À la suite de la pandémie de la maladie à coronavirus 2019 (COVID-19), l’idée d’utiliser les données de surveillance pour estimer le nombre de reproducteurs a été introduite et vulgarisée dans plusieurs articles de recherche. Des méthodes ultérieures, telles que la stratégie pour estimer le nombre reproducteur instantané décrite et mise en œuvre dans le package populaire EpiEstim R, ont été créées et sont mieux adaptées à l’estimation en temps réel.
Étude : Estimation des nombres de reproductions instantanées hétérogènes avec application pour caractériser la transmission du SARS-CoV-2 dans les comtés du Massachusetts. Crédit d’image : Simfalex/Shutterstock
Ces méthodes peuvent être bénéfiques dans la surveillance et le suivi des épidémies, mais comme l’a montré la pandémie causée par le coronavirus 2 du syndrome respiratoire aigu sévère (SRAS-CoV-2), elles doivent encore être améliorées. La prise en compte des retards de déclaration des données, de la sous-déclaration des cas et de l’hétérogénéité de la transmission selon la géographie et les paramètres démographiques comme l’âge sont toutes des préoccupations majeures.
De nombreux facteurs pourraient jouer un rôle dans l’hétérogénéité de la transmission du virus, y compris des facteurs systémiques clés comme un statut socio-économique (SSE) plus faible, qui désavantage certaines populations et peut entraîner un risque plus élevé de transmission de la maladie. Géographiquement, ces caractéristiques se regroupent fréquemment. Les nombres reproducteurs peuvent indiquer l’impact de ces paramètres sur la transmission du virus. Dans un monde idéal, il serait possible de déterminer l’hétérogénéité en comparant les nombres de reproduction de différents endroits. Cependant, la variation du nombre de reproducteurs entre les différents endroits pourrait être masquée par les mouvements humains.
Les chercheurs proposent un cadre analytique et deux méthodologies pour estimer la dynamique de l’hétérogénéité de la transmission dans cet article. Les auteurs proposent une stratégie bayésienne flexible et coûteuse en calculs qui est efficace pour ajuster l’importation et quantifier plus correctement l’incertitude associée à l’utilisation des données de mobilité humaine avec des erreurs standard.
Une version préimprimée de l’étude est disponible sur le site medRxiv* serveur, tandis que l’article est soumis à une évaluation par les pairs.
L’étude
La modélisation de cette étude analyse trois régions avec des caractéristiques de transmission variables au fil du temps mais des modèles d’incidence généralement similaires. Les données d’incidence sont simulées dans le temps avec des nombres reproducteurs pré-spécifiés et une matrice de transition qui explique comment la population de chaque région se répartit dans d’autres régions, qui peuvent être renseignées par les données de mobilité dans la pratique.
Dans l’approche I, les auteurs ont utilisé des données de mouvement humain déterministes pour ajuster l’incidence. Dans l’approche II, les auteurs ont testé le modèle avec diverses hypothèses de distribution d’incidence et d’aléatoire pour les données de mobilité.
L’ensemble de données de flux de mobilité humaine dynamique à plusieurs échelles fournit des données sur la mobilité humaine. Les enquêteurs ont analysé les visites anonymes d’utilisateurs de téléphones portables à divers endroits donnés par SafeGraph pour calculer, agréger et déduire le flux dynamique quotidien et hebdomadaire de l’origine à la destination (OD) à trois échelles géographiques (région de recensement, comté et état). Dans cette analyse de données réelles, les auteurs modélisent en utilisant des données au niveau du comté du Massachusetts. Le nombre projeté de visiteurs voyageant d’un comté à l’autre chaque jour constitue les données de mobilité humaine.
Les cartes thermiques et les dendrogrammes créés avec le regroupement hiérarchique à liaison complète montrent des disparités importantes entre les modèles de mouvement en semaine et en week-end. Au cours de la semaine, la plupart des déplacements ont lieu entre les régions voisines, telles que Barnstable, Bristol et Plymouth. Le week-end, des comtés plus éloignés apparaissent dans le même groupe sur la carte thermique, tels que Norfolk, Barnstable, Bristol et Plymouth.
Pour la moyenne quotidienne qui n’est pas stratifiée par jours de semaine et week-end, le regroupement est plus évident pour les régions géographiquement proches. En semaine, plus de personnes voyagent entre Essex, Worcester, Norfolk, Suffolk et Middlesex que le week-end, et moins de personnes voyagent entre Middlesex, Barnstable et Plymouth, ainsi que Norfolk, Barnstable et Plymouth.
Pour Barnstable, Dukes, Franklin, Hampshire et Nantucket, le nombre de reproduction effectif projeté (R
Implications
Parce qu’il fournit une description en temps réel de la dynamique de transmission au sein de la population, le R
Les auteurs ont proposé deux approches pour estimer R spatialement hétérogène qui utilisent des données de mobilité
*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, orienter la pratique clinique/le comportement lié à la santé, ou traités comme des informations établies.
