Les souches de SARS-CoV-2 évoluent continuellement en accumulant des mutations dans leur génome au cours de la pandémie. Nous présentons ici un cadre conceptuel général qui permet d'étudier l'effet des variants du SARS-CoV-2 sur la sévérité de la maladie COVID-19.

Nous utilisons un graphe acyclique orienté (« Directed Acyclic Graph » ou DAG) pour énoncer explicitement les hypothèses sous-jacentes qui sont faites pour estimer l'effet causal de l'infection par un variant du SARS-CoV-2 sur la sévérité de la maladie COVID-19 chez des patients hospitalisés. Les DAGs sont aussi utilisés pour explorer les différents designs d’étude avec leur risque de biais de sélection. Ensuite, l'infrastructure de données spécifiques à la surveillance du COVID-19 en Belgique est décrite, avec ses forces et ses faiblesses pour étudier l'impact clinique des variants.

Un modèle causal est défini et visualisé à l'aide d'un DAG, sur lequel figurent les variables aléatoires mesurées et d'autres non mesurées. Différentes méthodes, dont un design de cohortes appariées, sont proposées pour fixer les associations non causales. Les biais de sélection potentiels, notamment dans la sélection des patients pour un séquençage du génome complet (WGS) en se basant sur la charge virale ou la sévérité de l'infection, sont mis en évidence. Les limites de l'infrastructure de données actuelle, y compris l'enregistrement non exhaustif des patients hospitalisés pour COVID-19, sont décrites.

Un cadre bien établi qui fournit une vue complète de la sévérité de la maladie COVID-19 en combinant des informations provenant de différentes sources, permettra d'évaluer l'impact clinique des variants émergents. Le cadre montre la complexité liée à la recherche causale, les données nécessaires correspondantes et il souligne des limitations importantes comme des facteurs de confusion non mesurés ou un biais de sélection, inhérentes à la réorientation des registres de données COVID-19 de routine existants.

Les auteurs déclarent ne pas avoir de liens d'intérêts.