La pandémie de coronavirus 2019 (COVID-19) est maintenant bien entrée dans sa deuxième vague dans le monde. Il est important de savoir quand une flambée nationale commence et quand on peut s’attendre à ce qu’elle se termine, afin que les directives de santé publique et les interventions non pharmaceutiques (INP) – telles que les restrictions de voyage et les verrouillages nationaux ou régionaux – soient correctement mises en œuvre pour minimiser leur dommage.
Une étude récente menée par des chercheurs français montre comment les différences dans l’histoire de l’infection et les modèles de propagation virale sont des facteurs importants pour prédire l’évolution dans le temps d’une épidémie localisée de SRAS-CoV-2.
L’équipe a publié une pré-impression de ses conclusions sur le medRxiv * serveur.
Toute prédiction ou inférence épidémiologique est plus fiable lorsqu’elle est étayée par un grand nombre, puisque cela compense ou annule les différences interindividuelles qui sont invariablement présentes. La plupart des modèles de maladies infectieuses reposent sur l’approche déterministe, en supposant qu’un grand nombre initial d’hôtes infectés franchit le «seuil d’épidémie». Ceci, bien sûr, n’est pas vrai au début et à la fin d’une épidémie.
Sommaire
Objectifs de l’étude
L’étude actuelle a examiné une épidémie de COVID-19 en dehors de la Chine, afin de permettre la détection de certains cas avant le début signalé, en raison de l’importation. Une propagation virale cachée peut également se produire avant que l’épidémie plus importante ne soit observée, comme l’ont montré les données de séquençage du génome obtenues dans l’État de Washington, aux États-Unis.
L’équipe a également analysé la période pendant laquelle des mesures de contrôle strictes seraient nécessaires pour ramener la prévalence au-dessous des seuils requis. Cela doit être estimé, y compris les événements de grande diffusion et d’autres sources d’hétérogénéité, pour prédire avec précision la fin d’une épidémie.
La pandémie a conduit à la publication de plusieurs modèles mathématiques, qui dépendent du nombre de reproduction de base R0 et des différences individuelles. La modélisation stochastique est également importante pour examiner le rôle que jouent les événements de super-diffusion et comment cela affecte les mesures de contrôle.
Modèles d’étude
Le modèle stochastique discret (DS) original proposé par la présente étude tient compte des différences individuelles dans la transmission de l’hôte le même jour après l’infection, en utilisant un intervalle en série distribué plutôt qu’une valeur unique. La variabilité des modes de transmission est également prise en compte. Les chercheurs ont cherché à comprendre comment exactement ces facteurs affectaient les dates de début et de fin estimées d’une épidémie nationale, en prenant la France comme exemple.
Les chercheurs ont utilisé plusieurs modèles différents pour tester leurs paramètres, en plus du modèle DS. Cela incluait le modèle SEIRHD non markovien et un modèle markovien déterministe classique.
Origine de la vague épidémique
Les chercheurs ont constaté que le délai médian entre le premier cas importé et la survenue de 100 décès par jour était de 67 jours, ce qui indique que dans un tel cas, 93% des flambées continueraient de se propager jusqu’à ce qu’elles atteignent ce seuil. L’impact des événements de grande diffusion a été une légère réduction du délai médian à 64 jours, mais environ 75% des flambées simulées se sont éteintes avant d’atteindre un point où 100 décès sont survenus en une journée.
Avec le modèle SEIRHD, le délai médian était de 63 jours, tant pour l’implémentation déterministe que stochastique. Comme prévu, cependant, ce modèle ne peut pas capturer correctement les données. Un modèle non-markovien déterministe a également produit le même retard médian.
Les estimations ne sont pas affectées de manière significative par une réduction de la distribution des intervalles en série. Cependant, le délai est réduit de huit jours si le nombre de cas importés au début est augmenté de un à cinq le même jour, mais pas si, plus réaliste, l’augmentation est étalée sur quelques jours.
Les chercheurs n’ont trouvé aucun changement significatif dans la période nécessaire pour qu’une épidémie atteigne un point de 100 décès par jour, que ce soit avec une stochasticité ou des changements non-markoviens. Les événements de surdiffusion pourraient introduire un léger retard, tout comme le nombre de cas importés au début.
La fin de l’épidémie
Les chercheurs ont également constaté que la probabilité d’extinction de 95% n’était atteinte qu’avec au moins 7,6 mois de verrouillage, si les événements de sur-propagation sont ignorés. Lorsque l’hétérogénéité individuelle est prise en compte, la période est légèrement réduite à 6,9 mois. L’hétérogénéité de la transmission est un paramètre qui indique la non-transmission par la plupart des personnes infectées.
Risque de rebond
En tenant compte de la période pendant laquelle une personne nouvellement infectée peut causer des cas secondaires, les chercheurs ont constaté qu’une fois le verrouillage assoupli, la probabilité de nouveaux cas est fortement réduite. Là encore, l’hétérogénéité des transmissions réduit le risque de rebond en limitant le nombre de transmissions possibles.
Modification de la date de lancement du verrouillage
Les chercheurs ont constaté que le fait d’avancer le verrouillage d’un mois après le début de la vague épidémique réduirait le délai d’extinction de 96 jours et 92 jours – c’est-à-dire de près de 50% – sans et avec hétérogénéité de transmission, respectivement. Ainsi, plus l’intervention est précoce, plus l’impact est grand.
Si celui-ci n’était avancé que de deux semaines, le délai d’extinction était probablement de 95% dans les 188 jours, sans hétérogénéité de transmission, et de 169 jours avec, ce qui se traduirait par une réduction de 41 jours de verrouillage.
À mesure que les restrictions se relâchent après les 55 premiers jours de verrouillage total, les périodes estimées augmentent. Par exemple, le délai d’extinction augmente beaucoup moins si la date de début du verrouillage est le 17 février, comparativement à deux semaines plus tard ou un mois plus tard. Comme la propagation de l’épidémie ne serait pas aussi étendue dans ce cas, la période la plus importante serait les 55 premiers jours du verrouillage.
Quelles sont les implications?
Le plus grand impact du caractère aléatoire dans les paramètres du modèle est probablement au début et à la fin d’une épidémie, en raison de la faible prévalence de l’infection et de l’effet de la stochasticité sur les schémas de propagation virale. L’étude estime que la première vague de l’épidémie a commencé le 16 janvier, ce qui concorde avec les données obtenues à partir du séquençage génomique. Les chercheurs soulignent que cette dernière estimation est également incertaine et échantillonnée incomplète en France.
La sur-diffusion a eu pour effet d’accélérer la phase initiale de l’épidémie, la date d’origine étant le 19 janvier, en raison du rôle joué par la sur-diffusion dans le déclenchement d’épidémies persistantes.
L’étude confirme que les cas peuvent être détectés bien avant la première chaîne de transmission liée à une épidémie. La capacité d’estimer la période des restrictions de verrouillage nécessaires à l’éradication de l’épidémie peut également aider les autorités de santé publique à formuler des politiques appropriées et à intervenir rapidement.
Enfin, il attire l’attention sur le risque de rebond par rapport à la période de lock-out. Des études complémentaires aideront à comprendre l’impact des événements de grande diffusion dans la propagation du COVID-19.
*Avis important
medRxiv publie des rapports scientifiques préliminaires qui ne sont pas examinés par des pairs et, par conséquent, ne doivent pas être considérés comme concluants, orienter la pratique clinique / les comportements liés à la santé, ou traités comme des informations établies.
