When to Boost: How Dose Timing Determines the Epidemic Threshold

1. Il Problema

La gestione delle campagne vaccinali per malattie che richiedono dosi multiple (come il COVID-19, il morbillo, ecc.) presenta una sfida critica: come ottimizzare la tempistica tra la dose primaria (primer) e la dose di richiamo (booster)?
Esiste un compromesso fondamentale tra:

• Prioritizzare la prima dose: Massimizza la copertura della popolazione "naive" (non vaccinata) nel breve termine, riducendo rapidamente il numero di suscettibili, ma lascia gli individui con un'immunità parziale e transitoria.
• Prioritizzare la dose completa (booster): Garantisce una protezione più forte e duratura per chi ha già ricevuto la prima dose, ma rallenta l'estensione della copertura alla popolazione generale.

L'obiettivo del paper è determinare se e quando è meglio ritardare la seconda dose per somministrarne di più prime dosi, o viceversa, al fine di spostare la soglia epidemica ($\lambda_c$) e prevenire focolai diffusi.

2. Metodologia

Gli autori sviluppano un approccio basato su modelli matematici e simulazioni computazionali:

• Modello Matematico (S3I2): Viene introdotto un modello compartimentale generalizzato Suscettibile-Infetto-Suscettibile (SIS) denominato S3I2.

  • La popolazione è divisa in 5 stati: 3 stati suscettibili ($S_0, S_1, S_2$) e 2 stati infetti ($I_1, I_2$).
  • $S_0$: Individui naive.
  • $S_1$: Individui con immunità parziale (dopo 1ª dose o infezione naturale).
  • $S_2$: Individui con immunità massima (dopo 2ª dose o reinfezione).
  • Il modello include l'immunità che svanisce nel tempo (waning immunity) e la protezione parziale.
  • Viene introdotto un parametro di priorità $\alpha$ ($0 \le \alpha \le 1$):
    • $\alpha = 1$: Priorità assoluta alla prima dose (ritardo infinito per la seconda).
    • $\alpha = 0.5$: Approccio "first-come, first-served" (standard).
    • $\alpha = 0$: Priorità alla seconda dose (scenario meno rilevante ma considerato per completezza).
  • L'intervallo tra le dosi è definito come $\tau = 1/(c(1-\alpha))$, dove $c$ è il tasso di vaccinazione globale.

• Analisi Teorica:

  • Viene condotta un'analisi di stabilità lineare attorno allo stato stazionario "assorbente" (dove la malattia è estinta, $\rho=0$).
  • Si deriva un'espressione analitica per la soglia epidemica critica $\lambda_c(\alpha)$ in funzione del parametro di priorità $\alpha$ e del tasso di vaccinazione $c$.
  • L'obiettivo è massimizzare $\lambda_c$ (rendendo più difficile per l'epidemia diffondersi) trovando il valore ottimale $\alpha^*$.

• Simulazioni Agent-Based:

  • Le previsioni teoriche sono validate tramite simulazioni su reti di contatto reali e sintetiche:
    1. Grafo Erdős-Rényi (ER).
    2. Rete email Enron.
    3. Grafo geometrico casuale (modello S1).
  • Viene utilizzato un metodo di campionamento dello stato quasi-stazionario per evitare che le simulazioni in sistemi finiti rimangano bloccate nello stato di estinzione.

3. Contributi Chiave e Risultati

A. La Soglia Critica di Vaccinazione ($c^*$)

Il risultato principale è l'identificazione di un tasso di vaccinazione critico $c^*$ che separa due regimi ottimali distinti:

1. Basso Tasso di Vaccinazione ($c \le c^*$):

   • La strategia ottimale è $\alpha^* = 1$.
   • Significa dare priorità assoluta alla somministrazione della prima dose a tutti i possibili candidati, ritardando il più possibile la seconda dose.
   • Motivazione: In condizioni di scarsità di risorse, è più efficace ridurre il pool di suscettibili totali ($S_0$) rapidamente, anche a costo di avere un'immunità parziale, piuttosto che proteggere completamente una piccola frazione della popolazione.

2. Alto Tasso di Vaccinazione ($c > c^*$):

   • La strategia ottimale è $\alpha^* < 1$ (un valore intermedio calcolato analiticamente).
   • Significa che non bisogna seguire un approccio "first-come, first-served" ($\alpha=0.5$), ma adottare uno scheduling specifico che bilancia la somministrazione di prime e seconde dosi.
   • Motivazione: Quando le risorse sono abbondanti, ritardare eccessivamente la seconda dose non è necessario; invece, ottimizzare l'intervallo $\tau$ massimizza la protezione complessiva della popolazione, spostando la soglia epidemica più in alto rispetto alla strategia standard.

B. Derivazione Analitica dell'Ottimo

Gli autori derivano una formula chiusa per $\alpha^*$ che dipende dai parametri del sistema (tassi di recupero, durata dell'immunità, efficacia delle dosi).

• La soglia epidemica ottimale $\lambda_c^*$ è ottenuta quando la densità efficace dei suscettibili è minima.
• Viene mostrato che l'approccio "first-come, first-served" (spesso usato come default) è subottimale sia nel caso di risorse scarse che abbondanti rispetto alla strategia calcolata.

C. Validazione

Le simulazioni su reti complesse confermano le previsioni del modello di campo medio. I grafici mostrano che la frazione di popolazione infetta $\rho$ diminuisce significativamente quando si utilizza il $\alpha^*$ calcolato, rispetto alle strategie standard, specialmente vicino alla soglia critica.

4. Significato e Implicazioni

• Guida per la Sanità Pubblica: Il paper fornisce linee guida quantitative per l'allocazione delle risorse vaccinali. Non esiste una strategia "una taglia unica": la decisione di ritardare la seconda dose dipende criticamente dalla velocità di vaccinazione disponibile ($c$).
• Ottimizzazione delle Risorse: Dimostra che un semplice aggiustamento della tempistica tra le dosi può determinare se una malattia diventa endemica o scompare, senza necessariamente aumentare la quantità totale di vaccini.
• Flessibilità Strategica: Smentisce l'idea che l'approccio standard (somministrare le dosi il prima possibile secondo gli schemi originali) sia sempre il migliore. In contesti di risorse limitate, la strategia del "ritardo della seconda dose" (come adottato inizialmente da UK e Canada) è matematicamente giustificata, ma solo fino a un certo punto ($c^*$). Oltre tale soglia, un intervallo intermedio ottimizzato è superiore.

5. Limitazioni e Prospettive Future

Gli autori notano che il modello assume una popolazione omogeneamente mescolata. In scenari reali, potrebbe essere necessario prioritizzare gruppi specifici (anziani, bambini). Inoltre, il modello non include ancora l'esitazione vaccinale o il rischio di evoluzione di ceppi resistenti ai vaccini, che potrebbero richiedere strategie con intervalli tra le dosi ancora più brevi. Tuttavia, il framework S3I2 è generalizzabile per includere queste complessità.

In sintesi, il lavoro dimostra che la tempistica è un parametro di controllo potente quanto la quantità di vaccini disponibili per il contenimento delle epidemie.