Generalized SEIR model and a new reproduction number reflecting the real epidemic dynamics

Résumé Technique : Modèle SEIR Généralisé et un Nouveau Nombre de Reproduction Reflétant la Dynamique Réelle des Épidémies

Énoncé du Problème
Les modèles mathématiques existants pour la dynamique épidémique, tels que le modèle SIR classique, échouent souvent à prendre en compte des facteurs critiques incluant la période d'incubation (le compartiment exposé), les infections cachées (asymptomatiques), les réinfections, ainsi que les effets des vaccinations et des nouveau-nés. Les modèles précédents proposés par l'auteur traitaient les dynamiques cachées et les réinfections mais négligeaient le compartiment exposé ($E$). De plus, les définitions standards du nombre de reproduction effectif ($R_t$) reposent uniquement sur les cas visibles (symptomatiques), ce qui peut ne pas refléter avec précision le véritable taux de propagation de l'infection lorsqu'une partie importante de la population est asymptomatique ou non enregistrée. L'article répond au besoin d'un modèle plus complet qui intègre le compartiment exposé aux dynamiques cachées et propose une nouvelle métrique pour mieux refléter les tendances épidémiques réelles.

Méthodologie
L'auteur propose un modèle SEIR (Susceptible-Exposé-Infectieux-Retiré) généralisé composé de six équations différentielles couplées. Ce modèle étend les travaux précédents en introduisant un compartiment pour les personnes exposées ($E$) et en divisant les populations infectieuses ($I$) et retirées ($R$) en sous-compartiments visibles (enregistrés) et cachés (non enregistrés/asymptomatiques).

Les caractéristiques clés du cadre mathématique incluent :

• Six Équations Différentielles : Régissant la dynamique des Susceptibles ($S$), des Exposés ($E$), des Infectieux Visibles ($I^v$), des Infectieux Cachés ($I^h$), des Retirés Visibles ($R^v$) et des Retirés Cachés ($R^h$).
• Paramètres : Le modèle incorpore 14 paramètres inconnus par vague épidémique, incluant les taux d'infection ($\alpha$), les taux de retrait ($\rho$), les taux d'atténuation de l'immunité ($\delta$), le coefficient de visibilité ($\beta$), et un coefficient ($\mu$) représentant le taux de variation nette de la population susceptible dû aux naissances, aux vaccinations et aux réinfections.
• Identification des Paramètres : L'auteur propose une méthode pour identifier ces 14 paramètres en utilisant la méthode des moindres carrés, en ajustant le modèle aux nombres de cas enregistrés observés quotidiennement, hebdomadaires ou mensuels ($D_j$). Le modèle relie la dérivée des cas retirés visibles aux données observées.
• Nouveau Nombre de Reproduction ($R_\tau^E$) : Un nouveau nombre de reproduction est défini sur la base du rapport entre les personnes exposées au temps $t$ versus $t-\tau$. Crucialement, l'article démontre que ce taux peut être estimé en utilisant uniquement le rapport des cas enregistrés quotidiens (ou hebdomadaires), liant ainsi efficacement les données visibles à la dynamique de la population exposée cachée.

Principales Contributions

1. Structure du Modèle Généralisé : L'introduction d'un modèle SEIR à six équations qui rend compte simultanément de la période d'incubation, des infections cachées, des réinfections et des changements démographiques (naissances/vaccinations).
2. Méthode d'Estimation des Paramètres : Une procédure spécifique pour estimer les 14 paramètres du modèle à l'aide de données épidémiologiques standard (comptages de cas cumulés ou quotidiens) sans nécessiter l'observation directe des cas cachés.
3. Nombre de Reproduction Révisé : La proposition d'un nombre de reproduction ($R_\tau^E$) qui reflète le taux croissant ou décroissant de personnes exposées. L'article établit que le rapport des comptes de cas enregistrés consécutifs (quotidiens ou hebdomadaires) sert de validateur pour cet estimateur, fournissant un outil pratique pour les décisions de contrôle épidémique.
4. Analyse d'Équilibre : L'article fournit une analyse des points d'équilibre, notant qu'un équilibre non nul (état endémique) n'est possible que lorsque le taux de croissance nette des susceptibles ($\mu$) est non nul.

Résultats
Le modèle a été appliqué pour simuler l'épidémie de coqueluche en Angleterre de 2023 à 2025.

• Scénarios de Simulation :
  • $\mu = 0$ : Les simulations supposant aucune croissance nette de la population susceptible (par exemple, une vaccination parfaite équilibrant les naissances) ont entraîné une diminution monotone des cas après un pic, suggérant une durée d'épidémie limitée.
  • $\mu > 0$ : Les simulations incorporant un taux de croissance nette positif (reflétant des taux de naissance dépassant l'efficacité de la vaccination) ont produit des vagues épidémiques oscillantes avec une période d'environ 2500 jours (6,85 ans).
• Validation : Le modèle avec $\mu = 7,48 \text{ jour}^{-1}$ a montré une forte concordance avec les données historiques et les observations récentes (2025) des cas de coqueluche en Angleterre.
• Prédiction : Sur la base du modèle calibré, l'article prédit que le nombre de nouveaux cas de coqueluche en Angleterre recommencera à augmenter en juillet–septembre 2027. Le modèle indique que le nombre de personnes exposées commencera à augmenter immédiatement après le minimum des cas enregistrés quotidiens.

Signification et Revendications
L'article affirme que le modèle SEIR généralisé proposé offre une représentation plus réaliste de la dynamique épidémique en intégrant la période d'incubation et la transmission cachée. La principale importance réside dans la capacité de :

• Prédire les futures vagues épidémiques (plus précisément la résurgence de la coqueluche en Angleterre en 2027) avec une grande précision en utilisant uniquement les données de cas enregistrés.
• Fournir une définition pratique et basée sur les données du nombre de reproduction qui tient compte des dynamiques cachées, permettant aux épidémiologistes de surveiller le véritable taux de propagation de l'infection à l'aide des données de surveillance standard.
• Démontrer que si une vaccination intensive peut théoriquement réduire la durée de l'épidémie, elle peut être insuffisante pour prévenir les oscillations à long terme si les taux de naissance et l'atténuation de l'immunité ne sont pas adéquatement compensés.

L'auteur note que le grand nombre de paramètres (14) complique l'optimisation, suggérant que les recherches futures devraient utiliser le Calcul Haute Performance (HPC) et les méthodes d'IA pour l'identification des paramètres à grande échelle. L'étude conclut que le modèle comble avec succès le fossé entre la dynamique compartimentale théorique et les données observables du monde réel.