À mesure que l’efficacité du vaccin diminue avec le temps, elle est généralement estimée à l’aide d’un modèle de Cox ou de Poisson standard qui suppose une efficacité vaccinale constante dans le temps. Cependant, cela est moins précis sur de courtes périodes de temps, et cela indique l’efficacité des vaccins assez lentement.
Des chercheurs de l’Université de Caroline du Nord, de l’Université de Washington et de la Food and Drug Administration des États-Unis proposent d’adapter un modèle de Cox avec deux indices temporels, les temps d’événement mesurés depuis le début de l’étude en temps calendaire et le risque log pour l’effet vaccin. .
La recherche peut être trouvée sur le medRxiv* serveur de préimpression.
Étude : Évaluer de manière fiable la durée de protection des vaccins COVID-19. Crédit d’image : LookerStudio/Shutterstock
L’étude
Les chercheurs ont simulé un essai clinique imitant le schéma de recrutement d’une étude BNT162b2 et la tendance de l’infection par le coronavirus 2 du syndrome respiratoire aigu sévère (SRAS-CoV-2) survenant aux États-Unis pendant que l’essai était en cours.
Ils ont supposé que l’efficacité du vaccin (EV) correspondante sur le taux de risque (VEHR), qui représente généralement une détérioration exponentielle de l’effet du vaccin en fonction du temps écoulé depuis la vaccination, du vaccin hypothétique diminue d’un pic de 95 % à 7 jours après la seconde dose à 70 % six mois après la vaccination. Les moyennes de l’EV moyennée dans le temps (VEConst) sur 1 000 répétitions sont respectivement de 94,4%, 89,9% et 81,6% sur 0-2, 2-4 et 4-6 mois.
La sous-estimation du véritable niveau de déclin par VEConst est rendue encore plus apparente car les vaccinations coïncident généralement avec un pic précoce de l’incidence des infections, puis ce taux d’incidence diminue pendant des mois. Cela conduit à un pourcentage élevé d’expositions au cours de la première partie de chaque intervalle de deux mois lorsque la véritable VE est supérieure à celle suggérée par VEConst.
Un deuxième essai a été simulé dans lequel la période de recrutement a été reportée à six mois plus tard, garantissant que la période avec les effets les plus importants du vaccin coïncidait avec le point le plus bas des taux d’exposition. Les moyennes de VEConst sur 1000 répétitions dans cet essai étaient de 94,7%, 89,5% et 78,8%, une fois encore sur 0-2, 2-4 et 4-6 mois, respectivement. VEConst est beaucoup plus proche de la vraie VE dans ce deuxième essai, mais dans les deux cas est nettement moins proche de la vérité que la courbe VEHR.
Il est possible que les anticorps neutralisants qui confèrent une protection à court terme diminuent de manière log-linéaire, ce qui conduirait à la diminution de l’EV sur plusieurs mois. Cependant, la VE post-vaccination pourrait être maintenue à un plateau pendant une longue période en raison des réponses immunitaires à médiation cellulaire ou à mémoire restant assez constantes au fil du temps. Pour enquêter sur cela, les scientifiques ont simulé deux autres essais dans lesquels le VE a été autorisé à atteindre un plateau à 5 et 3,5 mois après la vaccination complète. Dans le premier essai de cinq mois, VE est surestimé par VEConst et sous-estimé par VEHR. Dans le deuxième essai, les deux estimations fournissent des approximations raisonnables de la véritable EV. Cependant, VEHR permet une détection plus rapide des changements non linéaires de VE au fil du temps, qui ne sont détectables avec VEConst que sur une période de temps plus longue.
Estimation de l’efficacité du vaccin contre le COVID-19 symptomatique sur la base de 6 mois de suivi dans quatre essais cliniques simulés. Dans les deux premiers essais, la véritable VEHR (« vérité ») diminue (linéairement dans le log hazard ratio) d’un pic de 95 % à la vaccination complète qui dure un mois à 70 % à 6 mois après la vaccination complète. Dans l’essai illustré dans le panneau A, la plupart des participants ont reçu la dose 2 à une heure calendaire coïncidant avec un pic des taux d’infection, tandis que dans l’essai illustré dans le panneau B, la plupart des participants ont reçu la dose 2 à un moment où les taux d’infection étaient faibles. Dans les essais représentés dans les panneaux C et D, le véritable plateau VEHR à 5 et 3,5 mois, respectivement. Dans chaque essai, VEConst est obtenu sur 0 à 2 mois, 2 à 4 mois et 4 à 6 mois après la vaccination complète, et la VEHR est estimée selon le modèle de Cox dans lequel le log hazard ratio est une fonction linéaire par morceaux du temps écoulé depuis la vaccination, avec des points de changement à 0, 2 et 4 mois après la vaccination complète. Pour chaque essai, la moyenne et l’écart type de chaque estimation sur 1000 répétitions sont indiqués.
Les essais de phase trois ne fournissent des informations sur l’efficacité que six mois après la dose 2 en raison du passage des receveurs du placebo au bras vaccin. Pour plus d’informations sur l’efficacité à long terme des vaccins, les études observationnelles sont plus utiles et ont tendance à permettre une estimation de l’EV contre une maladie grave et contre différentes souches, même dans diverses sous-populations. VEHR offre des avantages similaires par rapport à VEConst dans l’évaluation du niveau décroissant de VE dans un cadre d’observation. La réduction de l’EV au cours du temps calendaire, ou depuis la vaccination, peut être causée par une baisse de l’immunité, l’émergence de nouvelles variantes ou des facteurs supplémentaires. La comparaison de la VE à l’heure calendaire permet une meilleure évaluation de la diminution de la VE en raison de la baisse de l’immunité, et la prise de différentes heures calendaires permet une meilleure évaluation de la diminution due à de nouvelles variantes.
Conclusion
Les auteurs soulignent que leur approche nouvellement proposée, basée sur l’estimation de la VEHR, améliore la sensibilité pour évaluer la durée réelle de l’EV à l’aide des données d’études d’observation et d’essais cliniques de phase trois, car elle permet à l’EV de varier en continu en fonction du temps post-vaccination ainsi que d’ajuster pour les changements de l’incidence de la maladie au cours du temps calendaire. Ils soulignent que cette approche a été utilisée efficacement dans une étude sur l’EV en Caroline du Nord et soutiennent que les analyses des données d’observation devraient s’ajuster aux données démographiques et aux comorbidités ainsi qu’à d’autres facteurs afin de réduire les biais de confusion. Ces informations pourraient être essentielles pour les décideurs de santé publique et les épidémiologistes qui tentent de modéliser la maladie et pourraient aider à éclairer les futures politiques sur la propagation de la maladie et la nécessité de vaccins de rappel.
*Avis important
medRxiv publie des articles préimprimés qui n’ont pas encore fait l’objet d’un examen par les pairs. Les informations contenues dans cet article ne doivent pas être considérées comme des faits ou utilisées pour guider la recherche ou la pratique clinique.
