S'abonner

P3-3 - Retard des pics épidémiques de COVID-19 causés par les fluctuations des taux d'infection et de guérison - 08/07/24

Doi : 10.1016/j.jeph.2024.202673 
A. Vallée 1, 2, M. Arutkin 1, D. Faranda 3
1 Hôpital Foch, Suresnes, France 
2 Université de Versailles Saint-Quentin-en-Yvelines, UFR Sciences de la santé Simone Veil, France 
3 Paris Saclay, CNRS, Université Paris Sud, Université Paris Saclay, France 

Bienvenue sur EM-consulte, la référence des professionnels de santé.
Article gratuit.

Connectez-vous pour en bénéficier!

Résumé

Contexte

La prévision des scénarios épidémiques a été cruciale pour de nombreux décideurs dans l'imposition de diverses interventions de santé publique. Malgré les progrès dans la détermination de l'ampleur et du calendrier des épidémies, les prévisions des pics de la COVID-19 étaient inexactes, les pics étant retardés par rapport aux prédictions.

Méthodes

En utilisant un modèle SIR avec des fluctuations quotidiennes sur les paramètres de contrôle, nous montrons que les taux d'infection suivent une distribution lognormale au début d'une vague épidémique, similaire aux distributions de prix pour les actifs financiers. Le moment du pic de l’épidémie de la solution stochastique présente une distribution de probabilité gaussienne inverse, correspondant à la propagation des moments des pics épidémiques observés dans les régions italiennes par exemple. Nous montrons également que, pour un nombre de reproduction de base à R0 donné, le modèle déterministe anticipe le pic par rapport au moment du pic le plus probable et moyen du modèle stochastique. La distribution du moment du pic de l’épidémie permet une estimation robuste de l’évolution de l’épidémie.

Résultats

Dans nos études, nous avons proposé un outil pour les décideurs afin de montrer les effets des fluctuations possibles dans les stratégies politiques sur différents niveaux de R0. Les résultats montrent que les pics épidémiques aux États-Unis se produisent à des dates variables, jusqu’à 50, 87 et 82 jours à partir du début des deuxième, troisième et quatrième vagues et respectivement en France : 80, 73 et 41 jours.

Conclusion

Nos résultats suggèrent que des prédictions inexactes peuvent résulter de la sous-estimation des fluctuations des taux d'infection ou de rétablissement. Par conséquent, l'intégration des fluctuations dans les modèles SIR devrait être envisagée lors de la prédiction des moments des pics épidémiques pour informer des réponses appropriées en matière de santé publique.

Le texte complet de cet article est disponible en PDF.

Mots-clés : COVID-19, Epidémiologie, Prédiction, Modélisation, Fluctuations



© 2024  Publié par Elsevier Masson SAS.
Ajouter à ma bibliothèque Retirer de ma bibliothèque Imprimer
Export

    Export citations

  • Fichier

  • Contenu

Vol 72 - N° S3

Article 202673- juillet 2024 Retour au numéro

Bienvenue sur EM-consulte, la référence des professionnels de santé.

Mon compte


Plateformes Elsevier Masson

Déclaration CNIL

EM-CONSULTE.COM est déclaré à la CNIL, déclaration n° 1286925.

En application de la loi nº78-17 du 6 janvier 1978 relative à l'informatique, aux fichiers et aux libertés, vous disposez des droits d'opposition (art.26 de la loi), d'accès (art.34 à 38 de la loi), et de rectification (art.36 de la loi) des données vous concernant. Ainsi, vous pouvez exiger que soient rectifiées, complétées, clarifiées, mises à jour ou effacées les informations vous concernant qui sont inexactes, incomplètes, équivoques, périmées ou dont la collecte ou l'utilisation ou la conservation est interdite.
Les informations personnelles concernant les visiteurs de notre site, y compris leur identité, sont confidentielles.
Le responsable du site s'engage sur l'honneur à respecter les conditions légales de confidentialité applicables en France et à ne pas divulguer ces informations à des tiers.


Tout le contenu de ce site: Copyright © 2024 Elsevier, ses concédants de licence et ses contributeurs. Tout les droits sont réservés, y compris ceux relatifs à l'exploration de textes et de données, a la formation en IA et aux technologies similaires. Pour tout contenu en libre accès, les conditions de licence Creative Commons s'appliquent.