La pandémie de maladie à coronavirus 2019 (COVID-19), causée par le syndrome respiratoire aigu sévère coronavirus-2 (SRAS-CoV-2), a causé un nombre important de maladies, de mortalités et d’hospitalisations dans le monde. Cette pandémie en cours a gravement touché les secteurs de la santé, ainsi que l’économie mondiale, qui a connu la plus grande récession depuis les années 1930.
Sommaire
Arrière-plan
En réponse à la pandémie, les scientifiques ont travaillé sans relâche pour comprendre chaque petit aspect du nouveau coronavirus, le SARS-CoV-2. Ils ont développé des vaccins et des thérapies et ont rassemblé plus de connaissances sur le mode de transmission pour gérer la pandémie. De même, les gouvernements ont mis en œuvre plusieurs stratégies, telles que les confinements nationaux, le port obligatoire de masques faciaux et les restrictions de voyage, pour contenir le COVID-19.
Plusieurs modèles ont été développés sur la base des données de transmission du SRAS-CoV-2 pour prédire efficacement la tendance future. Par exemple, un modèle de moyenne mobile intégrée autorégressive (ARIMA) a été développé à partir des données de 145 pays. Ce modèle a prédit le schéma de propagation du COVID-19 sur la base des données démographiques. Le modèle ARIMA a démontré que la transmission du SRAS-CoV-2 pouvait être projetée à l’aide de variables telles que l’humidité, la culture et le climat.
Le modèle classique Susceptible-Infected-Recovery (SIR) a été modifié avec des paramètres flous, tels que le taux de récupération, le taux d’infection et le taux de mortalité dus à l’infection par le SRAS-CoV-2. Bien que les modèles statistiques classiques ne puissent pas intégrer des facteurs déterminants importants, les modèles d’apprentissage automatique ont fourni une alternative efficace pour comprendre des ensembles de données complexes. Le modèle basé sur le réseau neuronal artificiel (ANN) a été développé pour prédire le schéma de transmission du SRAS-CoV-2.
Comme indiqué ci-dessus, la plupart des gouvernements ont mis en place des restrictions sur la mobilité des personnes pour protéger les individus contre la contraction du COVID-19. Peu d’études ont vérifié l’impact des restrictions de mobilité en termes de coûts et d’avantages. De plus, il est important de déterminer si la mise en œuvre d’autres facteurs, tels que la sensibilisation, le soutien économique, l’éducation, etc., pourraient collectivement contenir la pandémie.
À propos de l’étude
Une nouvelle étude publiée sur medRxiv* Le serveur de préimpression a étudié l’influence de la mobilité humaine sur la transmission du SRAS-CoV-2 sur la base d’une approche basée sur le réseau et de méthodes de régression de panel. Les auteurs ont particulièrement pris en compte les caractéristiques de la population suburbaine, telles que l’âge, l’éducation et le revenu, pour l’analyse.
L’étude actuelle comprenait des données sur l’infection par le SRAS-CoV-2 pour une centaine de banlieues différentes de la région du Grand Sydney en Nouvelle-Galles du Sud, en Australie. Deux périodes distinctes ont été sélectionnées, à savoir pendant la circulation du variant Delta et pendant la circulation du variant Omicron, pour déterminer les statistiques d’infection des banlieues. Trois attributs modérateurs, à savoir l’âge, l’éducation et le revenu, ont été pris en compte pour déterminer leur impact sur la relation entre les variables dépendantes et indépendantes du modèle de l’étude actuelle.
Résultats
Cette étude a été divisée en deux parties. Dans la première partie, les auteurs ont étudié l’impact de la mobilité d’un individu à travers le quartier sur le nombre de cas de COVID-19. La mesure du quartier a été associée au nombre de routes partagées pour déterminer le mouvement humain à travers les banlieues.
Notamment, plusieurs facteurs sous-jacents ont changé dans les deux périodes sélectionnées de l’étude, c’est-à-dire pendant la circulation Delta et Omicron. Lors de l’épidémie de Delta, le verrouillage a été mis en place et les gens pouvaient se déplacer dans un rayon de 5 km pour les articles essentiels. De plus, certaines zones avaient également des couvre-feux nocturnes pendant cette période. La couverture vaccinale est passée d’environ 26% à 43% dans la zone.
En revanche, pendant la phase Omicron, aucun confinement n’a été mis en place. Les seules exigences obligatoires étaient la distanciation sociale, le port de masques faciaux et le plafonnement des capacités commerciales. La double couverture vaccinale est passée de 77 % à près de 79 %. Sans surprise, la mobilité des personnes à l’intérieur et à travers les banlieues au cours de cette phase était nettement supérieure à celle de la phase Delta.
La variante Omicron est plus contagieuse que la souche Delta ; par conséquent, il est crucial de déterminer comment la mesure de voisinage a eu un impact sur les cas de COVID-19 liés aux épidémies de Delta et d’Omicron. Bien que le modèle de régression de panel à effets fixes ait fourni une bonne performance de prédiction pour la variante Delta (valeur R au carré de 85,66 %), ses performances ont souffert pour la variante Omicron (valeur R au carré de 52,67 %).
Le nombre d’infections précédentes a eu une influence positive significative sur le nombre d’infections actuelles pour les variantes Delta et Omicron. Ce modèle a projeté que le nombre d’infections pour une banlieue pendant la variante Delta pourrait être déterminé positivement sur la base du nombre d’infections passées et de l’afflux des banlieues environnantes (mesure du quartier).
Dans le cas de la variante Omicron, le modèle de régression et la mesure de voisinage devaient fournir plus d’informations car la valeur R-carré était presque la même que la variante delta. De plus, la mesure du quartier a révélé un impact négatif sur le nombre d’infections de manière contre-intuitive.
Dans la deuxième partie de l’étude, les chercheurs ont étudié l’impact de l’âge, de l’éducation et du revenu sur le taux d’infection dans les banlieues. Ils ont constaté que l’éducation n’avait aucun effet modérateur sur le taux d’infection pour les deux variantes. En revanche, l’âge et le revenu ont considérablement influencé la relation entre le nombre de cas de COVID-19 antérieurs et actuels.
conclusion
Le modèle a capturé le macro-mouvement pendant le verrouillage et l’a utilisé pour prédire les taux d’infection lors des épidémies de Delta et d’Omicron. L’impact de la mobilité sur le taux d’infection a été déterminé en fonction du réseau routier entre les banlieues voisines qui ont contribué à l’afflux et du risque correspondant d’augmentation du nombre de cas provenant d’endroits adjacents.
*Avis important
medRxiv publie des rapports scientifiques préliminaires qui ne sont pas évalués par des pairs et, par conséquent, ne doivent pas être considérés comme concluants, guider la pratique clinique/les comportements liés à la santé, ou traités comme des informations établies.
