur 281 comtés aux États-Unis sur plusieurs années. Voici ce qu'ils ont découvert :

• L'alarme de « Début » (Foyers) : Le détecteur des eaux usées était très efficace pour repérer le début d'un foyer. Il a correctement identifié environ 82 % des foyers apparus dans les données officielles des cas.

  • Le Délai d'Anticipation : Le détecteur des eaux usées a généralement déclenché l'alarme environ 4 à 6 jours plus tôt que les rapports officiels de cas. Cela s'explique par le fait que les personnes excrètent le virus dans leurs selles avant de se sentir assez malades pour se faire tester.
  • La Comparaison : Ils ont testé une méthode plus complexe (appelée la méthode « Rt ») et ont constaté qu'elle était beaucoup moins efficace pour repérer le début du feu. Le modèle simple de « croissance exponentielle » qu'ils ont utilisé était comme une oreille plus aiguë et plus sensible.

• L'alarme de « Pic » : Le détecteur était également excellent pour repérer le moment où les niveaux de virus atteignaient leur point le plus élevé. Il a correctement identifié environ 84 % des pics.

  • Le Timing : Contrairement à l'alarme de « début », le détecteur des eaux usées n'a pas sonné beaucoup plus tôt pour le pic. Il a sonné presque en même temps que les données des cas.
  • Pourquoi ? Imaginez une baignoire. Lorsque vous ouvrez le robinet (nouvelles infections), le niveau d'eau monte rapidement. Mais lorsque vous fermez le robinet, l'eau ne s'écoule pas instantanément ; il faut du temps pour qu'elle redescende. Les eaux usées mesurent le volume total d'eau dans la baignoire (prévalence), et non pas seulement les nouvelles gouttes qui entrent (incidence). Ainsi, le « pic » du niveau de l'eau se produit presque au même moment que le pic des nouvelles gouttes.

4. L'Effet de « Regroupement » : L'Ensemble Aide-t-il ?

Ils se sont demandé si regarder l'ensemble d'un État (en regroupant de nombreux comtés) rendrait le détecteur meilleur, comme écouter un chœur plutôt qu'un seul chanteur.

• Pour les Foyers : Le regroupement n'a pas fait une énorme différence. Le détecteur fonctionnait bien qu'il écoute un seul quartier ou un État entier.
• Pour les Pics : Le regroupement a aidé un peu, en particulier pour des données « bruyantes » comme les décès. Lorsque vous lissez les données en regardant une zone plus vaste, il est plus facile de voir le vrai pic et d'ignorer les parasites.

5. La Conclusion

L'article conclut que la surveillance des eaux usées est une alarme incendie fiable.

• Elle peut vous dire quand un foyer commence, souvent quelques jours avant que les comptes officiels des cas ne rattrapent le retard.
• Elle peut vous dire quand une épidémie a atteint son pic, à peu près au même moment que les données officielles.
• Elle fonctionne bien à différentes échelles de zones (comtés et États) et pour différents résultats (cas, hospitalisations et décès).

Ce que l'article NE dit PAS :

• Il ne prétend pas que c'est une boule de cristal parfaite pour prédire l'avenir.
• Il ne dit pas que cela devrait remplacer les médecins ou les tests.
• Il ne prétend pas que cela fonctionne pour toutes les maladies (bien qu'il suggère que cela pourrait être le cas).

En bref : Si vous voulez savoir si un virus se propage maintenant ou s'il a atteint son maximum, écouter les égouts est un moyen rapide, précis et pratique de le faire.

Résumé technique

Résumé technique : La surveillance des eaux usées en tant que système de détection d'événements

Énoncé du problème
Bien que la surveillance basée sur les eaux usées (WBS) soit de plus en plus utilisée pour surveiller la dynamique des maladies infectieuses, les évaluations existantes se concentrent principalement sur des analyses de corrélation ou la prévision des résultats cliniques. Les auteurs soutiennent que ces approches ne parviennent pas à évaluer directement si la WBS peut identifier les événements épidémiologiques spécifiques les plus critiques pour la prise de décision en santé publique : le début d'une épidémie et le moment du pic épidémique. De plus, les modèles de prévision traditionnels éprouvent souvent des difficultés dans des contextes opérationnels en temps réel, en particulier lorsqu'il s'agit d'anticiper des augmentations brutales de l'activité de la maladie. Il manque un cadre systématique pour évaluer la WBS en tant que système de détection d'événements qui tient compte de l'incertitude temporelle, de la censure des données et des imperfections des résultats cliniques de référence.

Méthodologie
L'étude introduit un cadre basé sur la classification pour évaluer la WBS en tant que système de détection d'événements, appliqué à des données hebdomadaires de SARS-CoV-2 dans les eaux usées provenant de 281 comtés des États-Unis (Biobot, 2021–2024) et aux données cliniques correspondantes (cas, hospitalisations, décès).

1. Approches de détection d'événements :

   • Détection de début d'épidémie (Onset) : Les auteurs utilisent un modèle de croissance exponentielle bayésien. Pour chaque lieu et fenêtre temporelle, le modèle ajuste une courbe de croissance exponentielle aux données (eaux usées ou cliniques) en supposant une distribution binomiale négative. Les épidémies sont définies par les estimations a posteriori du taux de croissance ($\eta$) : une épidémie commence lorsque le 5e percentile du taux de croissance a posteriori est positif ($\eta_{0.05} > 0$) et se termine lorsque le taux de croissance médian devient négatif ($\eta_{0.5} < 0$). Cette approche est comparée à une méthode standard basée sur le nombre de reproduction ($R_t$).
   • Détection de pic : Un algorithme basé sur des règles identifie les maxima locaux dans la série temporelle. Un pic est détecté si la valeur du signal au temps $t_p$ est strictement supérieure aux valeurs dans une fenêtre gauche ($w_L$) et supérieure ou égale aux valeurs dans une fenêtre droite ($w_R$), avec un seuil de magnitude minimale.

2. Cadre d'évaluation :

   • Résultats de référence : L'étude utilise à la fois des événements définis par algorithme et des événements « curatés ». Les épidémies et les pics curatés ont été générés par une inspection visuelle experte des séries temporelles de cas afin d'éliminer les détections peu plausibles ou de fusionner des événements fragmentés, servant ainsi d'étalon de référence plus rigoureux.
   • Intervalles de détection : Pour tenir compte de l'incertitude temporelle, un intervalle de détection est défini autour de chaque événement de référence. Un événement dans les eaux usées est un Vrai Positif (VP) s'il tombe dans cet intervalle (par exemple, $[-3, 3]$ semaines pour les cas ; $[-6, 0]$ semaines pour les décès).
   • Contrôles de qualité des données : Le cadre intègre des critères de complétude des données (excluant les classifications où les données sur les eaux usées sont manquantes pour plus d'un tiers de la fenêtre pertinente) et de censure (excluant les événements proches du début ou de la fin de la série temporelle où les fenêtres de détection sont incomplètes).
   • Métriques : La performance est mesurée à l'aide de la sensibilité (proportion d'événements cliniques détectés) et de la valeur prédictive positive (VPP, proportion de détections dans les eaux usées qui sont de vraies alertes).

3. Agrégation spatiale : L'analyse compare la performance au niveau du comté, au niveau agrégé par comté (moyenne pondérée par la population des comtés échantillonnés) et au niveau de l'État afin d'évaluer l'impact du lissage spatial sur la précision de la détection.

Résultats clés

• Détection de début d'épidémie : L'approche de croissance exponentielle bayésienne a nettement surpassé la référence basée sur $R_t$. Au niveau du comté, le modèle exponentiel a atteint une sensibilité de 0,82 et une VPP de 0,64 pour les épidémies définies par les cas, contre une sensibilité de 0,58 et une VPP de 0,19 pour la meilleure variante $R_t$. Par rapport aux épidémies de cas curatées, la sensibilité est passée à 0,92.
• Détection de pic : L'algorithme de détection de pics basé sur des règles a démontré une forte cohérence, atteignant une sensibilité de 0,84 et une VPP de 0,70 au niveau du comté par rapport aux pics de cas algorithmiques.
• Agrégation spatiale : L'agrégation a produit des améliorations modestes et statistiquement non significatives pour la détection de début d'épidémie. Cependant, pour la détection de pics par rapport à l'étalon de référence curaté, la VPP s'est améliorée de manière significative avec l'agrégation (passant de 0,40 au niveau du comté à 0,52 au niveau de l'État, $p < 0,001$), suggérant que l'agrégation aide à distinguer les pics significatifs du bruit dans les données de référence.
• Délais d'anticipation : Les signaux des eaux usées précédaient les épidémies définies par les cas d'environ 4 à 6 jours (0,6 à 0,8 semaine). En revanche, les signaux des eaux usées ont montré un délai d'anticipation minimal par rapport aux pics de cas (proche de zéro), ce qui est cohérent avec le fait que les eaux usées reflètent la prévalence (excrétion accumulée) plutôt que l'incidence (nouvelles infections). Les délais d'anticipation étaient plus longs pour les hospitalisations et les décès, s'alignant sur les retards biologiques dans la voie de l'infection vers le résultat.
• Résultats cliniques : La performance est restée robuste à travers différents résultats cliniques (cas, hospitalisations, décès), l'agrégation au niveau de l'État montrant des avantages particuliers pour la détection d'épidémies et de pics dans des résultats plus bruyants comme les décès.

Signification et affirmations
L'article revendique trois contributions principales :

1. Changement méthodologique : Il reformule l'évaluation de la WBS de la corrélation/prévision vers un problème de détection d'événements, fournissant un cadre de classification réutilisable qui gère explicitement l'incertitude temporelle, la censure et les étalons de référence imparfaits. Cette approche est conçue pour se généraliser au-delà de la COVID-19 et des eaux usées à tout signal de surveillance.
2. Validation empirique : Il démontre que les signaux des eaux usées peuvent détecter de manière fiable les débuts d'épidémies et les pics épidémiques à diverses échelles spatiales et pour divers résultats cliniques. L'étude met en évidence que le choix de la méthode de détection est important, montrant que des modèles plus simples et parcimonieux (croissance exponentielle, pics basés sur des règles) peuvent surpasser des références plus complexes ($R_t$) lorsqu'ils sont adaptés à l'objectif de détection.
3. Pertinence opérationnelle : Les résultats soutiennent l'utilisation de la WBS comme un outil pratique pour la prise de décision en santé publique. L'étude soutient que l'identification d'événements discrets (début/pic) est souvent un objectif plus atteignable et actionnable que la prévision de trajectoires continues, en particulier dans des environnements réels bruyants.

Les auteurs concluent que, bien que la performance varie selon le lieu et l'échelle, la surveillance des eaux usées est un outil viable et complémentaire pour surveiller la dynamique épidémique, capable de fournir des signaux opportuns pour le début d'épidémie et le moment du pic, qui s'alignent avec la théorie épidémiologique concernant l'incidence versus la prévalence.