covasim.org), des didacticiels et des tests logiciels. Les analyses ont été effectuées avec Covasim version 2.0.0 et Python 3.8. Les sections suivantes décrivent les personnalisations de Covasim qui ont été utilisées dans cette étude41.
Données et sources
En tant que modèle basé sur des agents, Covasim peut utiliser des sources de données riches. Les représentations mécanistes d'individus, de contacts et d'infections permettent de saisir directement les valeurs des paramètres physiques ou de les utiliser comme priors lors de l'ajustement du modèle. Les valeurs par défaut pour la plupart des intrants proviennent de données et de la littérature accessibles au public et sont décrites dans Kerr et al.37.
Pour modéliser la région du comté de Seattle-King pour cette analyse, nous avons utilisé des données épidémiologiques fournies par le département de la santé de l'État de Washington (WA-DoH) dans le cadre d'un accord d'utilisation. (Notez que «Seattle» et «King County» sont utilisés de manière interchangeable, c'est-à-dire que l'analyse ne se limite pas à la ville de Seattle et n'inclut pas non plus les comtés de la grande région métropolitaine de Seattle tels que les comtés de Snohomish et de Pierce.) WA-DoH maintient toutes les données COVID-19 sous forme de liste en ligne dans le Washington Disease Reporting System (WDRS), et a fourni des exportations hebdomadaires à l'équipe d'étude dans le but de mener cette analyse et d'autres à l'appui de la prise de décision basée sur un modèle. Nous avons agrégé les entrées de la liste linéaire en totaux quotidiens par tranches d'âge de 10 ans afin de produire des données cibles pour l'étalonnage du modèle. L'ensemble de données résultant comprend le nombre de tests positifs et négatifs (par date de prélèvement de l'échantillon), ainsi que le nombre de décès (par date de décès) dans le comté de King. Les enregistrements WDRS nous ont également permis de caractériser la distribution des retards entre l'apparition des symptômes sur écouvillon diagnostique; nous avons utilisé ces données pour valider la mise en œuvre de l'intervention de test (Fig. 6).
Scénarios de test-trace-quarantaine idéalisés
Pour les arbres de transmission illustratifs illustrés sur la figure 3a – c, nous avons utilisé une population hypothétique de 100 personnes avec une seule infection des semences simulée pendant 100 jours. Les données démographiques de la population étaient basées sur Seattle, Washington, États-Unis, mais les réseaux de contacts ont été générés en utilisant l'algorithme «hybride» plutôt que SynthPops; cet algorithme est décrit dans la section 2.4.3 de Kerr et al.37 Les interventions de test et de traçage ont commencé au jour 20 de la simulation. L'intervention de dépistage a utilisé 15% de probabilités quotidiennes de dépistage pour les personnes présentant des symptômes; les personnes sans symptômes n'ont pas été testées, et toutes les personnes ont été testées en entrant en quarantaine. Après avoir consulté Public Health Seattle & King County sur les normes de comportement estimées, les probabilités de recherche des contacts pour les couches du ménage, de l'école, du travail et de la communauté ont été fixées respectivement à 70%, 10%, 10% et 0% (notez que les établissements de soins de longue durée ne sont pas inclus dans ces scénarios). On a supposé que les personnes diagnostiquées et isolées réduisaient leurs taux de transmission de 70% pour les contacts familiaux et de 90% pour les contacts à l'école, sur le lieu de travail et dans la communauté. On a supposé que les personnes qui avaient été suivies et mises en quarantaine réduisaient leurs taux de transmission de 40% pour les contacts familiaux et de 80% pour les contacts scolaires, professionnels et communautaires.
Pour explorer les propriétés théoriques du test-trace-quarantaine (Fig. 3d – f), nous avons utilisé une population hypothétique de 30 000 personnes avec 100 infections de semences simulées pendant 150 jours. Comme ci-dessus, un réseau hybride a été utilisé. Des simulations ont été effectuées avec 10 graines aléatoires différentes, pour trois niveaux de transmission différents: transmission moyenne (β = 4,2% par contact familial et par jour, conformément à l'estimation βpour Seattle, correspondant à R0 = 2,5), faible transmission (β= 3,3%, R0 = 2,0) et transmission élevée (β= 5,1%, R0 = 3,1).
Les paramètres de chacun des trois scénarios d'intervention (distance physique, tests et tests plus traçage) ont été choisis pour apporter Re≈ 1 pour le scénario de transmission moyenne. Ces paramètres d'intervention ont été maintenus constants pour les scénarios de transmission faible et élevée. Les interventions qui ont débuté au jour 15 de la simulation pour chacun des trois scénarios étaient:
1.
Scénario de distanciation physique : 60% de réduction de β, pas de test ou de recherche des contacts;
2.
Scénario de test : pas de réduction de β; probabilité quotidienne de tests de 75% et 7,5% pour les personnes avec et sans symptômes, respectivement, sans délai de test (les résultats des tests sont retournés le jour même); pas de recherche de contacts;
3.
Scénario test-trace-quarantaine : pas de réduction de β; probabilité quotidienne de tests de 8%, 0,8% et 75% pour les personnes présentant des symptômes, sans symptômes et en quarantaine, respectivement, sans délai de test; probabilité de traçage de 90% sur toutes les couches sans retard de traçage.
Bien que zéro délai ait été utilisé ici, nous avons également effectué une analyse de sensibilité avec des délais différents de zéro (1 jour pour les tests et 1 à 2 jours pour la recherche des contacts). Notez que même sans aucun délai, il y a un délai minimum d'un jour par étape dans le processus de recherche des contacts (puisque les personnes placées en quarantaine ne peuvent pas tester avant le prochain pas de temps, c'est-à-dire le jour suivant). Dans le modèle, nous supposons que la durée de l'infectiosité est équivalente à la période pendant laquelle une personne serait testée positive. Pour que le TTQ idéalisé réussisse pour des taux de transmission élevés, le délai moyen pour une seule étape de recherche des contacts doit être inférieur à l'intervalle de série moyen, c'est-à-dire le délai moyen entre une infection primaire et une infection secondaire. Cependant, il n'est pas nécessaire que les retards soient inférieurs à l'intervalle série le plus court; si une infection secondaire se produit avant le suivi des contacts, le cluster peut toujours être contenu tant que le délai de suivi moyen est inférieur à l'intervalle série moyen. Un exemple de ceci est montré sur la figure 3c : la personne 82 n'est diagnostiquée qu'après avoir infecté la personne 88 (jour 82). Cependant, la personne 88 est mise en quarantaine avant de continuer à transmettre (jour 93) et le cluster est contenu.
Scénarios de test-trace-quarantaine réalistes
Nous avons utilisé les 10 configurations de paramètres les mieux adaptées aux données sur la période du 27 janvier 2020 au 9 juin 2020 comme base pour les scénarios de test-trace-quarantaine (TTQ) illustrés à la figure 4a. Des scénarios ont également été exécutés avec d'autres ensembles d'étalonnages (y compris les 100 premiers et en utilisant le même seuil de qualité d'ajustement que celui utilisé pour les distributions illustrées à la figure 1e). Ces résultats ne différaient pas sur le plan qualitatif et seules de modestes différences quantitatives ont été observées; les 10 meilleurs étalonnages ont été choisis pour assurer le meilleur ajustement aux données tout en capturant à la fois l'incertitude paramétrique et stochastique. Pour explorer l'importance relative des différents paramètres d'intervention, nous avons effectué un balayage de 50 points pour chacun des six paramètres (décrits ci-dessous), pour chacune des 10 configurations de paramètres, pour un total de 3000 simulations. Chaque scénario a commencé le 10 juin 2020 et s'est terminé le 30 août 2020, qui a été choisi comme période précédant la réouverture potentielle des écoles. Les scénarios ont commencé par un retour immédiat à 100% de mobilité au travail et dans la communauté (à partir d'une valeur de référence de 43% à partir des dernières données SafeGraph rapportées le 1er juin 2020), ainsi que la mise en œuvre immédiate des interventions de test et de recherche des contacts avec les valeurs des paramètres décrit ci-dessous. Relatif β(par rapport à la ligne de base), reflétant l'utilisation d'un masque et d'autres interventions non pharmaceutiques, est restée constante tout au long des scénarios à sa dernière valeur calibrée, qui variait de 73% à 82%.
Pour chaque scénario, un seul paramètre à la fois a été modifié. Notez que les paramètres interagissent de manière non linéaire; par exemple, l'impact du délai de suivi des contacts dépend de la quantité de suivi des contacts. En outre, l'impact des interventions dépend de la dynamique épidémique : avec une très faible mobilité et donc une faible transmission de base, l'impact des interventions sera réduit. Ainsi, le scénario de référence a été choisi pour refléter (a) une situation où Re≈ 1, qui est le point le plus sensible aux petites différences d'efficacité des interventions; et (b) un équilibre entre les tests et la recherche des contacts qui vise à refléter une mise à l'échelle réaliste des deux programmes actuels. Alors que d'autres points de référence seraient possibles, ce scénario vise à refléter un point potentiellement réalisable par lequel le comté de Seattle-King pourrait maintenir Re≈ 1 avec réouverture complète.
Les six paramètres d'intervention sont définis comme suit:
1.
Efficacité de l'isolement / de la quarantaine : Le changement relatif de la transmission après le diagnostic (isolement) ou après avoir été notifié comme contact connu (quarantaine). Alors qu'en pratique (et pour les hypothèses utilisées pendant la période d'étalonnage), l'efficacité différerait entre l'isolement et la quarantaine (l'isolement devrait avoir une efficacité plus élevée), ainsi qu'entre les couches de contact (avec une plus grande réduction de la transmission sur le lieu de travail et dans la communauté par rapport à ménage), nous avons utilisé ici une seule valeur moyenne pondérée pour nous assurer que la pente comporte des unités significatives (c.-à-d. infections évitées par personne entièrement isolée ou mise en quarantaine). La valeur par défaut choisie était une efficacité de 80%, qui est une moyenne pondérée entre les contacts sur le lieu de travail et dans la communauté (où l'efficacité de l'isolement est probablement plus élevée, par exemple 90 à 95% d'efficacité) et les contacts familiaux (où l'efficacité de l'isolement est probablement plus faible, par exemple, efficacité de 40 à 70%). Ce paramètre variait de 0% (pas d'impact de l'isolement / de la quarantaine) à 100% (zéro transmission pendant l'isolement / la quarantaine).
2.
Probabilité de traçage des contacts : Proportion de contacts à domicile, sur le lieu de travail et en ESLD d'une personne diagnostiquée qui sont atteints par des traceurs de contacts. (La proportion de contacts communautaires atteints est supposée être nulle pour cette analyse; les écoles sont fermées pendant la période du scénario, il n'y a donc pas de contacts scolaires à retracer.) La valeur par défaut choisie était de 50%, ce qui reflète à nouveau une moyenne pondérée entre le ménage et Recherche des contacts LTCF (où des probabilités bien supérieures à 80% sont réalisables) et recherche des contacts sur le lieu de travail (où les probabilités dans le comté de Seattle-King sont actuellement faibles). Ce paramètre variait de 0% (aucun contact retrouvé) à 100% (tous les contacts domestiques et professionnels retracés).
3.
Probabilité des tests de quarantaine : La probabilité qu'un contact connu, une fois tracé, soit testé pour COVID-19. La valeur par défaut utilisée était de 90%, quels que soient les symptômes. Ce paramètre variait de 0% (aucun test sur les personnes en quarantaine) à 100% (y compris les contacts non infectés, asymptomatiques et présymptomatiques). Lors d'un test négatif, les contacts n'ont pas été libérés de la quarantaine, en raison de la possibilité qu'ils soient infectés en raison d'un contact continu avec le cas index (comme c'est souvent le cas pour les contacts familiaux), ou au cas où ils auraient été exposés mais n'avaient pas encore commencé. l'excrétion à des niveaux détectables.
4.
Probabilité de test de routine : La probabilité par personne et par jour de recevoir un test pour COVID-19. Les valeurs par défaut choisies étaient de 16% par jour pour une personne présentant des symptômes actifs et de 0,16% pour les personnes non infectées ou qui ne présentent pas de symptômes. Ces valeurs correspondent à un doublement approximatif du nombre de tests quotidiens par rapport au 10 juin 2020; le rapport des probabilités pour les personnes avec et sans symptômes a été fixé à 100, ce qui a été choisi pour être cohérent avec le rendement des tests observé dans les données (environ 1,5 à 2,5%). Ce paramètre variait de 0% (pas de tests de routine) à 50% de tests symptomatiques quotidiens et à 0,5% de tests quotidiens non symptomatiques, ce qui correspond à une augmentation d'environ 4 fois des taux de tests par rapport au 10 juin 2020.
5.
Délai entre l'écouvillon et le résultat: Le nombre moyen de jours entre le moment où une personne reçoit un écouvillon COVID-19 et le moment où elle est informée de son résultat. La valeur par défaut choisie était de 1 jour, reflétant une légère amélioration de la pratique dans le comté de Seattle-King au 10 juin (environ 1,5 jour). Ce paramètre variait de 0 jour (retour immédiat des résultats de test) à 7 jours.
6.
Délai de suivi des contacts: Le nombre moyen de jours entre le moment où une personne reçoit un résultat positif d'un test COVID-19 et le moment où ses contacts sont retracés et notifiés. La valeur par défaut choisie était de 0 jour, car la plupart des contacts (en particulier les contacts familiaux) sont notifiés le même jour. Ce paramètre variait de 0 jour (notification immédiate de tous les contacts, bien que le délai entre l'écouvillon et le résultat soit toujours présent) à 7 jours.
La croissance épidémique étant un processus exponentiel, le taux d'attaque variait considérablement d'un scénario à l'autre, de moins de 0,1% à près de 50%. Le taux d'attaque était dépendant non linéaire de tous les paramètres d'intervention. Ainsi, le taux d'attaque a été log-transformé avant l'ajustement. La méthode des moindres carrés ordinaires du package Python statistiquesmodèles0.12.2 a été utilisé pour l'ajustement. L'intervalle d'incertitude indiqué est l'intervalle de confiance à 95% de l'ajustement des moindres carrés ordinaires. En raison de la transformation logarithmique, la pente de la droite dépend du point d'évaluation; dans tous les cas, il a été évalué à la valeur par défaut pour chaque paramètre. La variable dépendante de la régression étant le taux d'attaque, la pente dépend également de la période d'intégration (ici, 91 jours); une période d'intégration plus longue, par exemple, entraînerait un taux d'attaque cumulé plus élevé et donc des pentes plus importantes.
Pour les balayages de réouverture (Fig. 4b), tous les paramètres à l'exception de la probabilité de test de routine et de la probabilité de traçage des contacts ont été fixés aux valeurs par défaut décrites ci-dessus. Nous avons simulé huit niveaux de réouverture différents (60% à 100%, par incréments de 5%) et montré 60%, 80% et 100% pour représenter des scénarios de transmission faible, moyenne et élevée. Chaque balayage se compose de 12000 simulations, chaque simulation étant tirée d'une distribution aléatoire uniforme pour (a) la probabilité de test de routine et (b) la probabilité de traçage des contacts, chaque simulation tirant également de l'un des 10 meilleurs étalonnages décrits ci-dessus.
Pour les scénarios de réouverture (Fig. 5), le modèle de statu quo a été mis en œuvre en utilisant le calibrage de base sur les données jusqu'au 1er juin, en utilisant les données d'entrée sur le nombre observé de tests effectués et les contacts tracés. Par ailleurs, les taux de mobilité ont été portés à 80% au 1er juin 2020, ce qui représente la levée de la mesure «Stay Home, Stay Healthy»; une suite βune réduction de 25% a été appliquée le 1er juillet 2020, reflétant les exigences de masque à l'échelle de l'État qui ont été imposées le 23 juin et le 7 juillet 2020, comme décrit dans le rapport de situation du 13 août 2020.
Résumé du rapport
De plus amples informations sur la conception de la recherche sont disponibles dans le résumé des rapports de recherche sur la nature lié à cet article.
