Résumé
La résistance aux antimicrobiens (RAM) chez Vibrio cholerae constitue une menace majeure pour les efforts de lutte contre le choléra en Afrique. Cependant, les données relatives à la distribution géographique des profils de résistance aux antimicrobiens en République démocratique du Congo (RDC) demeurent limitées et fragmentaires. Cette étude visait à décrire l'hétérogénéité géographique des profils de résistance aux antimicrobiens parmi les isolats de V. cholerae O1 provenant de trois provinces de l'est de la RDC considérées comme des foyers majeurs de choléra, et à identifier les facteurs associés. Nous avons mené une étude transversale analytique répétée portant sur 3 676 isolats de V. cholerae O1 obtenus à partir de 25 421 échantillons de selles collectés entre 2007 et 2023 par le Laboratoire national de référence du choléra à Goma, dans trois provinces de l'est de la RDC (Nord-Kivu, Sud-Kivu et Tanganyika). Les profils de résistance aux antimicrobiens ont été analysés selon deux approches complémentaires : (i) un modèle linéaire généralisé mixte (GLMM), intégrant un intercept aléatoire pour les zones de santé, afin de quantifier l'hétérogénéité spatiale au moyen du coefficient de corrélation intraclasse (CCI) et de tester les interactions Province × Sérotype à l'aide de tests du rapport de vraisemblance; et (ii) une régression logistique pénalisée de Firth, limitée à la période commune 2021–2022, afin d'estimer les rapports de cotes ajustés (aOR) de la résistance à l'érythromycine, tout en tenant compte du problème de séparation quasi complète. Les analyses ont été réalisées à l'aide du logiciel R, version 4.3.3. La résistance était quasi universelle à l'ampicilline (99,8 %), au chloramphénicol (100 %), au cotrimoxazole (100 %) et à l'acide nalidixique (99,9 %), tandis qu'aucune résistance n'a été détectée à la tétracycline, à la doxycycline, à la norfloxacine ou à l'azithromycine. Seule la résistance à l'érythromycine présentait une hétérogénéité géographique marquée, caractérisée par un gradient net du nord vers le sud (28,2 % au Nord-Kivu, 65,4 % au Sud-Kivu et 86,5 % au Tanganyika; p < 0,001), ainsi qu'une variabilité intraprovinciale extrême (de 0 à 97,9 % selon les zones de santé). Les variations observées au niveau des zones de santé représentaient 56,7 % de la variance totale (CCI = 0,567). Après ajustement sur les effets temporels, les différences géographiques demeuraient significatives, avec des probabilités plus élevées de résistance à l'érythromycine au Sud-Kivu (OR ajusté = 1,93; IC à 95 % : 1,31–2,85; p = 0,001) et au Tanganyika (OR ajusté = 4,02; IC à 95 % : 1,89–9,27; p < 0,001). La RAM chez V. cholerae en RDC se caractérise par une résistance quasi universelle à plusieurs antibiotiques historiquement utilisés, tandis que la sensibilité à la doxycycline et à l'azithromycine demeure préservée. Le gradient géographique marqué de la résistance à l'érythromycine, l'importante hétérogénéité intraprovinciale et l'interaction significative Province × Sérotype soulignent la nécessité de renforcer la surveillance à l'échelle des zones de santé afin d'orienter les stratégies thérapeutiques contre le choléra adaptées aux réalités locales.
Références
1. World Health Organization. Global situation report for cholera, 2024. Weekly Epidemiological Record. 2025;100(36):347–364. Geneva: WHO; https://iris.who.int/server/api/core/bitstreams/6df56b 18-44f1-4aa1-a952-93c15808a583/content
2. Bompangue D, Giraudoux P, Handschumacher P, Piarroux M, Sudre B, Ekwanzala M, Kebela I, Piarroux R. Lakes as source of cholera outbreaks, Democratic Republic of Congo. Emerg Infect Dis. 2008 May;14(5):798-800. https://doi.org/10.3201/eid1405.071260
3. Ingelbeen B, Hendrickx D, Miwanda B, van der Sande MAB, Mossoko M, Vochten H, et al. Recurrent cholera outbreaks, Democratic Republic of the Congo, 2008–2017. Emerg Infect Dis. 2019;25(5):856-864. https://doi.org/10.3201/eid2505.181141
4. Hegde ST, Khan AI, Perez-Saez J, Khan II, Hulse JD, Islam MT, Khan ZH, Ahmed S, Bertuna T, Rashid M, Rashid R, Hossain MZ, Shirin T, Wiens KE, Gurley ES, Bhuiyan TR, Qadri F, Azman AS. Clinical surveillance systems obscure the true cholera infection burden in an endemic region. Nat Med. 2024 Mar;30(3):888-895. https://doi.org/10.1038/s41591-024-02810-4
5. Leibovici-Weissman Y, Neuberger A, Bitterman R, Sinclair D, Salam MA, Paul M. Antimicrobial drugs for treating cholera. Cochrane Database of Systematic Reviews. 2014;(6):CD008625. https://doi.org/10.1002/14651858.CD008625.pub2
6. Thapa Shrestha U, Adhikari N, Maharjan R, Banjara MR, Rijal KR, Basnyat SR, Agrawal VP. Multidrug resistant Vibrio cholerae O1 from clinical and environmental samples in Kathmandu city. BMC Infect Dis. 2015 Feb 27;15:104. https://doi.org/10.1186/s12879-015-0844-9
7. Foster-Nyarko E, Able-Thomas S, Adade NE, Adade R, Anne JCB, Antwi L, et al. Genomic diversity and antimicrobial resistance of Vibrio cholerae isolates from Africa: a PulseNet Africa initiative using nanopore sequencing to enhance genomic surveillance. MicrobGenom. 2025 Dec;11(12):001586. https://doi.org/10.1099/mgen.0.001586
8. Miwanda B, Moore S, Muyembe JJ, Nguefack-Tsague G, Kabangwa IK, Ndjakani DY, et al. Antimicrobial drug resistance of Vibrio cholerae, Democratic Republic of the Congo. Emerg Infect Dis. 2015;21(5):847-51. https://doi.org/10.3201/eid2105.141233
9. Marin MA, Thompson CC, Freitas FS, Fonseca EL, Aboderin AO, Zailani SB, et al. Cholera outbreaks in Nigeria are associated with multidrug resistant atypical El Tor and non-O1/non-O139 Vibrio cholerae. PLoS Negl Trop Dis. 2013;7(2):e2049. https://doi.org/10.1371/journal.pntd.0002049
10. Valia R, Taviani E, Spagnoletti M, Ceccarelli D, Cappuccinelli P, Colombo MM. Vibrio cholerae O1 epidemic variants in Angola: a retrospective study between 1992 and 2006. Front Microbiol. 2013 Nov 28;4:354. https://doi.org/10.3389/fmicb.2013.00354
11. Bundi M, Shah MM, Odoyo E, Kathiiko C, Wandera E, Miring'u G, Guyo S, Langat D, Morita K, Ichinose Y. Characterization of Vibrio cholerae O1 isolates responsible for cholera outbreaks in Kenya between 1975 and 2017. Microbiol Immunol. 2019 Sep;63(9):350-358. https://doi.org/10.1111/1348-0421.12731
12. Bolker BM, Brooks ME, Clark CJ, Geange SW, Poulsen JR, Stevens MHH, et al. Generalized linear mixed models: A practical guide for ecology and evolution. Trends Ecol Evol. 2009;24(3):127-35. https://doi.org/10.1016/j.tree.2008.10.008
13. Rahbe E, Varon E, Opatowski L, Guillemot D, Guillemot D, et al. Determinants of worldwide antibiotic resistance dynamics across drug-bacterium pairs: a multivariable spatial-temporal analysis using ATLAS. The Lancet Planetary Health. 2023;7(7):e547– e557. https://doi.org/10.1016/S2542-5196(23)00127-4
14. Kabangwa RKS, Mukuku O, Iyombe JE, Lufulwabo JK, Kandolo DK, Tsongo ZK, Wembonyama SO. Seasonal variation, temporal trends, and factors associated with PCR-confirmed cholera in Goma city and surrounding health zones in Eastern Democratic Republic of the Congo, 2020-2024: a multilevel analysis. Trop Med Health. 2026 Jul 1;54(1):125. https://doi.org/10.1186/s41182-026-01019-0
15. Clopper CJ, Pearson ES. The use of confidence or fiducial limits illustrated in the case of the binomial. Biometrika. 1934;26(4):404-13. https://doi.org/10.1093/biomet/26.4.404
16. Firth D. Bias reduction of maximum likelihood estimates. Biometrika. 1993;80(1):27-38. https://doi.org/10.1093/biomet/80.1.27
17. Heinze G, Schemper M. A solution to the problem of separation in logistic regression. Stat Med. 2002;21(16):2409-19. https://doi.org/10.1002/sim.1047
18. AsosegaKA, Adebanji AO, Abdul-Rahaman A. Application of Hierarchical/Multilevel Models and Quality of Reporting (2010–2020): A Systematic Review. Scientific World Journal. 2024;2024:4658333. https://doi.org/10.1155/2024/4658333
19. Heinze G. A comparative investigation of methods for logistic regression with separated or nearly separated data. Stat Med. 2006;25(24):4216-26. https://doi.org/10.1002/sim.2687
20. O'Brien RM. A caution regarding rules of thumb for variance inflation factors. Qual Quant. 2007;41(5):673-90. https://doi.org/10.1007/s11135-006-9018-6
21. Steyerberg EW, Vergouwe Y. Towards better clinical prediction models: seven steps for development and validation. European Heart Journal. 2014;35(29):1925–1931. https://doi.org/10.1093/eurheartj/ehu207
22. Bates D, Mächler M, Bolker B, Walker S. Fitting linear mixed-effects models using lme4. J Stat Softw. 2015;67(1):1-48. https://doi.org/10.18637/jss.v067.i01
23. Sterne JA, White IR, Carlin JB, Spratt M, Royston P, Kenward MG, et al. Multiple imputation for missing data in epidemiological and clinical research: potential and pitfalls. BMJ. 2009;338:b2393. https://doi.org/10.1136/bmj.b2393
24. Core Team. R: A Language and Environment for Statistical Computing. Vienna (Austria): R Foundation for Statistical Computing; 2023. Available from: https://www.R-project.org/
25. Rashed SM, Hasan NA, Alam M, Sadique A, Sultana M, Hoq MM, et al. Vibrio cholerae O1 with reduced susceptibility to ciprofloxacin and azithromycin isolated from a rural coastal area of Bangladesh. Front Microbiol. 2017;8:252. https://doi.org/10.3389/fmicb.2017.00252
26. Garbern SC, Chu TC, Yang P, Gainey M, Nasrin S, Kanekar S, et al. Clinical and socio-environmental determinants of multidrug-resistant Vibrio cholerae O1 in older children and adults in Bangladesh. Int J Infect Dis. 2021;105:436-41. https://doi.org/10.1016/j.ijid.2021.02.102
27. Okeke IN, Laxminarayan R, Bhutta ZA, Duse AG, Jenkins P, O'Brien TF, et al. Antimicrobial resistance in developing countries. Part I: Recent trends and current status. Lancet Infect Dis. 2005;5(8):481-93. https://doi.org/10.1016/S1473-3099(05)70189-4
28. Olu OO, Maleghemi S, Olayinka A, Guyo AG, Woldetsadik SF, Ameda IM, et al. Unmasking and tackling the underestimation of the cholera burden in Africa: A viewpoint. PLoS NeglTropDis. 2025;19(6):e0013128. https://doi.org/10.1371/journal.pntd.0013128
29. Global Task Force on Cholera Control (GTFCC). Evaluation de la surveillance du choléra : Document d'orientation provisoire 2024. Genève: GTFCC; 2024. https://www.gtfcc.org/wp-content/uploads/2025/04 /gtfcc-assessment-of-cholera-surveillance-fr.pdf
30. Schedwin M, Bisumba Furaha A, Elimian K, King C, Malembaka EB, Yambayamba MK, et al. Facility capacity and provider knowledge for cholera surveillance and diarrhoea case management in cholera hotspots in the Democratic Republic of Congo – a mixed-methods study. Glob Health Action. 2024;17:2317774. https://doi.org/10.1080/16549716.2024.2317774
Ce travail est disponible sous licence Creative Commons Attribution - Pas d’Utilisation Commerciale - Partage dans les Mêmes Conditions 4.0 International.
Merci de créditer les auteurs lors de toute citation : Kabangwa et al. (2026)