A New Method to Predict the Effect of an Intervention in the Host Population to Reduce the Magnitude of an Outbreak of a Vector-Borne Infection

Résumé technique : Une nouvelle méthode pour prédire l'effet d'une intervention sur la population hôte afin de réduire l'ampleur d'une épidémie d'infection à vecteur

Énoncé du problème
L'estimation de l'efficacité des mesures de contrôle pour les infections à vecteurs, telles que la dengue, est compliquée par la nature non stationnaire de ces maladies. Contrairement aux infections à transmission directe souvent modélisées sous des hypothèses d'état stationnaire, les infections à vecteurs présentent des épidémies annuelles dictées par les variations saisonnières des populations de vecteurs et la mobilité humaine. Les méthodes mathématiques standards sont confrontées à des défis substantiels lorsque l'hypothèse d'état stationnaire est levée, car elles nécessitent la résolution d'équations aux dérivées partielles avec des paramètres temporels inconnus (par exemple, les fluctuations de la taille des populations de vecteurs et les modèles de mobilité humaine). De plus, prédire l'ampleur d'une épidémie spécifique annuelle est difficile, pourtant les planificateurs de santé publique ont besoin de méthodes pour estimer l'impact des interventions (telles que la vaccination) indépendamment du fait que l'épidémie soit de grande ou de petite ampleur.

Méthodologie
Les auteurs proposent un modèle déterministe qui estime l'impact d'une intervention sur l'ampleur d'une épidémie à vecteur sans s'appuyer sur des hypothèses d'état stationnaire. La méthode repose sur une observation empirique spécifique : pour les infections transmises par Aedes dans les centres urbains brésiliens, la distribution par âge de la proportion de cas signalés est indépendante de l'intensité de la transmission et de la localisation géographique.

Les composantes centrales de la méthodologie incluent :

1. Entrée de données : Le modèle utilise des données d'incidence stratifiées par âge ($Inc_H(a, t)$) officiellement rapportées par le Système National de Notification Obligatoire des Infections (SINAN).
2. Invariance de la distribution par âge : Le modèle suppose que la proportion de cas par âge, notée $\phi(a)$, est une fonction de l'âge uniquement, indépendante de l'année de l'épidémie ou de la localisation. Cela permet au modèle de découpler l'ampleur totale de l'épidémie de la structure d'âge des cas.
3. Simulation d'intervention : La méthode simule une intervention (par exemple, la vaccination) qui « élimine » une fraction $p$ des cas au sein d'un intervalle d'âge spécifique $[a_1, a_2]$.
   • Impact sur le vecteur : Elle calcule la réduction du nombre total de moustiques infectés ($\mathcal{I}_{MT}$) après l'intervention, notée par un facteur $\alpha(a_1, a_2)$. Ce facteur est dérivé de la réduction des cas humains, sur la prémisse que le nombre de vecteurs infectés est proportionnel au nombre de cas chez les hôtes.
   • Impact sur l'hôte : Elle calcule la réduction du nombre total d'humains susceptibles ($\mathcal{S}_{HT}$) après l'intervention, notée par un facteur $\beta(a_1, a_2, T)$. Cela nécessite la connaissance de la densité pré-intervention d'individus susceptibles, idéalement obtenue via des enquêtes de séroprévalence.
4. Calcul de l'efficacité : L'efficacité totale ($Eff_T$) de l'intervention est calculée comme suit :
   $$Eff_T = 1 - \alpha(a_1, a_2) \beta(a_1, a_2, T)$$
   Cela représente la réduction du nombre total de cas ($\Lambda_T$) par rapport à un scénario sans intervention.
5. Seuil d'immunité collective : Le modèle estime également le nombre de reproduction de base ($R_0$) en ajustant une fonction exponentielle à la phase de croissance initiale d'une épidémie. La proportion critique à immuniser ($p_c$) est ensuite dérivée en utilisant la relation standard $p_c = 1 - 1/R_0$, corrigée pour l'efficacité du vaccin.

Étude de cas et résultats
La méthode a été illustrée par des données sur la dengue de São José do Rio Preto (SJRP), Brésil, couvrant l'épidémie de 2019.

• Scénario d'intervention : Une campagne de vaccination hypothétique ciblant 100 % de la population âgée de 10 à 20 ans a été simulée.
• Paramètres : En utilisant les données de séroprévalence de Chiaravalloti-Neto et al. (2019) pour estimer la population susceptible, la simulation a produit une efficacité d'intervention ($Eff_T$) de 28 %. Ce résultat était cohérent, qu'il soit calculé via la formule dérivée ou en comparant le nombre de cas post-intervention simulé au nombre de cas pré-intervention.
• Immunité collective : Pour l'épidémie de 2019 à SJRP, le $R_0$ estimé était de 5,76. Par conséquent, le seuil d'immunité collective a été calculé comme nécessitant l'immunisation d'environ 83 % de la population susceptible pour éliminer l'infection.
• Simulation de vaccin : Les auteurs ont simulé l'impact du vaccin Butantan-DV (efficacité de 74,7 %) à travers divers intervalles d'âge (12–59 ans). Ils ont démontré comment différents niveaux de couverture et cibles d'âge se traduisent en une protection immunitaire effective, mettant en évidence les compromis dans la stratégie de vaccination.

Contributions clés et affirmations
L'article affirme proposer un nouveau formalisme pour comparer les amplitudes d'épidémies avec et sans intervention, indépendamment des variations temporelles de l'intensité de la transmission. Les principales contributions sont :

1. Indépendance vis-à-vis de l'état stationnaire : La méthode fonctionne sans supposer un état stationnaire, ce qui la rend applicable aux dynamiques fluctuantes des épidémies saisonnières à vecteurs.
2. Robustesse à la taille de l'épidémie : Parce que la méthode repose sur l'invariance de la distribution d'âge des cas, elle peut estimer l'efficacité d'une intervention pour des épidémies de n'importe quelle ampleur (petites ou grandes) dans les régions étudiées.
3. Optimisation stratégique : Le cadre permet de déterminer les stratégies de vaccination optimales en simulant différents intervalles d'âge et niveaux de couverture pour maximiser l'efficacité.

Limites et importance
Les auteurs énoncent explicitement certaines limites et des affirmations modestes concernant l'applicabilité de la méthode :

• Dépendance aux données : La méthode repose fortement sur la qualité des systèmes de notification officiels. Les biais de déclaration peuvent compromettre les conclusions.
• Estimation de la susceptibilité : Une limite critique est l'exigence de données précises sur le nombre ou la proportion d'individus susceptibles. En pratique, cela nécessite généralement des enquêtes de séroprévalence, qui sont logistiquement difficiles et coûteuses. Sans connaître la véritable fraction de sujets susceptibles, le paramètre $\beta$ ne peut être déterminé avec précision, limitant la capacité à calculer une efficacité exacte lors d'interventions « à l'aveugle » dans le monde réel.
• Spécificité du vecteur : La conclusion sur l'invariance de la distribution d'âge est affirmée comme étant valide pour les infections transmises par Aedes dans les centres urbains, mais peut ne pas s'appliquer aux infections transmises par d'autres vecteurs (par exemple, le paludisme).
• Taille de la ville : L'analyse est notée comme étant valide pour les villes de taille moyenne et petite ; dans les grandes villes, l'hétérogénéité spatiale des épidémies et les mouvements humains peuvent compliquer l'uniformité de la distribution d'âge.

En conclusion, l'article présente un outil déterministe pour estimer l'efficacité des interventions contre les épidémies à vecteurs, à condition que des données de cas stratifiées par âge fiables et des données de séroprévalence (pour définir le réservoir de sujets susceptibles) soient disponibles. Il ne prétend pas prédire la taille des épidémies, mais plutôt quantifier la réduction relative de l'ampleur des épidémies réalisable grâce à des stratégies d'intervention spécifiques.