De nombreux pathogènes sont soupçonnés d'interagir entre eux lorsqu’ils circulent dans les populations humaines. L'effet de ces interactions entre pathogènes peut être synergique ou antagoniste. Les avancées technologiques récentes en microbiologie ont favorisé la multiplication des études sur les interactions entre pathogènes chez l’hôte humain, notamment au sein des voies respiratoires. En effet, ces interactions peuvent jouer un rôle dans la dynamique de transmission des pathogènes concernés et avoir un impact conséquent sur la santé publique. Néanmoins, hormis certains systèmes plus souvent étudiés comme l’interaction entre la grippe et le pneumocoque pour laquelle des hypothèses mécanistiques spécifiques ont été suggérées, les connaissances concernant les mécanismes biologiques à l’origine de ces interactions restent limitées. De ce fait, un nouveau champ d'étude se développe soulevant de nombreuses questions. Du point de vue de la modélisation épidémiologique, il est nécessaire de répondre aux questions suivantes : comment formaliser les mécanismes sous-jacents à ces interactions dans des modèles mathématiques ? Quelles sont les conséquences de ces interactions sur la dynamique des infections dans les populations ? Dans quelles conditions et avec quelles méthodes les détecter à partir de données écologiques d’incidence, telles que celles rapportées par les systèmes de surveillance ? L’objectif du présent travail de thèse est de répondre à ces questions à partir de méthodes de modélisation statistique et mathématique, en travaillant spécifiquement sur les interactions entre grippe et pneumocoque. Bien que peu utilisée dans ce contexte, la modélisation mathématique permet une approche globale de ces phénomènes car elle formalise le lien entre l’échelle individuelle où ils se produisent et l’échelle de la population à laquelle ils peuvent être détectés. Dans un premier temps, j’ai conçu et développé un nouveau modèle agent afin de simuler la propagation simultanée de deux pathogènes en interaction dans une population humaine. Ce modèle a permis d’étudier au niveau populationnel les conséquences des phénomènes complexes liés à ces interactions, formalisées au niveau individuel. Notamment, j’ai montré que différentes hypothèses sur les mécanismes d’interaction entre la grippe et le pneumocoque conduisaient à des dynamiques d’incidence spécifiques. Dans un second temps, j'ai simulé à partir du modèle agent précédent des données similaires à des données de surveillance, pour lesquelles les mécanismes d’interaction et leur intensité étaient contrôlés. Les méthodes statistiques et mathématiques classiquement employées dans la littérature ont été appliquées à ces données. Les résultats ont montré leur capacité à identifier des associations entre pathogènes à partir d'un certain seuil, variable selon les méthodes et les mécanismes d'interaction. Enfin, dans le cadre d’une collaboration avec le CNRP et Santé Publique France, nous avons proposé une nouvelle méthode d'analyse des interactions entre pathogènes à partir de séries temporelles, basée sur l’étude de leur saisonnalité. Cette méthode a permis d'identifier une association faible dans les données françaises de syndromes grippaux et infections invasives à pneumocoque sur la période 2000-2014. Ainsi, les résultats et développements issus de ce travail de thèse permettent, par une approche de modélisation mathématique, une meilleure compréhension de l’impact des interactions au sein de l’hôte sur la dynamique d’incidence au niveau populationnel. Du fait du grand nombre de facteurs impliqués (pathogènes, hôte, environnement), la co-circulation de pathogènes en interaction dans une population est un système complexe que la modélisation est particulièrement apte à appréhender. Une meilleure compréhension de ces phénomènes est un enjeu capital pour le futur, notamment quant au développement de mesures de santé publique globales visant à réduire le fardeau des maladies infectieuses. / Several pathogens have been suggested to interact with each other while circulating within human populations. These between-pathogen interactions may be synergistic, when one pathogen favours another, or antagonistic when one pathogen is detrimental to the other. Recent technological developments in the field of microbiology have created new opportunities for studying between-pathogen interactions within the human host, and particularly in the respiratory tract. These interactions may have dramatic consequences on the transmission dynamics of the implicated pathogens, and consequent public health impacts. However, despite some mechanistic hypotheses having been formulated, especially for the well-studied influenza-pneumococcus system, the underlying biological mechanisms are still poorly understood. This developing field raises numerous questions. From an epidemiological modelling perspective, how should these interaction mechanisms be formalized into models? How do these interactions impact the transmission dynamics and burden of the involved pathogens? Under which conditions, and with which methods can interactions be detected from ecological incidence data, classically reported from surveillance systems? The aim of this thesis is to address these questions using statistical and mathematical modelling tools, with a specific focus on the interaction between influenza and pneumococcus. While mathematical models have scarcely been used to address between-pathogen interactions, they are powerful tools that allow for a global approach by precisely formalizing the interactions at the individual scale and linking them to the population scale at which data are collected and phenomena observed. First, I conceived and developed a new agent-based model which simulates the co-circulation of two interacting pathogens in a human population. This model specifically formalizes between-pathogen interactions at the individual level, resulting in global dynamics at the population level. Notably, I demonstrated that different hypotheses regarding interaction mechanisms between influenza and pneumococcus lead to specific incidence dynamics and interaction burdens. Second, in order to construct in silico data mimicking surveillance data, I simulated a large number of interaction scenarios from the previous agent-based model. These simulated datasets were analysed using a variety of statistical and mathematical methods classically applied in between pathogen association studies. Results showed that all methods consistently detected between-pathogen associations as long as the simulated interaction strength remained above a threshold, which varied according to the method and the simulated interaction mechanism. Lastly, collaborating with the National Center for Pneumococcal Reference and Santé Publique France, we developed a new method to analyse between-pathogen interactions from incidence time series, based on the analysis of their seasonality patterns. By applying this method to French data of influenza-like illnesses and invasive pneumococcal diseases over the 2000-2014 period, we identified a small association, consistent with previous studies. The mathematical models developed and results presented in this thesis provide new understanding of the impact of between-pathogen interactions at the population level and the efficiency of available methods to assess them. Because the co-circulation of pathogens in populations is a complex system involving a large number of factors related to the pathogens, the host, and the environment, the development of mathematical models will be critical in the future. A better comprehension of these phenomena is of major importance as it may lead to new opportunities to reduce the public health burden of infectious diseases.
| Identifer | oai:union.ndltd.org:theses.fr/2018SACLV010 |
| Date | 15 March 2018 |
| Creators | Arduin, Hélène |
| Contributors | Université Paris-Saclay (ComUE), Guillemot, Didier, Opatowski-Mezrahi, Lulla |
| Source Sets | Dépôt national des thèses électroniques françaises |
| Language | French |
| Detected Language | French |
| Type | Electronic Thesis or Dissertation, Text |
Page generated in 0.0025 seconds