Home >> La prévision haute priorité Infectiologie région de surveillance: Un modèle

La prévision haute priorité Infectiologie région de surveillance: Un modèle

socio-économique

Contexte Peu de chercheurs ont évalué les relations entre l’inégalité socioéconomique et les éclosions de maladies infectieuses au niveau de la population mondiale. Nous utilisons un modèle socioéconomique pour prévoir les taux annuels nationaux d’éclosions de maladies infectieuses. Méthodes Nous avons construit un modèle de Poisson multivarié à effets mixtes. L’ensemble de données incluait les éclosions d’intérêt international signalées dans l’épidémiologie de l’Organisation mondiale de la santé. Le modèle complet initial incluait des variables socioéconomiques liées à l’éducation, la pauvreté, la santé de la population, l’urbanisation, l’infrastructure de santé, le sexe La population, la latitude et l’altitude ont été incluses comme facteurs de confusion potentiels Le modèle initial a été réduit à un modèle final par une procédure d’élimination rétrospective Les variables dépendantes et indépendantes ont été retardées de plusieurs années pour permettre Parmi les variables socio-économiques testées, le modèle final incluait le taux de vaccination antirougeoleuse et la densité des lignes téléphoniques. La République Démocratique du Congo, la Chine et le Brésil étaient prédisposés au risque le plus élevé de flambées et la Colombie et l’Indonésie étaient prédites Comprendre les facteurs socio-économiques pourrait aider à améliorer la compréhension du risque de flambée L’inclusion de la variable de vaccination antirougeoleuse suggère qu’il existe une base fondamentale pour assurer une capacité de santé publique adéquate. et l’accroissement de la capacité de santé publique devrait être prioritaire dans les régions à risque élevé prévues

Voir le commentaire éditorial de Polgreen et Polgreen sur les pages «La dynamique de l’émergence et de la propagation des maladies infectieuses est un processus complexe, mais il a été reconnu qu’elles sont au moins en partie propulsées par des changements. dans les facteurs socio-économiques, environnementaux et biologiques Dans cette étude, nous avons porté notre attention sur la perspective socio-économique spécifiquement pour mieux comprendre le risque de maladie infectieuse pour une population. Les facteurs socio-économiques couvrent un continuum hiérarchique de distal à proximal. les facteurs au niveau de la population tels que l’inégalité, l’éducation, le produit intérieur brut et les dépenses de santé publique, tandis que les facteurs individuels tels que la richesse personnelle, l’état nutritionnel et l’accès aux soins se situent à la fin. les facteurs de risque ont été abondants, mais appelle à plus de recherche d’un pop Depuis lors, une littérature abondante a établi des liens entre les facteurs socioéconomiques macroéconomiques et les résultats en matière de santé de la population tels que la mortalité infantile et l’espérance de vie. De manière générale, ces résultats se sont améliorés à mesure qu’un pays devient de plus en plus «développé», la variation étant en partie attribuée aux externalités liées à l’inégalité ou à la cohésion sociale . De même, bien que le rôle des facteurs socio-économiques au niveau de la population dans les résultats des maladies infectieuses ait reçu relativement peu d’attention

Figure Vue largeTélécharger un modèle socioéconomique des foyers de maladies La présente étude s’intéresse aux facteurs distaux contribuant à l’émergence des épidémies. Adapté avec la permission des auteurs Schell, Reilly, Rosling, Peterson et Ekström Figure Vue largeTélécharger un modèle socioéconomique des épidémies L’étude porte sur les facteurs distaux contribuant à l’émergence des épidémies Adapté avec la permission des auteurs Schell, Reilly, Rosling, Peterson et Ekström Dans cette étude, nous avons examiné l’association entre les variables socioéconomiques nationales et le risque national de maladies infectieuses. Les efforts pour mieux comprendre comment les différents facteurs déterminent l’émergence et la propagation sont essentiels pour formuler des politiques qui optimisent stratégies pour la prévention, la détection, et la gestion des épidémies Comprendre le risque géographique est également important pour déterminer si les ressources mondiales sont correctement allouées, d’autant plus que les efforts de surveillance et de recherche sur les maladies infectieuses sont orientés vers un nombre limité de pays plus riches

Méthodes

Les données

Données épidémiologiques

Dans une étude antérieure , une base de données mondiale historique des épidémies de maladies infectieuses signalées dans les rapports de l’OMS sur les épidémies de maladies (http://www.whoin.org/csr/def/en/) a été rassemblée. Ces rapports décrivent des événements de santé publique confirmés jugés d’intérêt international. des épidémies, telles que celles des maladies endémiques, ont été exclues de la base de données pour plus de détails Le pays répertorié pour chaque foyer est généralement le premier pays à avoir des cas, ou en cas de doute, le pays avec le plus de casNous avons compté le nombre de chaque pays d’étude des pays ou territoires est apparu dans la base de données sur les foyers chaque année si aucun de ceux-ci n’était exclu car une grande partie des données socio-économiques n’étaient pas encore disponibles au moment de l’étude

Données socio-économiques

Nous avons choisi une seule variable pour représenter chacune des catégories: éducation, bien-être financier, santé de la population, développement urbain, infrastructure de la santé, égalité entre les sexes, infrastructure de communication, infrastructure de transport, et Notre tableau de variables est basé sur la littérature sur les déterminants sociaux et environnementaux de la santé et les maladies infectieuses, ainsi que sur notre impression de qualité et de disponibilité des données Par exemple, de nombreuses études ont relié l’éducation, la richesse et l’égalité des sexes Les personnes les plus éduquées sont plus susceptibles de se familiariser avec les pratiques saines telles que la vaccination et l’hygiène personnelle , ou plus fondamentalement, les compétences de base en lecture et en calcul permettent d’enrichir leurs connaissances sur la santé tout au long de la vie. permettre l’accès à une meilleure nutrition, à l’eau potable, à l’assainissement et à la voiture médicale e , alors que l’égalité des sexes a des effets positifs sur la santé des femmes et sur la santé de leurs enfants En outre, les infrastructures de communication et de transport pourraient représenter une accessibilité pour la propagation des maladies. le développement des infrastructures résulte souvent de l’urbanisation et, en tant que carrefours pour les déplacements et les populations à forte densité, les villes facilitent la propagation rapide de la maladie . Cependant, dans les pays développés, les villes ont aussi tendance à les résidents ont accès à une meilleure infrastructure de santé publique Des études ont également constaté des effets positifs de la démocratie sur la santé de la population, tandis que la corruption politique pourrait entraîner une mauvaise gestion des dépenses publiques. Les variables socioéconomiques proviennent de la banque de données WDI des indicateurs de développement dans le monde: http: // dataworldbankorg, édition de décembre, Nous avons également décidé de tester l’indice de développement humain du Programme des Nations Unies pour le développement, défini comme un «indice composite mesurant les résultats moyens dans trois dimensions fondamentales du développement humain: une vie longue et saine, l’accès au savoir et un niveau de vie décent “

Tableau Variables globales de confusion potentielles, variable pour chacune des catégories socio-économiques et variable composite socio-économique Source de données de la variable [Valeurs min-max], pays sans éclosion pendant la période d’études [valeurs min-max], pays avec au moins l’éclosion Au cours de la période d’étude Population, total WDI confondant Démographie WDI Valeur absolue Latitude GPWv confondant, GeoNames Altitude & lt; m% de la superficie du paysa Confondation géographique GLOBE DEM [% -%] [% -%] Taux de scolarisation, primaire% net Éducation WDI socioéconomique [% -%] [% -%] Taux de pauvreté de la tête à $ par jour PPA,% de la population Bien-être social WDI [% -%] [% -%] Immunisation, rougeole% des enfants âges – mo Population santé socioéconomique WDI [% -%] [% -%] Population urbaine% du total Développement urbain WDI socioéconomique [% -%] [% -%] Dépenses de santé publiques% du total des dépenses de santé Infrastructures de santé socioéconomiques WDI [% -%] [% -%] Rapport filles / garçons dans l’enseignement primaire et secondaire% Égalité des sexes socio-économiques WDI [ -] Lignes téléphoniques, fixe mobile par habitant Communication socio-économique WDI Densité routière pavée km / kmb Transport socio-économique WDI, Annuaire démographique des Nations Unies Indice de démocratie Santé politique socioéconomique Economist Intelligence Unit [ -] Hu indice de développement humain indice composite socio-économique, composite PNUD Catégorie de source de variables [valeurs min-max], pays sans éclosion durant la période d’études [valeurs min-max], pays avec au moins une éclosion durant la période d’étude total WDI confondant démographique WDI Latitude valeur absolue Géographique confondant GPWv, GeoNames Altitude & lt; m% de la superficie du paysa Confondation géographique GLOBE DEM [% -%] [% -%] Taux de scolarisation, primaire% net Éducation WDI socioéconomique [% -%] [% -%] Taux de pauvreté de la tête à $ par jour PPA,% de la population Bien-être social WDI [% -%] [% -%] Immunisation, rougeole% des enfants âges – mo Population santé socioéconomique WDI [% -%] [% -%] Population urbaine% du total Développement urbain WDI socioéconomique [% -%] [% -%] Dépenses de santé publiques% du total des dépenses de santé Infrastructures de santé socioéconomiques WDI [% -%] [% -%] Rapport filles / garçons dans l’enseignement primaire et secondaire% Égalité des sexes socio-économiques WDI [ -] Lignes téléphoniques, fixe mobile par habitant Communication socio-économique WDI Densité routière pavée km / kmb Transport socio-économique WDI, Annuaire démographique des Nations Unies Indice de démocratie Santé politique socioéconomique Economist Intelligence Unit [ -] Hu homme Indice de développement Indice composite socio-économique, composite PNUD Abréviations: GLOBE DEM, Global Land Un kilomètre de base Élévation numérique Élément de données du modèle d’altitude National Oceanic and Atmospheric Administration; GPWv, Base de données sur la population quadrillée de la version mondiale Centre for International Earth Science Information Network, Université Columbia; PPP, parité de pouvoir d’achat; PNUD, Programme des Nations Unies pour le développement; WDI, Banque mondiale d’indicateurs du développement mondial World Banka Créé en additionnant les variables «lignes téléphoniques par personne» et «abonnements cellulaires mobiles par habitant» b Créé en multipliant «routes, km réseau total» WDI et «routes,% pavés de routes totales» WDI , puis en divisant par la surface Annuaire démographique des Nations UniesVoir grand

Confondeurs Données démographiques et géographiques

Des travaux de modélisation antérieurs ont suggéré que la densité de la population et de l’hôte et le climat avec une latitude absolue souvent utilisés comme mesure indirecte sont liés à la prévalence et à la propagation des agents pathogènes et des maladies. Par conséquent, nous avons inclus la population totale, la latitude absolue du centroïde de population d’un pays et la proportion de la surface d’un pays en dessous d’une élévation de mètres au-dessus du niveau moyen de la mer pour contrôler les facteurs démographiques et géographiques potentiellement Élever le risque de base pour les éclosions

Valeurs manquantes

Comme nous le prévoyions, une grande partie des valeurs manquantes étaient présentes dans nos données socioéconomiques, car tous les pays ne collectent et / ou ne rapportent pas ces données chaque année. Nous avons donc utilisé une méthode d’imputation multiple en utilisant la version Amelia II dans R méthode consiste à remplir n valeurs estimées pour chaque valeur manquante, résultant en n ensembles de données “complets” Les analyses sont ensuite effectuées séparément sur chaque ensemble de données, et les résultats sont combinés à la fin Certaines transformations, par exemple, logarithmiques ont été appliquées aux données avant la disparition les valeurs ont été imputées voir Données supplémentaires pour plus de détails

Analyses statistiques

Un modèle de régression de Poisson à effets mixtes multivariés a été construit pour prédire le nombre de foyers dans un pays donné dans une année donnée à partir d’indicateurs socioéconomiques nationaux. Il n’y avait pas de surdispersion dans la variable de résultat Le modèle incluait des termes à effets fixes pour les différents indicateurs socioéconomiques , et pour la population, la latitude et l’altitude comme facteurs confondants potentiels, et un terme à effets aléatoires intercepter uniquement pour tenir compte des regroupements au niveau des pays. Les diagrammes de fonction d’autocorrélation n’ont montré aucune autocorrélation temporelle significative. En général, la publication des données socioéconomiques semblait retardée. Les régresseurs à effets fixes ont été choisis pour le modèle multivarié par une procédure d’élimination rétrospective utilisant le critère d’information d’Akaike Nous avons effectué cette procédure d’élimination rétrospective séparément sur chacun des ensembles de données imputés, puis identifié les variables qui resté à la fin de au Les modèles ont été réestimés pour chacun des ensembles de données imputés, y compris les variables identifiées, puis un modèle final a été obtenu en combinant les résultats des ensembles en utilisant la procédure décrite par King et Scheve. Les modèles ont été construits en utilisant le paquet Zelig. R Pour évaluer l’ajustement du modèle, une version basée sur Monte Carlo du test de qualité d’ajustement de Pearson avec des répétitions a été réalisée Cette approche basée sur la simulation a été choisie pour éviter de regrouper les catégories, comme cela serait nécessaire pour la norme Pearson. χ test dû aux nombreuses cellules avec un compte attendu de & lt; Pour évaluer l’efficacité de la prédiction et valider le modèle, une validation croisée a été effectuée et des erreurs de prévision moyennes entre les valeurs réelles et prévues ont été calculées. Le modèle final a ensuite été utilisé pour prévoir le nombre attendu de foyers dans chaque pays en utilisant des données socioéconomiques. données pour les années écoulées Les analyses ont été effectuées dans la version R du projet pour le calcul statistique, Vienne, Autriche

RÉSULTATS

Notre base de données a inclus des flambées pendant – Le taux de flambée le plus élevé s’est produit en République Démocratique du Congo RD Congo; Moyenne des foyers par an, suivie du Soudan et de la Chine, du Brésil, de l’Inde et de la Guinée. Aucun des foyers étudiés n’a présenté de foyer durant toute la période d’étude. La plupart des années, un résumé des données socioéconomiques des valeurs minimales et maximales pour les pays sans éclosion par rapport aux pays avec au moins une épidémie au cours de la période d’étude est donné dans le tableau Le dernier modèle de régression multivariée de Poisson à effets mixtes prédisant le nombre de foyers dans chaque pays incluait des variables socio-économiques: le journal du nombre de lignes téléphoniques par personne; coefficient = -, P valeur = et le logit du pourcentage de vaccination antirougeoleuse des enfants âgés de – mois; coefficient = -, P valeur & lt ;; voir Tableau En outre, les variables de confusion de population et de latitude sont restées. Il y avait une forte corrélation entre plusieurs variables socioéconomiques elles-mêmes ainsi qu’avec les variables de confusion. Les tests diagnostiques du modèle A ont indiqué un modèle adéquat; le test d’ajustement de Monte de Monte-Carlo n’a pas démontré de manque significatif d’ajustement P = =, alors qu’une validation croisée «leave-one-out» a indiqué que l’erreur entre les valeurs prédites et observées différait en moyenne des éclosions

Tableau Modèle de régression de Poisson à effets mixtes multivariés finaux pour le nombre d’éclosions dans un pays donné dans une année donnée Intercepteur de valeur P à coefficients variables – & lt; LogTotal population & lt; Latitude absolue – & lt; La proportion d’élévation du pays & lt; m … LogitMeasles immunisation – LogTelephones – & lt; LogitEcole primaire … LogitHuman Development Index … LogitRapport sur la pauvreté … LogitPopulation urbaine … Indice de la démocratie … LogitDépenses en santé, … LogPaved road dens … Ratio filles / garçons dans l’enseignement secondaire primaire … Coefficient variable P Value Intercept – & lt; LogTotal population & lt; Latitude absolue – & lt; La proportion d’élévation du pays & lt; m … LogitMeasles immunisation – LogTelephones – & lt; LogitEcole primaire … LogitHuman Development Index … LogitRapport de pauvreté … LogitUniversité urbaine … Indice de la démocratie … LogitDépenses en santé, … LogPaved road dens … Ratio filles / garçons dans l’enseignement secondaire primaire … Un tiret indique qu’une variable initialement incluse n’était pas incluse dans le modèle final après un critère d’information Akaike procédure d’élimination rétrospective a été menée Les coefficients estimés pour les termes à effets fixes sont affichés Les termes à effets aléatoires ont été inclus dans le modèle pour tenir compte de la classification au niveau du pays mais ne sont pas affichés. le nombre attendu de foyers pour les zones géographiques à haut risque les plus susceptibles d’être en République démocratique du Congo, la Chine, le Brésil, l’Inde et le Soudan; voir Figure A et Tableau La Figure B représente pour chaque pays la différence entre le taux prévu et le taux annuel moyen pendant – Pour la plupart des pays, le modèle a généralement prédit moins de foyers en comparaison de leurs taux historiques, en accord avec la baisse générale du nombre des épidémies pendant la période – Diviser les pays en catégories de niveau de risque en fonction de leur taux annuel moyen de flambées épidémiques – Tableau, pour chaque catégorie, les pays ayant le plus fort pourcentage de diminution entre leur taux de flambée annuel moyen historique et leur nombre prévu En revanche, plusieurs pays à faible risque ont un risque modérément plus élevé que prévu, et l’Indonésie était en% au Togo et Haïti a également eu un risque accru projeté qui était respectivement de% et%, bien que le changer chaque était minime Les pays qui avaient à l’origine zéro éclosions dans notre base de données pour – nous sont exclus de ces calculs de pourcentage de changement car le dénominateur ne peut pas être égal à zéro Parmi ces pays, le Myanmar, le Mexique et la Papouasie-Nouvelle-Guinée devraient respectivement avoir, et des foyers,

Pays de table prévus pour avoir & gt; Éclosions dans, comme prévu par notre pays modèle Nombre projeté d’éclosions, nombre moyen d’éclosions, – Pourcentage de changement République démocratique du Congo – Chine – Brésil – Inde – Soudan – Somalie – Nigéria – Éthiopie – Ouganda – Côte d’Ivoire – Vietnam – Tchad – Guinée – Kenya – Indonésie Burkina Faso – Burundi – Angola – Nombre projeté de foyers, nombre moyen de foyers, – Pourcentage de changement République démocratique du Congo – Chine – Brésil – Inde – Soudan – Somalie – Nigéria – Éthiopie – Ouganda – Côte d’Ivoire – Vietnam – Tchad – Guinée – Kenya – Indonésie Burkina Faso – Burundi – Angola – Agrandir l’image

Pays du tableau, pour chacune des catégories de niveau de risque, avec le plus grand pourcentage projeté de réduction entre le nombre moyen d’éclosions par année pendant – et le nombre prévu d’éclosions pour le pays projeté Nombre d’éclosions, nombre moyen d’éclosions par année , – Changement en pourcentage Risque élevé & gt; foyers / y Guinée – République Démocratique du Congo – Soudan – Inde – Brésil – Risque intermédiaire – foyers / y Mozambique – Libéria – Angola – Sierra Leone – Zambie – Risque intermédiaire inférieur – foyers / y Gabon – République du Congo – Afghanistan – Cambodge – Malaisie – Faible risque & lt; foyers / y Chypre – Mongolie – Norvège – Tadjikistan – Albanie – Nombre projeté de foyers, nombre moyen de foyers par an, – Variation en pourcentage Risque élevé & gt; foyers / y Guinée – République Démocratique du Congo – Soudan – Inde – Brésil – Risque intermédiaire – foyers / y Mozambique – Libéria – Angola – Sierra Leone – Zambie – Risque intermédiaire inférieur – foyers / y Gabon – République du Congo – Afghanistan – Cambodge – Malaisie – Faible risque & lt; foyers / y Chypre – Mongolie – Norvège – Tadjikistan – Albanie – Les pays sont classés en catégories de niveau de risque sur la base de leur historique – taux moyen d’épidémiesView Large

Figure View largeTélécharger le nombre prévu de foyers pour A et sa différence par rapport au taux historique sur – B Il y avait une tendance générale à la baisse du nombre de foyers au cours de la période – et, par conséquent, le modèle prédit un nombre diminué Nombre de foyers pour A et sa différence par rapport au taux historique sur – B Il y a eu une tendance générale à la baisse du nombre de foyers au cours de la période et, par conséquent, la modèle prédit un nombre réduit de foyers pour la plupart des pays

DISCUSSION

il représente la mise en œuvre et l’efficacité réelles; Si les fonds distribués ne sont pas administrés, ou si les fonds distribués ne sont pas gérés efficacement, des programmes de vaccination financés par des fonds publics et de solides campagnes d’éducation sanitaire permettent l’accès et encouragent l’utilisation du vaccin. Notre rapport final suggère une base fondamentale pour une capacité et une efficacité adéquates en santé publique. Un rapport de l’Institut de Médecine a également identifié la répartition des mesures de santé publique comme des catégories de facteurs responsables de l’émergence des maladies infectieuses. , était la seule autre variable socio-économique qui restait dans notre modèle final Son lien avec le taux d’éclosion est moins évident, mais une théorie est qu’il peut être représentatif du flux d’information dans et hors de la communauté Une communauté mieux informée peut être mieux équipé pour la santé publique t Mais d’autres études ont décrit la répartition historique géographique mondiale des origines des événements infectieux émergents et de la richesse en pathogènes humains . identifié de manière analogue certaines zones géographiques potentielles futures à haut risque pour la propension des foyers Certains de ces pays, comme la République démocratique du Congo, qui a pris la première place, ont historiquement été exposés à un risque élevé de flambées et devaient continuer à En particulier, les résultats du modèle suggèrent que la Colombie et l’Indonésie pourraient nécessiter une vigilance accrue et des initiatives de prévention des flambées épidémiques tuberculose. car ils étaient prédits d’avoir un grand pourcentage d’augmentation du risque Myanma Le Mexique et la Papouasie-Nouvelle-Guinée, qui n’avaient enregistré aucune éclosion dans notre base de données historiques – mais qui avaient la plus forte augmentation absolue prévue du taux d’éclosion, sont peut-être des pays cibles supplémentaires. Nous avons décidé de ne pas comparer le nombre prévu. Étant donné que le modèle représente essentiellement une tendance générale lissée, la comparaison serait difficile en raison de l’instabilité des données lors de l’examen d’une année donnée. Les limites de cette étude incluent les biais de notification et de sélection dans la maladie de l’OMS. Rapports sur les épidémies, dont nous avons tiré notre base de données Le problème des valeurs manquantes est également une question inhérente aux données socioéconomiques et peut entraîner des biais lorsque les données ne sont pas “manquantes au hasard” Une autre limitation est que toutes les flambées de morbidité élevée et de loin -reaching ou finalement relativement limité, ont été pondérés de manière égale Cependant, le problème est atténué par le fait que le Dise de l’OMS Les rapports sur les épidémies d’ase se concentrent sur les épidémies qui sont assez importantes ou dangereuses pour être d’importance internationale. La corrélation élevée entre plusieurs variables socioéconomiques est une préoccupation majeure car il est difficile de distinguer leurs effets individuels lorsqu’ils sont analysés ensemble dans une analyse multivariée. les études écologiques comme celle-ci ont de la valeur , il faut être prudent pour ne pas impliquer la causalité dans une étude écologique, car certains de ces facteurs socio-économiques, indicateurs de développement et de capacité financière, peuvent être simplement des mesures indirectes. La mise en œuvre agressive des programmes de santé dans les zones défavorisées pourrait compliquer davantage le tableau en créant l’impression que les zones ayant des programmes de santé sont associées à de moins bons résultats sanitaires. Nos résultats démontrent que l’épidémiologie socioéconomique devrait jouer un rôle important dans les efforts de recherche. à comprendre les moteurs des épidémies de maladies infectieuses Bien qu’il existe des mécanismes individuels qui dictent biologiquement la façon dont l’infection se déroule, il est important de comprendre la dynamique au niveau de la population, puisque les épidémies de maladies infectieuses sont finalement dirigées au niveau de la population, et c’est ce que nous comprenons. Dans la perspective de stratégies réalisables, il peut aussi être plus facile d’adopter des changements de politique que de tenter de contrôler les mécanismes biologiques ou d’imposer des comportements individuels. souligné la nécessité d’identifier les facteurs de risque au niveau des populations afin de ne pas manquer les opportunités d’adopter des interventions sociétales et de revitaliser le concept de santé publique Comprendre ces composantes plus en détail pourrait aider à mieux répartir stratégiquement les fonds Mesures spécifiques de santé publique et régions géographiques hautement prioritaires

Remarques

Remerciements Nous remercions Alexei Zelenev Université Yale pour ses commentaires statistiques Soutien financier Ce travail a été soutenu par des subventions de recherche de Googleorg et de la National Library of Medicine aux National Institutes of Health RLM-, GLM-Conflits d’intérêts potentiels Tous les auteurs: Aucun conflit signaléTous Les auteurs ont soumis le formulaire ICMJE pour la divulgation des conflits d’intérêts potentiels Conflits que les éditeurs jugent pertinents pour le contenu du manuscrit ont été divulgués