Groupe de recherche sur la surveillance des eaux usées

Contexte

La quantité mesurée de SRAS-CoV-2 (le virus responsable de la COVID-19) dans les eaux usées peut varier considérablement d’un jour à l’autre, à l’instar des mesures cliniques de surveillance traditionnelles telles que le nombre de cas et d’admissions à l’hôpital, ce qui rend l’interprétation des données difficile pour les responsables de la santé publique. Nous avons testé une méthode appelée lissage et prévision bayésiens, qui a déjà été utilisée pour suivre et prévoir les cas de COVID-19, les hospitalisations et les décès.

Méthodes

Nous avons utilisé les données de la station d’épuration municipale d’Ottawa, au Canada, recueillies entre le 1er juillet 2020 et le 15 février 2022. Nous avons vérifié si cette méthode permettait de faire la moyenne des mesures et de prédire les quantités futures du virus. Nous avons également testé cette méthode avec des données provenant de 15 autres stations d’épuration en Ontario.

Résultats

Lorsque nous avons représenté les niveaux de virus dans les eaux usées au fil du temps en utilisant le lissage bayésien, nous avons pu clairement voir les différentes vagues de COVID-19 qui correspondaient au nombre de cas et d’hospitalisations. Cela est vrai tant pour Ottawa que pour les 15 autres communautés de l’Ontario. Les prévisions de la méthode concernant les niveaux de virus une semaine à l’avance étaient proches de ce qui a été observé entre le 23 décembre 2020 et le 8 août 2022. Initialement, le modèle sous-estimait les niveaux de virus lors des augmentations rapides et les surestimait lors des diminutions rapides. Après quelques ajustements, les prédictions correspondaient étroitement aux données observées.

Conclusion

L’utilisation d’un lissage bayésien sur les données relatives aux eaux usées permet d’obtenir des estimations précises des taux de croissance de COVID-19 et de prévoir les niveaux de virus une et deux semaines à l’avance pour 16 communautés de l’Ontario, au Canada. Cette méthode devrait être testée plus avant dans d’autres régions où les systèmes d’assainissement et les conditions environnementales sont différents.

Wastewater-based surveillance of SARS-CoV-2: Short-term projection (forecasting), smoothing and outlier identification using Bayesian smoothing. Douglas G. Manuel, Gauri Saran, Ivan Lee, Warsame Yusuf, Mathew Thomson, Elisabeth Mercier, Vince Pileggi, R. Michael McKay, Ryland Corchis-Scott, Qiudi Geng, Mark Servos, Heather Inert, Hadi Dhiyebi, Ivy M Yang, Bart Harvey, Erin Rodenburg, Catherine Millar, Robert Delatolla. Science of the Total Environment. 2024.07.25.174937; https://www.sciencedirect.com/science/article/abs/pii/S0048969724050873