La suppression des ondes COVID-19 reflète l’activité sociale en fonction du temps, pas l’immunité collective

Des scientifiques du Laboratoire national de Brookhaven du Département américain de l’énergie (DOE) et de l’Université de l’Illinois à Urbana-Champaign (UIUC) ont développé un nouveau modèle mathématique pour prédire la propagation du COVID-19. Ce modèle tient compte non seulement de la sensibilité biologique variable des individus à l’infection, mais aussi de leurs niveaux d’activité sociale, qui évoluent naturellement avec le temps. En utilisant leur modèle, l’équipe a montré qu’un état temporaire d’immunité collective – ce qu’ils ont appelé «l’immunité collective transitoire» – est apparu au cours des premières étapes rapides de l’épidémie. Cependant, des «vagues» ultérieures, ou des augmentations du nombre de cas, ont continué à apparaître en raison de l’évolution des comportements sociaux. Leurs résultats sont publiés dans les Actes de la National Academy of Sciences.

L’épidémie de COVID-19 a atteint les États-Unis au début de 2020, se propageant rapidement dans plusieurs États en mars. Pour atténuer la propagation de la maladie, les États ont émis des ordonnances de maintien à la maison, fermé des écoles et des entreprises et mis en place des mandats masqués. Dans les grandes villes comme New York (NYC) et Chicago, la première vague s’est terminée en juin. En hiver, une deuxième vague a éclaté dans les deux villes. Comprendre pourquoi les vagues initiales se terminent et les vagues suivantes commencent est essentiel pour pouvoir prédire la dynamique épidémique future.

Voici où la modélisation peut vous aider. Mais les modèles épidémiologiques classiques ont été développés il y a près de 100 ans. Bien que ces modèles soient mathématiquement robustes, ils ne capturent pas parfaitement la réalité. L’un de leurs défauts est de ne pas tenir compte de la structure des réseaux de contacts de personne à personne, qui servent de canaux pour la propagation des maladies infectieuses.

« Les modèles épidémiologiques classiques ont tendance à ignorer le fait qu’une population est hétérogène, ou différente, à plusieurs niveaux, y compris physiologiquement et socialement », a déclaré Alexei Tkachenko, physicien au Groupe Théorie et Calcul au Centre des Nanomatériaux Fonctionnels (CFN), une installation utilisateur du DOE Office of Science au Brookhaven Lab. «Nous n’avons pas tous la même susceptibilité à l’infection en raison de facteurs tels que l’âge, les problèmes de santé préexistants et la génétique. De même, nous n’avons pas le même niveau d’activité dans nos vies sociales. Nous différons dans le nombre de proches les contacts que nous avons et la fréquence à laquelle nous interagissons avec eux au cours des différentes saisons. L’hétérogénéité de la population – ces différences individuelles de sensibilité biologique et sociale – est particulièrement importante car elle abaisse le seuil d’immunité du troupeau.  »

L’immunité collective est le pourcentage de la population qui doit obtenir l’immunité pour qu’une épidémie prenne fin.

«L’immunité collective est un sujet controversé», a déclaré Sergei Maslov, utilisateur et professeur du CFN et boursier Bliss à l’UIUC, avec des nominations dans les départements de physique et de bio-ingénierie et à l’Institut Carl R. Woese pour la biologie génomique. « Depuis le début de la pandémie de COVID-19, il a été suggéré d’atteindre rapidement l’immunité collective, mettant ainsi fin à la transmission locale du virus. Cependant, notre étude montre que l’immunité collective apparente atteinte de cette manière ne durerait pas. »

« Ce qui manquait avant ce travail, c’est que l’activité sociale des gens augmente et diminue, en particulier en raison de verrouillages ou d’autres mesures d’atténuation », a ajouté Nigel Goldenfeld, professeur de physique à Swanlund et directeur de l’Institut d’astrobiologie de la NASA pour la biologie universelle à l’UIUC. « Ainsi, une vague d’épidémie peut sembler disparaître en raison des mesures d’atténuation lorsque les groupes sensibles ou les plus sociaux collectivement ont été infectés – ce que nous appelons l’immunité collective transitoire. Mais une fois que ces mesures seront assouplies et que les réseaux sociaux des gens se renouvelleront, une autre vague peut commencer, comme nous l’avons vu avec des États et des pays qui s’ouvrent trop tôt, pensant que le pire était derrière eux.  »

Ahmed Elbanna, boursier de la faculté Donald Biggar Willett et professeur de génie civil et environnemental à l’UIUC, a noté que l’immunité collective transitoire avait de profondes implications pour les politiques publiques.

«Les mesures d’atténuation, telles que le port d’un masque et le fait d’éviter les grands rassemblements, devraient se poursuivre jusqu’à ce que le véritable seuil d’immunité du troupeau soit atteint grâce à la vaccination», a déclaré Elbanna. « Nous ne pouvons pas déjouer ce virus en forçant notre chemin vers l’immunité collective grâce à une infection généralisée, car le nombre de personnes infectées et le nombre d’hospitalisations susceptibles de mourir seraient trop élevés. »

Les écrous et les boulons de la modélisation prédictive

Au cours de l’année écoulée, l’équipe Brookhaven-UIUC a mené divers projets liés à un effort de modélisation COVID-19 plus large. Auparavant, ils modélisaient comment l’épidémie se propagerait dans l’Illinois et le campus de l’UIUC, et comment les efforts d’atténuation auraient un impact sur cette propagation. En mai dernier, ils ont lancé ce projet pour calculer l’effet de l’hétérogénéité de la population sur la propagation du COVID-19.

Plusieurs approches existent déjà pour modéliser l’effet de l’hétérogénéité sur la dynamique épidémique, mais elles supposent généralement que l’hétérogénéité reste constante dans le temps. Ainsi, par exemple, si vous n’êtes pas socialement actif aujourd’hui, vous ne serez pas socialement actif demain ou dans les semaines et les mois à venir.

«Les modèles épidémiologiques de base n’ont qu’un temps caractéristique, appelé intervalle de génération ou période d’incubation», a déclaré Tkachenko. « Cela fait référence au moment où vous pouvez infecter une autre personne après avoir été vous-même infecté. Pour COVID-19, c’est environ cinq jours. Mais ce n’est qu’une échelle de temps. Il y a d’autres échelles de temps pendant lesquelles les gens changent leur comportement social. »

Dans ce travail, l’équipe a incorporé les variations temporelles de l’activité sociale individuelle dans les modèles épidémiologiques existants. Alors qu’un modèle complexe et multidimensionnel est nécessaire pour décrire chaque groupe de personnes ayant des susceptibilités différentes à la maladie, ils ont compressé ce modèle en seulement trois équations, développant un paramètre unique pour capturer les sources biologiques et sociales de l’hétérogénéité.

«Nous appelons ce paramètre le facteur d’immunité, qui vous indique à quel point le nombre de reproduction diminue à mesure que les individus sensibles sont retirés de la population», a expliqué Maslov.

Le numéro de reproduction indique à quel point une maladie infectieuse est transmissible. Plus précisément, la quantité fait référence au nombre de personnes qu’une personne infectée infectera à son tour. Pour estimer la contribution sociale au facteur d’immunité, l’équipe s’est appuyée sur des études antérieures dans lesquelles les scientifiques surveillaient activement le comportement social des gens. Ils ont également examiné la dynamique épidémique réelle, déterminant le facteur d’immunité le plus cohérent avec les données sur les hospitalisations liées au COVID-19, les admissions en unité de soins intensifs et les décès quotidiens à New York et à Chicago. Par exemple, lorsque le nombre de sujets sensibles a chuté de 10 pour cent au cours de l’épidémie précoce et rapide à New York et à Chicago, le nombre de reproduction a chuté de 40 à 50 pour cent – ce qui correspond à un facteur d’immunité estimé de quatre à cinq.

« C’est un facteur d’immunité assez important, mais ce n’est pas représentatif d’une immunité collective durable », a déclaré Tkachenko. « Sur une échelle de temps plus longue, nous estimons un facteur d’immunité beaucoup plus faible d’environ deux. Le fait qu’une seule vague s’arrête ne signifie pas que vous êtes en sécurité. Elle peut revenir. »

Cet état d’immunité temporaire survient parce que l’hétérogénéité de la population n’est pas permanente; les gens modifient leur comportement social au fil du temps. Par exemple, les personnes qui se sont isolées pendant la première vague – rester à la maison, ne pas recevoir de visiteurs, commander des produits d’épicerie en ligne – commencent par la suite à assouplir leurs comportements. Toute augmentation de l’activité sociale entraîne un risque d’exposition supplémentaire.

« L’épidémie est avec nous depuis un an maintenant », a déclaré Maslov. «Il est important de comprendre pourquoi il est ici depuis si longtemps. Le changement progressif du comportement social des individus explique en partie pourquoi les plateaux et les vagues subséquentes se produisent. Par exemple, les deux villes ont évité une vague estivale mais ont connu une vague hivernale. Nous attribuer la vague hivernale à deux facteurs: le changement de saison et le déclin de l’immunité collective transitoire.  »

La vaccination se généralisant, l’équipe espère que nous serons épargnés par une autre vague. Dans leurs travaux les plus récents, ils étudient plus en détail la dynamique des épidémies. Par exemple, ils intègrent au modèle les statistiques des événements «super-diffuseurs» – des rassemblements où une seule personne infectée provoque une flambée importante parmi les participants. Ils appliquent également leur modèle à différentes régions du pays pour expliquer la dynamique épidémique globale de la fin du verrouillage au début de mars 2021.

Ce travail a été soutenu par le Bureau de la science du DOE; Le bureau du système de l’Université de l’Illinois, le bureau du vice-chancelier pour la recherche et l’innovation, le Grainer College of Engineering et le département de physique de l’UIUC; Bourse d’études supérieures en sciences informatiques du DOE; et le programme de développement de carrière (CARRIÈRE) de la Faculté de la National Science Foundation. Cette recherche a été réalisée dans le cadre d’un programme utilisateur CFN. Le département de la santé publique de l’Illinois, par le biais d’un accord d’utilisation des données avec Civis Analytics, a fourni des données pour les calculs. Les calculs ont été effectués sur l’Illinois Campus Cluster, une ressource informatique gérée par l’Illinois Campus Cluster Program en collaboration avec le National Center for Supercomputing Applications, financé par des fonds de l’UIUC.