Insights from mathematical models into COVID-19: Analyzing public health interventions and immunity dynamics
Bibliographic record
Abstract
La pandémie de COVID-19, causée par le SRAS-CoV-2, a entrainé une morbidité et une mortalité importantes, mettant à rude épreuve les systèmes de santé mondiaux. Les vaccinations et les interventions non pharmaceutiques (INP) sont essentielles pour contrôler la propagation du virus. Avant les vaccins, les gouvernements s’appuyaient sur des INP dont l’impact épidémiologique et sociétal restait incertain, notamment sur plusieurs vagues pandémiques. Le déploiement des vaccins a augmenté l’immunité collective, mais l’émergence de variants préoccupants (VoCs) échappant à l’immunité et l’affaiblissement de l’immunité induite ont réduit l’immunité effective. La dynamique à long terme de ce déclin est mal comprise, surtout dans le contexte d’infections multiples et par divers VoCs. Les épidémies étant partiellement observées et leur dynamique non linéaire, les modèles mathématiques sont bien adaptés pour leur analyse. Dans ma thèse, j’ai appliqué ces modèles à diverses données COVID-19, depuis les données agrégées sur les infections et les hospitalisations jusqu’aux titres d’anticorps (Ac) chez les individus, pour quantifier l’efficacité des INP et vaccins, identifier les seuils de protection des Ac et caractériser la décroissance de l’immunité. Mon premier objectif était d’estimer l’efficacité des INP et des vaccins en France et d’explorer des scénarios contrefactuels des INP et des vaccins. Nous avons développé un modèle mécaniste ajusté aux données épidémiologiques françaises de mars 2020 à octobre 2021. Le modèle a montré une réduction significative de la transmission virale grâce aux INP, bien que leur efficacité ait diminué avec le temps. Les simulations ont montré que les vaccins avaient sauvé près de 160000 vies au cours de la période étudiée, mais qu’une mise en œuvre plus précoce ou un déploiement plus rapide aurait évité encore plus de décès. Pour comprendre la variabilité des estimations de l’efficacité des INP, nous avons évalué deux méthodologies pour mon deuxième objectif : les modèles mécanistes et une régression en deux étapes couramment utilisée, qui d’abord estime le nombre de reproduction ( Rt), puis le régresse sur les paramètres des INP. En utilisant des données simulées, les modèles mécanistes ont montré un biais minimal (0-5%) et une couverture d’intervalle de confiance (IC) élevée, tandis que les régressions en deux étapes ont montré des biais jusqu’à 20% et une couverture d’IC inferieure. Ce biais était dû à la déplétion des susceptibles et aux difficultés d’estimation de Rt, montrant que cette méthode nécessite prudence malgré sa rapidité. Les modèles épidémiologiques précis nécessitent des paramètres actualisés. Mon troisième objectif était donc 1) relier les niveaux d’Ac SARS-CoV-2 au risque de (ré)infection et 2) caractériser la décroissance des Ac. Grâce aux données d’Ac de plus de 220000 donneurs de sang canadiens entre avril 2020 et décembre 2023, nous avons constaté que les Ac anti-S et anti-N réduisaient le risque d’infection, avec un effet plus prononcé des anti-N à de faibles titres. J’ai estimé avec des modèles de décroissance biphasique que 51.3% (95% IC 40.6-66.1%) des individus tomberaient en dessous des niveaux détectables d’Ac anti-N dans les trois ans suivant une infection. La durée de détection des Ac augmentait après chaque infection. Cependant, les Ac chutaient en quelques mois en dessous des seuils requis pour une protection substantielle, même après plusieurs infections et vaccinations, indiquant la nécessité d’administrer des rappels réguliers pour maintenir la protection. Les analyses dans ma thèse soulignent l’importance des interventions rapides et du suivi continu de l’immunité pour mieux se préparer aux futures épidémies. De plus, j’ai démontré que les modèles mathématiques sont un outil puissant pour orienter la prise de décision en santé publique et les stratégies de prévention.
Fetched live from OpenAlex and de-inverted. Abstracts are not stored in this database: the inverted indexes are 8.6 GB of the frame’s 9.3 GB of text, and the host has 13 GB free.
How this classification was reachedexpand
Full frame machine prediction
Teacher imitationNot calibrated prevalence, not ground truth. Human validation pending. The Gemma side is a direct model label for every work in the frame, read from the title-only record. The Codex side is a classifier learned from the 10,348 direct Codex labels and calibrated to design-weighted sample rates; fields without enough sample support carry no Codex call. Candidate is the union of the two sides; consensus is their intersection. These outputs are machine_predicted_unvalidated and are not human labels.
Distilled classifier scores by category (both heads)
| Category | Codex | Gemma |
|---|---|---|
| Metaresearch | 0.003 | 0.013 |
| Meta-epidemiology (narrow) | 0.001 | 0.001 |
| Meta-epidemiology (broad) | 0.001 | 0.002 |
| Bibliometrics | 0.001 | 0.001 |
| Science and technology studies | 0.001 | 0.002 |
| Scholarly communication | 0.002 | 0.002 |
| Open science | 0.001 | 0.002 |
| Research integrity | 0.003 | 0.003 |
| Insufficient payload (model declined to judge) | 0.004 | 0.000 |
Machine scores (provisional)
The two teacher heads of the student model, read on this work. A score orders the frame for review; it never asserts a category, and the validation status ships verbatim with every row.
Baseline scores from an immature model (maturity gate not passed, 7 training rounds). Scores rank; they never assert a category.
score_only:v0-immature-baseline · verbatim from the scoring run: score_only means the number may rank works, and no category label ships from itClassification
machine, unvalidatedMachine predicted; a candidate call from one source (direct Gemma or distilled Codex), not a consensus.
How this classification was reached, model by model and score by score, is at the end of the page under "How this classification was reached".