Les scientifiques modélisent la «véritable prévalence» du COVID

Apr 07, 2023

Les responsables gouvernementaux et les décideurs politiques ont essayé d'utiliser des chiffres pour saisir l'impact de COVID-19. Des chiffres comme le nombre d'hospitalisations ou de décès reflètent une partie de ce fardeau. Chaque point de données ne raconte qu'une partie de l'histoire. Mais aucun chiffre ne décrit la véritable omniprésence du nouveau coronavirus en révélant le nombre de personnes réellement infectées à un moment donné – un chiffre important pour aider les scientifiques à comprendre si l'immunité collective peut être atteinte, même avec des vaccinations.

Maintenant, deux scientifiques de l'Université de Washington (UW) ont développé un cadre statistique qui intègre des données clés sur le COVID-19, telles que le nombre de cas et les décès dus au COVID-19, pour modéliser la véritable prévalence de cette maladie aux États-Unis et dans des États individuels. .Leur approche, publié la semaine du 26 juillet dans les Actes de l'Académie nationale des sciences, prévoit qu'aux États-Unis, jusqu'à 60 % des cas de COVID-19 n'ont pas été détectés au 7 mars 2021, la dernière date à laquelle l'ensemble de données qu'ils ont utilisé est disponible.

Ce cadre pourrait aider les responsables à déterminer le véritable fardeau de la maladie dans leur région - à la fois diagnostiquée et non diagnostiquée - et à orienter les ressources en conséquence, ont déclaré les chercheurs.

"Il existe toutes sortes de sources de données différentes sur lesquelles nous pouvons nous appuyer pour comprendre la pandémie de COVID-19 - le nombre d'hospitalisations dans un État ou le nombre de tests qui reviennent positifs. Mais chaque source de données a ses propres défauts qui pourraient donnent une image biaisée de ce qui se passe réellement », a déclaré l'auteur principal Adrian Raftery, professeur de sociologie et de statistiques à l'UW. « Ce que nous voulions faire, c'est développer un cadre qui corrige les défauts de plusieurs sources de données et s'appuie sur leurs points forts pour nous donner une idée de la prévalence du COVID-19 dans une région, un État ou le pays dans son ensemble.

Les sources de données peuvent être biaisées de différentes manières. Par exemple, une statistique COVID-19 largement citée est la proportion de résultats de test dans une région ou un état qui reviennent positifs. Mais comme l'accès aux tests et la volonté d'être testé varient selon le lieu, ce chiffre ne peut à lui seul fournir une image claire de la prévalence du COVID-19, a déclaré Raftery.

D'autres méthodes statistiques tentent souvent de corriger le biais d'une source de données pour modéliser la véritable prévalence de la maladie dans une région. Pour leur approche, Raftery et l'auteur principal Nicholas Irons, étudiant au doctorat en statistique de l'UW, ont intégré trois facteurs : le nombre de cas confirmés de COVID-19, le nombre de décès dus au COVID-19 et le nombre de tests COVID-19 administrés. chaque jour tel que rapporté par le COVID Tracking Project. De plus, ils ont incorporé les résultats de tests COVID-19 aléatoires sur des résidents de l'Indiana et de l'Ohio comme "point d'ancrage" pour leur méthode.

Les chercheurs ont utilisé leur cadre pour modéliser la prévalence du COVID-19 aux États-Unis et dans chacun des États jusqu'au 7 mars 2021. À cette date, selon leur cadre, environ 19,7 % des résidents américains, soit environ 65 millions de personnes, avaient été infecté. Cela indique qu'il est peu probable que les États-Unis atteignent l'immunité collective sans leur campagne de vaccination en cours, ont déclaré Raftery et Irons. De plus, les États-Unis avaient un facteur de sous-dénombrement de 2,3, ont découvert les chercheurs, ce qui signifie que seulement environ un cas de COVID-19 sur 2,3 était confirmé par des tests. En d'autres termes, quelque 60 % des cas n'ont pas du tout été comptés.

Ce taux de sous-dénombrement du COVID-19 variait également considérablement d'un État à l'autre et pouvait avoir plusieurs causes, selon Irons.

"Cela peut dépendre de la gravité de la pandémie et du nombre de tests dans cet état", a déclaré Irons. "Si vous avez un état avec une pandémie sévère mais des tests limités, le sous-dénombrement peut être très élevé et vous manquez la grande majorité des infections qui se produisent. Ou, vous pourriez avoir une situation où les tests sont répandus et la pandémie n'est pas aussi grave. Là, le taux de sous-dénombrement serait plus faible.

En outre, le facteur de sous-dénombrement a fluctué selon l'État ou la région à mesure que la pandémie progressait en raison des différences d'accès aux soins médicaux entre les régions, des changements dans la disponibilité des tests et d'autres facteurs, a déclaré Raftery.

Avec la véritable prévalence du COVID-19, Raftery et Irons ont calculé d'autres chiffres utiles pour les États, tels que le taux de mortalité par infection, qui est le pourcentage de personnes infectées qui ont succombé au COVID-19, ainsi que l'incidence cumulée, qui est le pourcentage de la population d'un État qui a eu le COVID-19.

Idéalement, des tests aléatoires réguliers sur des individus montreraient le niveau d'infection dans un État, une région ou même au niveau national, a déclaré Raftery. Mais lors de la pandémie de COVID-19, seuls l'Indiana et l'Ohio ont effectué des tests viraux aléatoires sur les résidents, des ensembles de données qui ont été essentiels pour aider les chercheurs à développer leur cadre. En l'absence de tests aléatoires généralisés, cette nouvelle méthode pourrait aider les responsables à évaluer le véritable fardeau de la maladie dans cette pandémie et la suivante.

"Nous pensons que cet outil peut faire la différence en donnant aux responsables une image plus précise du nombre de personnes infectées et de la fraction d'entre elles qui sont manquées par les efforts actuels de test et de traitement", a déclaré Raftery.

- Ce communiqué de presse a été initialement publié sur le site Web de l'Université de Washington