Dans une étude récente publiée dans PLOS Unles chercheurs ont développé un modèle causal pour analyser la distribution de la charge virale du coronavirus 2 (SRAS-CoV-2) du syndrome respiratoire aigu sévère en fonction de l’âge des patients.
Sommaire
Arrière plan
La véritable mesure dans laquelle les adolescents et les enfants sont infectés par le SRAS-CoV-2 n’est pas bien connue. Leur rôle dans la transmission communautaire du SRAS-CoV-2 dépend des symptômes, de la charge virale, du comportement, de la sensibilité et des stratégies d’atténuation existantes. La charge virale est la concentration du virus dans les voies respiratoires supérieures et est généralement exprimée en copies d’ARN viral par millilitre d’échantillon.
La charge virale est déduite de la valeur du seuil de cycle (Ct) d’un échantillon dans un test de réaction en chaîne par polymérase à transcription inverse (RT-PCR). Plusieurs études ont cherché à savoir si les enfants et les adultes présentent des charges virales différentielles pendant la maladie à coronavirus 2019 (COVID-19). La charge virale est une variable critique qui pourrait aider à prédire la gravité et la mortalité du COVID-19.
À propos de l’étude
La présente étude a examiné la charge virale comme indicateur de l’infectivité du SRAS-CoV-2 et a réanalysé les données stratifiées par âge précédemment rapportées par un autre groupe de recherche via un modèle non paramétrique, bayésien et causal. Depuis l’épidémie de COVID-19, des efforts ont été déployés pour déterminer si les individus de groupes d’âge spécifiques sont plus susceptibles d’être infectés que d’autres.
Pour expliquer les données sur la charge virale et l’âge du SRAS-CoV-2, un modèle doit intégrer des connaissances fondamentales sur la relation causale entre la charge virale et l’âge. Un modèle causal non paramétrique a été développé et appliqué aux données. Données de charge virale RT-PCR du Charite Institute of Virology and Labour, Allemagne. Ces données ont été obtenues avec deux instruments PCR – Roche Cobas 6800/8800 et Roche LightCycler 480 II.
Le jeu de données cobas, noté dCcomprenait environ 2 200 points de données, alors que le LC480 (dL) jeu de données composé d’environ 1 350 points de données. L’ensemble de données analysé se composait de paires indexées d’âge (x) et de charge virale logarithmique (y) pour chacun des patients infectés « N ». Deux seuils inférieurs de filtrage des données pour les charges virales ont été définis – ymin (3.8) et y’min (5.4) et tout point de données avec une charge virale inférieure à ymin Andy’min a été jeté. Les deux ensembles de données ont d’abord été analysés en excluant les données inférieures à ymin et puis en dessous de y’min.
Résultats
Les auteurs ont observé, en général, une tendance décroissante dans la distribution de la probabilité de la charge virale pour tous les ensembles de données et tous les groupes d’âge. Le dC l’ensemble de données a montré des différences significatives dans la charge virale pour différents groupes d’âge. La distribution avait un maximum distinct pour les charges virales égales ou supérieures à 8 (en unités logarithmiques) pour les patients de plus de 60 ans. Les chercheurs ont noté que ce n’était pas une conséquence d’un surajustement du bruit de l’échantillon mais était déclenché par les données. Cela signifiait que les différences dans les données réelles n’étaient pas simplement un effet de bruit de tir.
Pour la structure causale x → y (l’âge influence la charge virale), il y avait des preuves dans le dC ensemble de données pour la distribution de la charge virale en fonction de l’âge. Le rapport log-évidence pour le dC l’ensemble de données favorisait explicitement le modèle dépendant, mais il diminuait lorsque y’min était considéré comme le seuil inférieur. Le rapport log-évidence était faible pour la relation causale inverse y → x (la charge virale influence l’âge), indiquant l’absence de structure robuste y → x dans les données.
Les ratios log-évidence pour le dL l’ensemble de données pour l’un ou l’autre des seuils favorisait un modèle indépendant. Les auteurs ont effectué des randomisations de données plusieurs fois pour générer plusieurs ensembles de données randomisés. Les randomisations ont été répétées pour valider et calibrer le calcul du ratio de preuves. Les ratios log-preuves entre les modèles causals (dépendants) et indépendants pour 10 ensembles de données randomisés étaient beaucoup plus faibles que pour les ensembles de données originaux.
Ensuite, les auteurs ont cherché à savoir si la ou les différences d’âge dans la distribution de la charge virale seraient pertinentes pour la dynamique de l’infection. À cette fin, la charge virale était liée à l’infectiosité, la probabilité de transmission de l’infection. L’équipe a utilisé un « succès projeté de l’isolement du virus » basé sur la distribution probit comme indicateur de l’infectiosité. Il n’y avait pas de différences plus importantes dans l’infectiosité projetée entre les différents groupes d’âge. Cela signifiait qu’au maximum, une différence de 50% (plus probablement une plus petite) de l’infectiosité pouvait être anticipée en raison des charges virales différentielles entre les groupes d’âge.
conclusion
En résumé, les auteurs ont constaté que les différences dans la distribution de la charge virale du SRAS-CoV-2 entre les groupes d’âge dans le dC ensemble de données étaient statistiquement significatifs. Ils ont observé une augmentation statistiquement significative de la charge virale avec l’âge, une tendance qui correspond à la notion généralement acceptée d’une réponse immunitaire plus faible à mesure que l’âge avance.
En tant que tel, son impact sur l’infectiosité des différents groupes d’âge était modéré. Dans l’ensemble, les résultats ont souligné que la charge virale n’était que modérément dépendante de l’âge, ce qui concorde avec les preuves de la littérature. Les auteurs ont suggéré que les modèles décrits pourraient être facilement adaptés à des fins générales et pourraient être utilisés pour de futures variantes ou pandémies du SRAS-CoV-2.
