Incorporating county-level NO2 data into a metapopulation model: a case study of the first COVID-19 wave in Oklahoma

Résumé technique : Intégration des données de NO2 à l'échelle des comtés dans un modèle de métapopulation pour la première vague de COVID-19 en Oklahoma

Énoncé du problème
Bien que les études épidémiologiques aient établi des associations entre l'exposition au dioxyde d'azote (NO2) et une susceptibilité accrue aux maladies infectieuses respiratoires, et que les preuves biologiques suggèrent que le NO2 augmente la vulnérabilité à l'infection, il existe une pénurie de modèles épidémiques mécanistes qui intègrent explicitement les données sur les polluants atmosphériques. Les modèles existants ne parviennent souvent pas à rendre compte de la manière dont les facteurs environnementaux modulent directement la dynamique de transmission parallèlement à la mobilité humaine.

Méthodologie
Les auteurs introduisent un nouveau modèle de métapopulation informé par le NO2 et la mobilité pour analyser la première vague de la pandémie de COVID-19 en Oklahoma. La méthodologie intègre deux flux de données primaires :

1. Données environnementales : Les concentrations de NO2 à l'échelle des comtés sont incorporées directement dans les taux d'infection via une paramétrisation de premier ordre.
2. Données de mobilité : Des modèles de mobilité à haute résolution sont utilisés pour capturer la connectivité hétérogène entre les comtés.

L'étude emploie des simulations numériques pour explorer comment différents niveaux de sensibilité environnementale affectent les trajectoires de l'épidémie. De plus, le modèle est ajusté aux données d'incidence du COVID-19 par comté et rigoureusement comparé à deux références :

• Un modèle SIR classique ajusté indépendamment pour chaque comté.
• Un modèle basé uniquement sur la mobilité, où le NO2 est supprimé et où les taux d'infection sont supposés homogènes entre les comtés.

La performance est évaluée à l'aide de mesures d'erreur standard, spécifiquement l'erreur quadratique moyenne normalisée (nRMSE), à travers différentes étapes épidémiques : poussée, pic, post-pic et déclin.

Résultats clés

• Dynamique de simulation : Les simulations numériques indiquent qu'une sensibilité environnementale plus élevée conduit à des épidémies plus précoces et plus synchronisées entre les comtés, tandis qu'une sensibilité plus faible entraîne des trajectoires retardées et asynchrones.
• Performance du modèle par rapport au SIR : Lorsqu'il a été ajusté aux données historiques, le modèle proposé a surpassé le modèle SIR indépendant dans plus de 75 % des comtés de l'Oklahoma selon toutes les mesures d'erreur standard.
• Précision des prévisions : Le modèle proposé a démontré des capacités de prévision supérieures à travers toutes les étapes épidémiques. Les taux de victoire contre le modèle SIR par nRMSE étaient de :
  • Poussée : 59,74 %
  • Pic : 87,01 %
  • Post-pic : 80,52 %
  • Déclin : 88,31 %
• Contribution du NO2 : L'isolement de la composante NO2 a révélé qu'elle améliorait significativement les prévisions pendant les périodes de forte incidence. Spécifiquement, l'inclusion du NO2 a amélioré les prévisions par comté pendant les phases de poussée (94,81 % des comtés), de post-pic (88,31 %) et de pic (62,34 %) par rapport au modèle basé uniquement sur la mobilité. Cependant, le terme NO2 n'a pas produit d'améliorations lors des phases précoces et de déclin.

Signification et affirmations
L'article affirme que l'exposition environnementale, spécifiquement le NO2, peut être directement intégrée dans la structure de transmission d'un modèle épidémique mécaniste. Les auteurs soutiennent que cette intégration génère des gains de prévision mesurables, particulièrement durant les périodes de haute incidence, démontorant ainsi que la combinaison de données environnementales avec des modèles de mobilité fournit un cadre plus robuste pour comprendre et prédire la dynamique épidémique que les données de mobilité ou les modèles compartimentaux standards seuls.