Home Technologie et scienceL’impact des infections résistantes aux carbapénèmes dans les unités de soins intensifs : focus sur les bacilles Gram négatifs non fermentants et analyse de survie | Résistance aux antimicrobiens et contrôle des infections

L’impact des infections résistantes aux carbapénèmes dans les unités de soins intensifs : focus sur les bacilles Gram négatifs non fermentants et analyse de survie | Résistance aux antimicrobiens et contrôle des infections

by Thomas Caron

Publié le 2025-10-21 12:27:00. Une étude nationale approfondie menée sur six ans révèle des différences significatives dans l’évolution des infections nosocomiales résistantes aux carbapénèmes en soins intensifs, soulignant l’importance d’une surveillance continue et d’une adaptation des stratégies thérapeutiques.

  • Les patients infectés par des bactéries résistantes aux carbapénèmes (CR) présentent un risque accru de complications et de décès en soins intensifs.
  • L’étude a analysé les données de plus de 200 unités de soins intensifs à travers la France entre 2016 et 2022.
  • Les chercheurs ont utilisé des techniques statistiques avancées pour comparer les patients infectés par des bactéries résistantes et sensibles aux carbapénèmes.

Une vaste étude observationnelle, menée grâce au réseau de surveillance REA-REZO, a permis d’évaluer les facteurs de risque associés aux infections contractées en soins intensifs en France. Ce réseau, en cours de développement, collecte de manière prospective des données provenant de 206 services de réanimation pour adultes à travers le pays. Le protocole détaillé de collecte et de suivi des données est accessible en ligne sur le site web de REA-REZO.

L’étude s’est concentrée sur les patients admis en soins intensifs entre le 1er janvier 2016 et le 31 décembre 2022, et ayant développé une infection nosocomiale (IAS) – définie comme une infection du sang, une pneumonie ou une infection liée à un cathéter vasculaire central survenant au moins 48 heures après l’admission. Chaque séjour en soins intensifs a été considéré comme une observation distincte, et la base de données REA-REZO a été anonymisée pour garantir la confidentialité des patients. Ainsi, un patient réadmis recevait un nouvel identifiant et était traité comme un cas indépendant.

Les infections à Nf-GNB (Pseudomonas aeruginosa ou Acinetobacter baumannii) résistantes aux carbapénèmes (CR) ont été identifiées en fonction des résultats des tests de sensibilité aux antibiotiques, conformément aux directives du CA-SFM/EUCAST du Comité de l’Antibiogramme de la Société Française de Microbiologie. À l’inverse, les Nf-GNB sensibles aux carbapénèmes (CS) n’ont pas présenté de résistance à ces antibiotiques.

Pour l’analyse, les chercheurs ont extrait de la base de données REA-REZO des informations sur l’âge, le sexe, le score SAPS II (Simplified Acute Physiology Score II) mesuré à l’admission, les dates d’admission et de sortie, l’état vital à la sortie, la catégorie d’admission (chirurgie médicale, programmée ou d’urgence), la présence de traumatismes, l’origine du patient (communautaire ou inter-hôpitaux, les résidents des maisons de retraite étant inclus dans la catégorie communautaire), une éventuelle infection au COVID-19 à l’admission, le traitement antibiotique précoce, la ventilation mécanique, la date de l’infection, le numéro d’épisode infectieux, le site de l’infection, l’agent pathogène identifié, la résistance à l’antibiothérapie standard (ceftazidime et/ou pipéracilline-tazobactam) et la présence d’une infection polymicrobienne. Les infections acquises pendant la ventilation mécanique (pneumonie associée au ventilateur, infection du sang ou infection liée au cathéter vasculaire central) ont également été prises en compte.

Le principal critère d’évaluation était la survie à 30 jours en soins intensifs. Les critères secondaires incluaient la survenue d’une réinfection par Nf-GNB (infection ultérieure à un autre agent pathogène) et une rechute (infection ultérieure au même agent pathogène, quelle que soit la résistance aux carbapénèmes) dans les 30 jours suivant le séjour en soins intensifs.

Pour chaque patient atteint d’une infection CR Nf-GNB, les données ont été comparées à celles d’un patient atteint d’une infection CS Nf-GNB, en utilisant une méthode d’appariement basée sur le score de propension. Ce score a été estimé à l’aide d’un modèle de régression logistique, prenant en compte de nombreux facteurs potentiellement confondants : âge, sexe, SAPS II, durée du séjour en soins intensifs, numéro d’épisode infectieux, site de l’infection, agent pathogène, année, traumatisme à l’admission, catégorie d’admission, infection au COVID-19, utilisation précoce d’antibiotiques, origine du patient, résistance à la pipéracilline-tazobactam et/ou ceftazidime, infection polymicrobienne et infection HAI pendant la ventilation mécanique [référence 13]. L’adéquation de l’appariement a été évaluée à l’aide de la différence moyenne standardisée et de graphiques de Love.

Les analyses statistiques ont également inclus des statistiques descriptives (médianes et intervalles interquartiles pour les variables quantitatives, nombres et proportions pour les variables catégorielles), des tests de Wilcoxon, du Chi carré ou du test exact de Fisher, ainsi que des analyses de survie tenant compte du biais lié à la sortie des soins intensifs [référence 16]. L’incidence cumulée de réinfection a été analysée à l’aide d’un modèle de risques concurrents, considérant le décès et la sortie des soins intensifs comme des événements concurrents [référence 17]. Des modèles de régression des risques concurrents ont été utilisés pour évaluer l’association entre l’exposition aux infections CR Nf-GNB et le risque d’événements ultérieurs, en ajustant pour de nombreux facteurs de confusion.

Les analyses ont été réalisées à l’aide du logiciel R version 4.0.3, intégrant les logiciels Survival [référence 18], Matchit [référence 19] et RiskRegression [référence 20]. La signification statistique a été fixée à un seuil de p = 0,05.

You may also like

Leave a Comment

This site uses Akismet to reduce spam. Learn how your comment data is processed.