ABSTRACT
Susceptibility results for Pasteurella multocida and Streptococcus suis isolated from swine clinical samples were obtained from January 1998 to October 2010 from the Animal Health Laboratory at the University of Guelph, Guelph, Ontario, and used to describe variation in antimicrobial resistance (AMR) to 4 drugs of importance in the Ontario swine industry: ampicillin, tetracycline, tiamulin, and trimethoprim-sulfamethoxazole. Four temporal data-analysis options were used: visualization of trends in 12-month rolling averages, logistic-regression modeling, temporal-scan statistics, and a scan with the "What's strange about recent events?" (WSARE) algorithm. The AMR trends varied among the antimicrobial drugs for a single pathogen and between pathogens for a single antimicrobial, suggesting that pathogen-specific AMR surveillance may be preferable to indicator data. The 4 methods provided complementary and, at times, redundant results. The most appropriate combination of analysis methods for surveillance using these data included temporal-scan statistics with a visualization method (rolling-average or predicted-probability plots following logistic-regression models). The WSARE algorithm provided interesting results for quality control and has the potential to detect new resistance patterns; however, missing data created problems for displaying the results in a way that would be meaningful to all surveillance stakeholders.
Les résultats de sensibilité pour des isolats de Pasteurella multocida et Streptococcus suis provenant d'échantillons cliniques de porcs furent obtenus du Animal Health Laboratory de l'Université de Guelph pour la période de janvier 1998 à octobre 2010, et utilisés pour décrire la variation dans la résistance antimicrobienne (AMR) à quatre antibiotiques d'importance dans l'industrie porcine en Ontario : l'ampicilline, la tétracycline, la tiamuline, et le trimethoprime-sulfaméthoxazole. Quatre options temporelles d'analyse des données ont été utilisées : visualisation des tendances des moyennes mobiles de 12 mois, modélisation de régression logistique, statistiques d'un scan temporel, et un scan avec l'algorithme «Qu'y a-t-il d'étrange avec des évènements récents?¼ (WSARE). Les tendances d'AMR variaient entre les antibiotiques pour un agent pathogène et entre les agents pathogènes pour un antibiotique unique, ce qui suggère que la surveillance AMR pour un agent pathogène spécifique serait préférable à des données indicatrices. Les quatre méthodes ont fourni des données complémentaires, et parfois des résultats redondants. La combinaison la plus appropriée de méthodes d'analyse pour la surveillance en utilisant ces données incluait les statistiques d'un scan temporel avec une méthode de visualisation (moyenne mobile ou graphes de probabilité prédite suite à des modèles de régression logistique). L'algorithme WSARE a fourni des résultats intéressants pour le contrôle de qualité et a le potentiel de détecter des nouveaux patrons de résistance; toutefois, des données manquantes ont causé des problèmes pour montrer les résultats d'une manière qui serait signifiante pour toutes les personnes concernées par la surveillance.(Traduit par Docteur Serge Messier).