Les scientifiques ont développé des modèles mathématiques qui analysent les données obtenues à partir d’une première vague de la pandémie de grippe pour prédire la dynamique des vagues suivantes. De telles prédictions pourraient être utiles pour la préparation à une pandémie.
L’étude a été publiée dans BIOLOGIE COMPUTATIONNELLE PLOS.
Arrière-plan
La pandémie de grippe causée par le virus de la grippe H1N1 en 1918 a fait environ 50 millions de morts dans le monde. Le taux de mortalité de la pandémie de grippe était similaire à celui estimé lors de la pandémie actuelle de maladie à coronavirus 2019 (COVID-19) causée par le syndrome respiratoire aigu sévère coronavirus 2 (SARS-CoV-2).
Certains virus de la grippe aviaire hautement pathogènes ont continué à provoquer des infections humaines sporadiques ces derniers temps. Bien que la transmission interhumaine de ces infections se produise occasionnellement, le risque qu’une pandémie de grippe à grande échelle émerge à l’avenir demeure.
Les infections grippales suivent généralement un schéma saisonnier, les virus déjà identifiés provoquant une vague d’infections chaque hiver dans les pays tempérés du monde. Certains facteurs saisonniers, tels que l’humidité absolue, jouent un rôle vital dans la dynamique de la grippe pandémique, ainsi que des vagues de grippe saisonnière.
Les épidémies de grippe sont principalement associées à l’émergence initiale d’une nouvelle variante virale, suivie d’une résurgence qui accompagne le début de la saison grippale annuelle. Aux États-Unis, la nouvelle variante de la grippe H1N1 a provoqué une « vague printanière » entre avril et juillet 2009, avec plus de 5 millions de personnes souffrant d’infections symptomatiques.
Par la suite, une forte résurgence du virus a été observée lors des infections de grippe saisonnière en octobre 2009. Cette « vague d’automne » avait provoqué environ 60,8 millions d’infections et 274 304 hospitalisations en avril 2010.
Dans l’étude actuelle, les scientifiques ont analysé les données de surveillance obtenues à partir de la « vague de printemps » en utilisant une modélisation mathématique pour prédire le moment du pic et les résultats pour la santé de la « vague d’automne » suivante. Ils ont appliqué ce cadre pour guider la prise de décision pour les futures pandémies.
remarques importantes
Les données de surveillance de l’infection grippale de la « vague de printemps » de 2009 ont été recueillies dans dix États américains. Les données ont été analysées à l’aide de modèles mathématiques afin de prédire les résultats pour la santé de la « vague d’automne ». Le modèle a pris en compte les effets de l’ouverture des écoles, ainsi que les déclencheurs environnementaux.
Dans les données de surveillance, de nombreux États, dont la Californie, ont montré des signes clairs de vagues printanières et automnales distinctes. Le modèle a utilisé ces données pour la proportion de cas symptomatiques confirmés en laboratoire et hospitalisés.
Contrairement aux données de surveillance de la Californie, des ensembles de données incomplets sur les surtensions printanières ont été obtenus des États de Géorgie, du Nouveau-Mexique et du Tennessee. Ces États ont également signalé beaucoup moins de cas lors de la vague d’automne.
À l’aide des données de surveillance, le modèle a prédit le moment maximal et la taille de l’onde de chute. La durée maximale prédite par le modèle était légèrement antérieure à la durée maximale documentée de la vague de chute réelle. Cependant, en ce qui concerne la taille de la vague de chute, les prédictions du modèle étaient raisonnablement comparables aux données de surveillance.
En ce qui concerne la proportion d’hospitalisations lors de la vague d’automne, les prédictions du modèle étaient similaires aux données de surveillance pour sept des dix États étudiés. Cependant, pour les États de Géorgie, du Nouveau-Mexique et du Tennessee, les prévisions étaient moins précises. Plus précisément, le modèle a considérablement surestimé la proportion d’hospitalisations pour ces États. Cela pourrait être dû à l’insuffisance des données de surveillance disponibles pour ces États.
Application du modèle
Les scientifiques ont déterminé comment ce modèle peut être appliqué pour la prévention en temps opportun des vagues à venir. Ils se sont spécifiquement concentrés sur les fermetures préventives d’écoles jusqu’à ce qu’un vaccin soit disponible.
Considérant une situation dans laquelle 25% de la population est vaccinée et des fermetures préventives d’écoles sont mises en œuvre, le modèle prédit une réduction significative du fardeau de la santé lors de la vague d’automne. Selon la prédiction du modèle, la fermeture préventive des écoles pendant dix semaines peut entraîner une réduction de 72 % de la proportion d’hospitalisations lors de la vague d’automne.
Importance de l’étude
L’étude décrit comment les modèles mathématiques de la dynamique de transmission de la grippe peuvent être utilisés pour analyser les données de surveillance préexistantes obtenues au début de la phase pandémique afin de se préparer à de futures pandémies.
Pour les États disposant de suffisamment de données de surveillance de la première vague, le modèle prédit avec précision le fardeau sanitaire de la deuxième vague. Cependant, le modèle ne parvient pas à prédire avec précision le moment de pointe de la deuxième vague.
- Ahah DJ. (2023). Utilisation de données en temps réel pour guider la prise de décision lors d’une pandémie de grippe : une analyse de modélisation. BIOLOGIE COMPUTATIONNELLE PLOS. faire: