When to Boost: How Dose Timing Determines the Epidemic Threshold

1. Problématique

La gestion des campagnes de vaccination pour les maladies nécessitant plusieurs doses (comme le COVID-19, la rougeole, etc.) soulève un dilemme stratégique majeur : faut-il prioriser l'administration de la première dose à un maximum de personnes (pour couvrir rapidement la population naïve) ou respecter un intervalle court pour administrer rapidement les doses de rappel (boosters) afin d'assurer une immunité optimale à long terme ?

L'objectif de l'étude est de déterminer comment le calendrier d'administration (le moment où l'on donne la première dose par rapport à la seconde) influence le seuil épidémique ($\lambda_c$). Ce seuil sépare l'état où la maladie disparaît (phase inactive) de l'état endémique où elle persiste. Les auteurs cherchent à identifier la stratégie optimale pour repousser ce seuil et prévenir les épidémies, en fonction du taux de vaccination disponible.

2. Méthodologie

Les auteurs développent une approche combinant modélisation mathématique analytique et simulations numériques sur réseaux.

• Modèle S3I2 : Ils introduisent un modèle compartimental généralisé de type Susceptible-Infécté-Susceptible (SIS), nommé S3I2. Ce modèle distingue cinq états pour chaque individu :

  • Trois états de susceptibilité : $S_0$ (naïf), $S_1$ (immunité partielle après première dose/infection), $S_2$ (immunité renforcée après rappel/reinfection).
  • Deux états infectieux : $I_1$ et $I_2$ (correspondant aux états de susceptibilité $S_1$ et $S_2$).
  • Le modèle intègre l'immunité hybride (vaccination et infection naturelle), l'immunité partielle, et l'immunité qui s'estompe dans le temps (waning immunity).

• Paramétrisation de la priorisation :

  • Un paramètre clé $\alpha \in [0, 1]$ contrôle la priorité entre les premières doses et les rappels.
  • $\alpha = 1$ : Priorité absolue aux premières doses (stratégie « first-dose first »).
  • $\alpha = 0.5$ : Approche « premier arrivé, premier servi » (FCFS).
  • $\alpha < 0.5$ : Priorité aux rappels (peu pertinent en pratique mais inclus pour la complétude).
  • L'intervalle entre les doses $\tau$ est inversement proportionnel à $c(1-\alpha)$, où $c$ est le taux de vaccination global.

• Analyse théorique :

  • Résolution des équations différentielles au point stationnaire pour déterminer la densité d'infectés $\rho$.
  • Calcul de la valeur propre du Jacobien pour identifier le seuil critique $\lambda_c$ (taux de transmission critique) où la transition de phase se produit.
  • Maximisation de $\lambda_c$ par rapport à $\alpha$ pour trouver la stratégie optimale $\alpha^*$.

• Simulations :

  • Validation du modèle sur trois types de réseaux : un graphe Erdős-Rényi (homogène), le réseau de courriels Enron (réel, hétérogène) et un graphe aléatoire géométrique.
  • Utilisation de la méthode de réactivation des nœuds pour éviter les pièges dans la phase absorbante lors des simulations SIS sur des systèmes de taille finie.

3. Contributions Clés

• Démonstration de l'existence d'un seuil critique de taux de vaccination ($c^*$) : L'article prouve mathématiquement qu'il existe un point de bascule.
  • À faible taux de vaccination ($c \le c^*$), la stratégie optimale est d'accorder une priorité absolue aux premières doses ($\alpha^* = 1$). Cela maximise la couverture immunitaire partielle et réduit le nombre de sujets totalement naïfs.
  • À fort taux de vaccination ($c > c^*$), la stratégie optimale change. Il devient préférable d'adopter un calendrier intermédiaire ($\alpha^* < 1$) qui équilibre la couverture de la première dose et l'administration des rappels, surpassant ainsi l'approche « premier arrivé, premier servi ».
• Formulation analytique de la stratégie optimale : Les auteurs dérivent une expression explicite pour le seuil $c^*$ et la valeur optimale $\alpha^*$ en fonction des paramètres biologiques (efficacité des doses $\sigma_1, \sigma_2$, durée de l'immunité $\eta_1, \eta_2$).
• Lien entre intervalle inter-dose et seuil épidémique : Ils montrent que l'ajustement de l'intervalle $\tau$ permet de déplacer les frontières de la phase endémique, offrant un levier de contrôle épidémique puissant.

4. Résultats Principaux

• Comportement du seuil $\lambda_c$ : L'analyse montre que $\lambda_c$ (la résistance de la population à l'épidémie) n'est pas monotone par rapport à $\alpha$. Il existe un pic à une valeur $\alpha^*$ spécifique.
• Validation par simulation : Les simulations sur les réseaux (ER, Enron, S1) confirment les prédictions du modèle de champ moyen. La densité d'infectés $\rho$ en fonction du taux de transmission $\beta$ montre un décalage du seuil critique correspondant à la valeur $\alpha^*$ prédite théoriquement.
• Gain de performance : L'inset de la Figure 4 illustre le gain $R$ obtenu en utilisant la stratégie optimale par rapport à la stratégie « premier arrivé, premier servi » ($\alpha=0.5$) ou la priorité absolue aux premières doses ($\alpha=1$). Ce gain est significatif, particulièrement lorsque le taux de vaccination est élevé.
• Impact de l'intervalle : Un intervalle trop court (priorité aux rappels) ou trop long (priorité exclusive aux premières doses sans rappel) peut être sous-optimal selon le contexte de ressources. Le modèle permet de calculer l'intervalle optimal $1/\tau^*$.

5. Signification et Implications

• Prise de décision en santé publique : L'étude fournit des directives concrètes pour l'allocation des ressources vaccinales. Elle démontre qu'une stratégie unique (comme celle recommandée initialement par l'OMS pour le COVID-19) n'est pas toujours optimale. La stratégie doit être dynamique et dépendre de la capacité de distribution ($c$).
• Optimisation de l'immunité collective : En ajustant le timing des doses, les autorités peuvent maximiser l'effet de seuil, protégeant non seulement les individus vaccinés mais aussi les groupes vulnérables via l'immunité de groupe.
• Limites et perspectives : Les auteurs notent que le modèle suppose une population homogène. Dans la réalité, la priorisation de groupes spécifiques (personnes âgées, super-propagateurs) pourrait modifier la stratégie optimale. De plus, l'hésitation vaccinale et l'émergence de variants résistants (qui pourraient nécessiter des intervalles différents) sont des facteurs à intégrer dans des travaux futurs.

En conclusion, cet article établit que le moment de l'administration des doses est aussi critique que la quantité de vaccins. Une planification stratégique basée sur le taux de vaccination disponible peut transformer une épidémie endémique en une maladie contrôlée, voire éliminée.