The covariance matrix of metapopulation disease models and applications to early warning signals

Cet article propose d'utiliser la décomposition en valeurs propres de la matrice de covariance non stationnaire comme signal d'alerte précoce amélioré pour détecter les transitions épidémiques dans les modèles de maladies en métapopulation, en démontrant sa validité théorique et son application pratique par le biais de simulations et de données de cas SARS-CoV-2 provenant d'Angleterre.

L'essentiel

Imaginez une épidémie non pas comme une vague unique et lisse, mais comme une danse complexe exécutée par des milliers de groupes différents (comme des groupes d'âges distincts ou des habitants de différentes villes). Habituellement, lorsque les scientifiques tentent de prédire quand cette danse atteindra son pic ou s'arrêtera soudainement, ils écoutent le « bruit » d'un seul groupe à la fois. Ils écoutent le rythme d'un seul tambour.

Ce papier soutient que nous devrions écouter l'orchestre entier en une seule fois. Les auteurs proposent une nouvelle façon d'écouter la « matrice de covariance », qui est essentiellement une carte montrant comment tous les différents groupes se déplacent les uns par rapport aux autres.

Voici une décomposition de leurs découvertes à l'aide d'analogies simples :

1. Le problème d'écouter un seul tambour

La plupart des systèmes d'alerte précoce pour les maladies examinent une seule série temporelle (comme le nombre total de cas dans un pays entier). C'est comme essayer de prédire une tempête en ne surveillant que la vitesse du vent dans une seule ville. Le papier note que les systèmes épidémiques sont rarement « calmes » ou « stationnaires » (restant immobiles à un équilibre). Ils sont en constante évolution, surtout lorsque de nouvelles variantes apparaissent ou que les restrictions changent. À cause de cela, les anciennes méthodes qui supposent que le système est stable manquent souvent leur cible.

2. Le nouvel outil : La « partition du chef d'orchestre »

Les auteurs suggèrent d'examiner la matrice de covariance. Imaginez cela comme une partition qui vous indique comment la section des violons (Ville A) se déplace par rapport à la section des trompettes (Ville B).

• Les valeurs propres (Le volume) : Ces nombres vous indiquent à quel point le système est « fort » ou chaotique. Le papier constate qu'à mesure qu'une maladie approche d'un moment critique (comme un pic soudain ou une nouvelle vague), le « volume » des fluctuations du système change d'une manière prévisible.
• Les vecteurs propres (Les pas de danse) : C'est la contribution la plus créative du papier. Les vecteurs propres vous disent quels groupes mènent la danse.
  • Analogie : Imaginez une troupe de danse. Au début, tout le monde danse en cercle. Soudain, la musique change et les danseurs se mettent en ligne. Le « vecteur propre » est la description de ce changement.
  • L'idée clé : Les auteurs ont découvert qu'avant qu'une nouvelle vague ne frappe, les « pas de danse » changent. Les groupes qui étaient auparavant calmes commencent soudainement à bouger en synchronisation avec les leaders. En observant comment la formation de la danse tourne, vous pouvez déterminer quel groupe spécifique (par exemple, un groupe d'âge particulier ou une ville) est sur le point de propulser la prochaine flambée.

3. Tester la théorie : La simulation

L'équipe a construit un modèle informatique de trois villes reliées par des routes. Ils ont simulé la propagation de maladies entre elles.

• Ce qu'ils ont observé : Lorsqu'ils ont introduit une nouvelle variante ou modifié les règles de voyage, les « pas de danse » (vecteurs propres) ont changé avant que le nombre de personnes malades ne s'envole.
• La « rotation » : Ils ont proposé de mesurer la vitesse de rotation de ces pas de danse. Si la formation commence à tourner ou à changer de forme rapidement, c'est un signal d'alarme indiquant qu'une transition est en approche.
• Incidence vs Prévalence : Ils ont vérifié si le comptage des nouveaux cas (incidence) par rapport aux cas actifs totaux (prévalence) importait. Ils ont constaté que l'examen des nouveaux cas fonctionnait tout aussi bien pour repérer ces changements de danse, ce qui est excellent car ce sont les données que nous avons généralement.

4. Application réelle : La pandémie au Royaume-Uni

Ils ont appliqué cette méthode à des données réelles du Royaume-Uni pendant la pandémie de 2020–2021, en examinant des données provenant de :

• Maidstone (une petite zone locale).
• Le Sud-Est (une région plus vaste).
• L'Angleterre (tout le pays).

Ce qu'ils ont découvert :

• Les signaux ont fonctionné : Tout comme dans leurs simulations, les « pas de danse » (vecteurs propres) ont commencé à vaciller et à tourner avant les pics majeurs (comme la vague de Noël 2020) et avant que de nouvelles variantes (Alpha et Delta) ne prennent le dessus.
• Le « Qui » compte : La méthode ne disait pas seulement « une vague arrive » ; elle suggérait qui la propulsait. Par exemple, avant la flambée de la variante Delta, la « danse » s'est déplacée pour mettre en évidence le Nord-Ouest de l'Angleterre, qui était effectivement l'endroit où la variante se propageait le plus rapidement.
• Le « Comment » compte : Ils ont constaté que l'examen de groupes plus petits et détaillés (données désagrégées) donnait une image plus claire que l'examen du pays entier comme un gros bloc unique. L'agrégation de trop de données lissait les signaux d'alerte, comme flouter une photo jusqu'à ce que vous ne puissiez plus voir les détails.

5. La conclusion

Le papier affirme qu'en analysant comment différents groupes de personnes bougent ensemble (la covariance) plutôt que de simplement compter les nombres totaux, nous pouvons obtenir une alerte plus précoce et plus détaillée des épidémies.

• Le « Volume » (valeurs propres) nous indique qu'une transition est proche.
• Les « Pas de danse » (vecteurs propres) nous disent quels groupes sont sur le point de causer des problèmes et quand le changement se produit.

Les auteurs concluent que cette méthode agit comme un « canari dans une mine de charbon » qui non seulement crie « danger », mais pointe également du doigt exactement quelle partie de la population est sur le point d'allumer la mèche. Ils ont testé cela sur des modèles informatiques et sur de vraies données britanniques, et dans les deux cas, la « rotation » de la structure des données a servi de signal d'alerte précoce fiable.

Résumé technique

Résumé technique : La matrice de covariance des modèles de maladies en métapopulation et applications aux signaux d'alerte précoce

Énoncé du problème
Les séries temporelles de maladies infectieuses présentent souvent des transitions critiques, telles que des pics épidémiques, des creux ou des basculements entre l'élimination et la persistance de la maladie, pilotées par des changements de paramètres sous-jacents comme le nombre de reproduction de base ($R_0$). Bien que des signaux d'alerte précoce (EWS) basés sur le ralentissement critique aient été développés pour anticiper ces transitions, les méthodes existantes reposent principalement sur des séries temporelles univariées ou supposent que le système est à un équilibre stationnaire. Les systèmes de maladies, en particulier lors d'épidémies ou de l'émergence de nouveaux variants, sont fréquemment non stationnaires. De plus, les approches écologiques standard utilisant la matrice de covariance de séries temporelles multivariées supposent souvent des fluctuations stochastiques stationnaires autour d'un équilibre stable. Cette hypothèse échoue à capturer la dynamique des modèles de maladies en métapopulation où les changements démographiques et les paramètres de bifurcation évoluent à des échelles de temps similaires, empêchant le système d'atteindre un état stationnaire. Par conséquent, il existe un besoin de méthodes EWS qui tiennent compte de la nature non stationnaire des données épidémiologiques et qui exploitent la granularité spatiale ou par âge des données de cas.

Méthodologie
Les auteurs proposent d'utiliser la décomposition en valeurs propres de la matrice de covariance non stationnaire comme signal d'alerte précoce multivarié. La méthodologie se déroule en trois étapes :

1. Cadre théorique : L'étude modélise la propagation des maladies infectieuses à l'aide d'un cadre métapopulation Susceptible-Infecté-Rétabli (SIR) avec démographie, représenté par un système d'équations différentielles ordinaires (EDO). Pour intégrer la stochasticité, les auteurs appliquent l'expansion de la taille du système de van Kampen pour dériver une équation de Fokker-Planck linéaire pour les déviations stochastiques. Contrairement à la littérature antérieure qui fixe la dérivée temporelle de la matrice de covariance ($\frac{d\Sigma}{dt}$) à zéro (en supposant la stationnarité), ce travail résout l'équation de Lyapunov dépendante du temps :
   $$\frac{d\Sigma}{dt} = J\Sigma + \Sigma J^T + B$$
   où $J$ est le jacobien du système, $B$ est la matrice de diffusion, et $\Sigma$ est la matrice de covariance dépendante du temps. Les auteurs analysent l'évolution des valeurs propres ($\lambda$) et de la base propre (vecteurs propres) de $\Sigma$ à mesure que le système approche une bifurcation.

2. Expériences de simulation : Les prédictions théoriques sont testées à l'aide de simulations stochastiques (algorithme de Gillespie) sur un réseau de trois villes en interaction. Les scénarios incluent :

   • Des vagues épidémiques de référence.
   • L'introduction de infections dans des sous-populations spécifiques.
   • La mise en œuvre d'interventions non pharmaceutiques (INP) réduisant la transmission entre ou au sein des villes.
   • L'introduction d'un nouveau variant plus transmissible.
     Les simulations sont exécutées pour des tailles de population macroscopiques (100 000 individus par ville) et mésoscopiques (10 000 individus) afin d'évaluer la robustesse face à la stochasticité.

3. Application empirique : Les méthodes sont appliquées à de réelles données de cas SARS-CoV-2 en Angleterre (2020–2021) fournies par l'Autorité de sécurité sanitaire du Royaume-Uni (UKHSA). L'analyse couvre :

   • Données stratifiées par âge : Agrégées en classes de 10 ans pour Maidstone (une autorité locale de niveau inférieur) et la région du Sud-Est.
   • Données stratifiées spatialement : Agrégées à travers les régions NHS en Angleterre.
   • Traitement des données : Les séries temporelles sont analysées à la fois comme incidence brute et données détrendées. Des matrices de covariance glissantes sont calculées à l'aide de fenêtres de 60 et 100 jours.
   • Détection de points de rupture : Des tests statistiques en ligne (CUSUM, 2-sigma, 2-sigma normalisé) et des méthodes hors ligne (segmentation pénalisée linéairement) sont appliqués au déplacement angulaire du vecteur propre dominant pour détecter quantitativement les changements dans la dynamique des infections.

Résultats clés

• Tendances des valeurs propres non stationnaires : Dans les systèmes non stationnaires approchant une bifurcation (par exemple, $R_t \to 1$), la valeur propre dominante ($\lambda_1$) de la matrice de covariance présente des tendances prévisibles. Plus précisément, $\lambda_1$ montre souvent une augmentation distincte ou un motif de « double pic » autour du pic épidémique. La valeur propre normalisée ($\lambda_1 / \sqrt{\sum \lambda_i^2}$) montre également des pics près des transitions, bien que le moment par rapport au pic puisse varier selon que les données sont détrendées ou non.
• Rotation de la base propre comme EWS : Une découverte nouvelle est que la rotation du vecteur propre dominant sert de signal d'alerte précoce sensible. Les changements dans le vecteur propre dominant précèdent souvent ou coïncident avec les transitions épidémiques. Crucialement, les composantes du vecteur propre dominant reflètent la contribution relative de différentes sous-populations (par exemple, des groupes d'âge spécifiques ou des villes) à la dynamique globale des infections. Par exemple, dans des simulations où la transmission était réduite dans une ville spécifique, l'élément correspondant dans le vecteur propre dominant diminuait avant la baisse observable de la prévalence.
• Impact de l'agrégation : L'étude démontre que l'agrégation des données (spatiale ou par âge) peut atténuer la force du signal des EWS. Les données désagrégées (par exemple, de petites autorités locales ou des classes d'âge plus fines) conservent plus de stochasticité et fournissent des signaux plus clairs dans la rotation de la base propre par rapport aux données fortement agrégées. Cependant, le détrendage des données agrégées peut récupérer une partie de ce signal perdu.
• Validation réelle : Appliquées aux données SARS-CoV-2 du Royaume-Uni, la valeur propre dominante et la rotation du vecteur propre ont anticipé avec succès les principales transitions épidémiques, y compris les pics de décembre 2020 et juillet 2021, ainsi que l'émergence des variants Alpha et Delta. L'analyse des vecteurs propres a révélé des dynamiques spatiales changeantes, telles que le Nord-Ouest devenant l'épicentre du variant Delta, et des changements spécifiques à l'âge correspondant à la réouverture des écoles.
• Incidence vs Prévalence : L'étude note que, bien que les modèles théoriques se concentrent souvent sur la prévalence, la base propre de covariance des données d'incidence se comporte de manière similaire à la prévalence en termes de tendances des vecteurs propres, validant ainsi l'utilisation des comptes de cas déclarés.

Signification et revendications
L'article revendique l'extension de la théorie du ralentissement critique et des EWS basés sur la covariance aux systèmes de maladies non stationnaires, une condition courante en épidémiologie réelle mais souvent ignorée dans les modèles théoriques. La contribution principale est la démonstration que la décomposition en valeurs propres d'une matrice de covariance non stationnaire fournit deux types d'informations distincts :

1. Timing : L'amplitude de la valeur propre dominante et sa forme normalisée peuvent signaler l'approche ou le passage d'un pic épidémique.
2. Structure : La rotation du vecteur propre dominant fournit un aperçu qualitatif et quantitatif sur quelles sous-populations pilotent la dynamique, offrant aux modélisateurs un outil pour identifier les groupes à risque ou les changements de schémas de transmission avant qu'ils ne soient pleinement visibles dans les courbes de cas agrégées.

Les auteurs concluent modestement que, bien que ces méthodes montrent des promesses à la fois comme signaux anticipateurs et comme outils de confirmation des transitions (comme vérifier qu'un pic est passé), leur efficacité dépend de la granularité des données et du choix de la taille de la fenêtre glissante. Ils suggèrent que les travaux futurs devraient explorer les compromis entre la stochasticité des modèles désagrégés et les effets de lissage de l'agrégation, et appliquer ces méthodes à d'autres ensembles de données de maladies pour confirmer l'universalité de ces tendances.