Résumé technique : Extension des matrices de contact social par des facteurs socio-démographiques

Énoncé du problème

Les modèles épidémiques à compartiments reposent sur des matrices de contact social pour définir les taux d'interaction entre les groupes de population. Bien que ces modèles stratifient couramment les populations par âge, ils ignorent fréquemment d'autres facteurs socio-démographiques (par exemple, l'origine ethnique, la privation, le niveau d'éducation) qui influencent considérablement la dynamique de transmission. Se fier uniquement à une stratification par âge peut masquer des hétérogénéités critiques, conduisant à des estimations biaisées du nombre de reproduction de base ($R_0$), de la taille finale de l'épidémie et des disparités de santé.

Les méthodes existantes pour intégrer plusieurs facteurs socio-démographiques sont limitées. Elles nécessitent généralement des enquêtes complètes sur les contacts sociaux qui capturent les taux d'interaction par paires pour toutes les combinaisons de facteurs (par exemple, âge $\times$ origine ethnique). De telles données sont coûteuses, longues à collecter et souffrent souvent de biais de perception. De plus, l'estimation directe de ces matrices de haute dimension est souvent irréalisable, laissant les modèles incapables de capturer les effets cumulatifs des identités socio-démographiques intersectées.

Méthodologie

Les auteurs proposent une méthode mathématique rigoureuse pour étendre une matrice de contact social existante basée sur l'âge ($C_{ij}$) en intégrant un facteur socio-démographique supplémentaire (désigné par $a$ et $b$ pour les groupes au sein du nouveau facteur). Cela aboutit à une matrice de contact étendue $C_{ia,jb}$ représentant les contacts entre des individus du groupe d'âge $i$ et du groupe socio-démographique $a$ avec ceux du groupe d'âge $j$ et du groupe socio-démographique $b$.

La méthode construit cette matrice étendue en utilisant uniquement trois types d'entrées :

1. La matrice de contact originale basée sur l'âge ($C_{ij}$).
2. La structure de population du nouveau facteur socio-démographique (tailles des groupes $N_{ia}$).
3. Des hypothèses concernant les taux de contact relatifs ($F_a$) et l'assortativité ($\epsilon$).

Contraintes fondamentales

La matrice étendue doit satisfaire trois conditions pour garantir une validité physique et épidémiologique :

1. Cohérence de l'agrégation : La somme des contacts sur les nouveaux groupes socio-démographiques doit retrouver la matrice originale basée sur l'âge ($C_{ij}$). Cela garantit que l'extension redistribue les contacts existants plutôt que d'en créer ou d'en détruire.
2. Symétrie : La matrice doit satisfaire la condition de réciprocité ($N_{ia}C_{ia,jb} = N_{jb}C_{jb,ia}$), garantissant que si le groupe A contacte le groupe B, le groupe B contacte le groupe A.
3. Condition d'interaction relative : Le rapport des taux de contact totaux entre deux groupes socio-démographiques ($F_{a1}/F_{a2}$) doit être cohérent à travers tous les groupes d'âge.

Scénarios de mélange

Les auteurs dérivent des solutions pour deux régimes de mélange et une combinaison linéaire des deux :

• Mélange proportionnel : Les contacts sont répartis entre les groupes socio-démographiques proportionnellement à leur taille de population et à leurs taux de contact relatifs.
• Mélange ségrégué (assortatif) : Les contacts se produisent préférentiellement au sein du même groupe socio-démographique. Les auteurs fournissent une formulation spécifique pour le « mélange ségrégué » où les interactions sont divisées en fonction de la proportion du groupe socio-démographique au sein de chaque groupe d'âge.
• Mélange assortatif : Une solution générale est définie comme une combinaison linéaire des matrices proportionnelle et ségréguée, contrôlée par une constante d'assortativité $\epsilon$ (où $\epsilon=0$ correspond à un mélange purement proportionnel et $\epsilon=1$ à un mélange purement ségrégué).

La méthode permet de réindexer le tableau à quatre dimensions en une matrice à deux dimensions, permettant théoriquement l'extension de matrices avec un nombre arbitraire de facteurs socio-démographiques, bien que les auteurs notent des limitations pratiques concernant la complexité du modèle et la nécessité d'hypothèses supplémentaires.

Contributions clés

1. Une méthode d'extension efficace en données : L'article introduit une méthode pour stratifier les matrices de contact par des facteurs socio-démographiques supplémentaires sans nécessiter de données d'enquête par paires granulaires. Elle repose plutôt sur des données de structure de population et des hypothèses de mélange agrégées.
2. Formulation mathématique : Les auteurs fournissent des formules explicites pour construire des matrices étendues dans des conditions de mélange proportionnel, ségrégué et assortatif mixte, prouvant que ces constructions satisfont les contraintes de symétrie et d'agrégation nécessaires.
3. Démonstration de l'hétérogénéité cachée : Par le biais de simulations numériques, l'étude démontre comment l'ignorance des facteurs socio-démographiques peut masquer des variations significatives dans les résultats épidémiques, en particulier pour les groupes minoritaires.

Résultats

Les auteurs ont validé la méthode en utilisant deux approches : des populations hypothétiques et une projection de l'enquête de contact européenne POLYMOD sur la structure âge-ethnie de la Nouvelle-Zélande (Aotearoa).

Simulations hypothétiques

• Impact des taux de contact relatifs : La variation des taux de contact relatifs entre les groupes socio-démographiques a considérablement modifié le nombre de reproduction de base ($R_0$) et les taux d'attaque. $R_0$ a généralement augmenté à mesure que le taux de contact d'un groupe s'écartait de la moyenne, en raison du fait que les groupes à fort contact entraînent la transmission davantage que les groupes à faible contact ne la réduisent.
• Sensibilité des groupes minoritaires : Les résultats épidémiques pour les groupes minoritaires se sont révélés hautement sensibles aux variations des paramètres du modèle (taux de contact et assortativité).
• Non-identifiabilité : L'étude a révélé que différentes combinaisons d'assortativité et de taux de contact relatifs pouvaient produire des taux d'attaque agrégés similaires, suggérant que ces paramètres pourraient être non identifiables à partir de données agrégées uniquement.

Projection pour l'Aotearoa Nouvelle-Zélande

En utilisant la matrice POLYMOD projetée sur la structure ethnique de la Nouvelle-Zélande (Māori, Pacifique, Asiatique, Européen/Autre) :

• Changement de dynamique : L'intégration de l'origine ethnique et des taux de contact relatifs a augmenté l'estimation de $R_0$ mais a diminué le nombre total projeté d'infections d'environ 2 % (environ 100 000 personnes) par rapport à un modèle basé uniquement sur l'âge.
• Changement de structure par âge : L'inclusion de l'origine ethnique a modifié la structure par âge des infections. Le taux d'attaque a augmenté pour les populations plus âgées tandis qu'il diminuait pour les populations plus jeunes. Cela s'est produit parce que les groupes ethniques plus jeunes (Māori et Pacifique) avaient des taux de contact plus élevés, mais que les groupes plus âgés (Européens/Autres) présentaient une répartition par âge différente qui a altéré la dynamique globale de transmission.
• Implications politiques : Les résultats suggèrent que les modèles basés uniquement sur l'âge peuvent surestimer le nombre total de cas tout en sous-estimant le fardeau sur des sous-groupes âge-ethnie spécifiques, ce qui pourrait conduire à des décisions politiques sous-optimales concernant l'allocation des ressources et le ciblage des interventions.

Importance et affirmations

L'article affirme que sa méthode fournit un moyen « rigoureux » de construire des matrices de contact étendues lorsque des données empiriques détaillées font défaut. L'importance principale réside dans la capacité à :

• Quantifier les inégalités : Permettre aux modèles de prendre explicitement en compte les hétérogénéités socio-démographiques qui entraînent des disparités de santé.
• Améliorer la pertinence politique : Fournir des estimations plus précises de $R_0$ et de la taille de l'épidémie pour des sous-groupes spécifiques, ce qui est crucial pour concevoir des interventions qui minimisent les inégalités.
• Révéler des variations masquées : Démontrer que les modèles agrégés peuvent masquer des variations critiques dans les résultats de la maladie, en particulier pour les groupes minoritaires, qui sont souvent les plus touchés lors des épidémies.

Les auteurs restent modestes concernant les limites de la méthode, reconnaissant qu'elle impose une structure spécifique à la matrice de contact et suppose une assortativité uniforme et des taux de contact relatifs constants à travers les groupes d'âge. Ils notent que la méthode peut produire des éléments de matrice négatifs dans des scénarios de paramètres extrêmes, nécessitant une vérification de la non-négativité avant application. De plus, la méthode hérite des limitations générales des modèles compartimentaux, telles que l'hypothèse d'un mélange homogène au sein des compartiments et l'absence de résolution spatiale.