Identifiez les propagateurs cachés de la pandémie sur les réseaux de recherche des contacts

Sep 18, 2023

Rapports scientifiques volume 13, Numéro d'article : 11621 (2023) Citer cet article

239 Accès

1 Altmétrique

Détails des métriques

Les cas d’infection au COVID-19 ont augmenté à l’échelle mondiale, provoquant des ravages à la fois sur la société et sur l’économie. Un facteur clé contribuant à la propagation soutenue est la présence d’un grand nombre de propagateurs asymptomatiques ou cachés, qui se mélangent à la population sensible sans être détectés ou mis en quarantaine. En raison de l’émergence continue de nouveaux variants du virus, même si les vaccins ont été largement utilisés, la détection des personnes infectées asymptomatiques reste importante dans la lutte contre l’épidémie. Sur la base des caractéristiques uniques de la dynamique de propagation du COVID-19, nous proposons ici un cadre théorique capturant les probabilités de transition entre différents états infectieux dans un réseau, et l'étendons à un algorithme efficace pour identifier les individus asymptotiques. Nous constatons qu’en utilisant des équations de propagation purement physiques, les propageurs cachés du COVID-19 peuvent être identifiés avec une précision remarquable, même avec des informations incomplètes sur les réseaux de traçage des contrats. En outre, notre cadre peut être utile pour d’autres maladies épidémiques qui se propagent également de manière asymptomatique.

Alors que la pandémie de COVID-19 continue de se propager à un rythme rapide1,2,3 et que le développement de traitements pharmacologiques efficaces est encore incertain selon l'OMS, les interventions non pharmacologiques comme l'isolement des personnes infectieuses par le biais de quarantaines4,5 sont les plus efficaces et probablement les plus efficaces. C’est le seul moyen de contenir les épidémies continues, car il réduit efficacement les transmissions de personne à personne 6. Pourtant, contrairement à d’autres maladies infectieuses comme le SRAS et Ebola, le COVID-19 est unique dans le sens où une grande partie de sa population infectée est bénigne ou asymptotique7. Même certaines infections asymptotiques ne présentent aucun symptôme clinique jusqu’à l’auto-guérison8,9. Sans être détectée puis mise en quarantaine, la population asymptomatique (c'est-à-dire les propagateurs cachés) entretient sans le savoir la propagation continue de la maladie vers la population sensible10,11. Cela constitue un défi majeur pour atténuer efficacement la propagation de la pandémie. En outre, des études empiriques ont montré que ces infections asymptomatiques représentent une grande proportion de la population12,13,14,15,16,17,18, jusqu'à 80 %18. Actuellement, l’estimation des cas asymptomatiques se fait grâce à un dépistage exhaustif des contacts étroits des cas infectés connus dans les réseaux de recherche des contacts17. Cette méthode non ciblée nécessite une grande quantité de ressources et prend du temps, ce qui conduit à des interventions inefficaces ou retardées pour mettre en quarantaine les cas asymptomatiques. D’un autre côté, la combinaison d’un réseau de recherche des contacts basé sur une application mobile19 et d’un cadre statistique20 montre le potentiel de localiser avec précision les propagations à haut risque21,22. Par conséquent, un dépistage ciblé dans le réseau de recherche des contacts est pertinent, de sorte que les individus asymptomatiques puissent être estimés avec une grande précision en vue d'une intervention et d'une atténuation de la propagation.

Nous intégrons ici les caractéristiques empiriques de la dynamique de propagation du COVID-19 dans un processus markovien, c'est-à-dire des vecteurs qui représentent les différentes étapes de l'infection et leurs probabilités de transition associées. En intégrant le processus de transition dans un réseau de recherche de contacts incluant les nœuds infectés connus (individus), nous développons une méthode qui prédit les états infectieux du reste du réseau avec une grande précision. En combinant ces prédictions avec la structure du réseau, nous dérivons ensuite le pouvoir de propagation de chaque nœud en tenant compte à la fois de son état infectieux et de son emplacement spécifique dans le réseau, de sorte que le dépistage des asymptomatiques puisse être priorisé en conséquence. L'efficacité de notre méthode est validée par des données empiriques provenant de deux réseaux de transmission du COVID-19 à Singapour. De plus, dans l’expérience de transmission simulée du COVID-19 du réseau de recherche des contacts, nous constatons qu’un système de dépistage conçu par le cadre informatique proposé surpasse plusieurs lignes de base d’apprentissage automatique conçues dans ce travail et le dépistage aléatoire des voisins infectés. Ce dernier a été largement utilisé lors des premières épidémies de COVID-19 en Chine. De plus, même dans la situation réaliste d’informations incomplètes sur le réseau de recherche des contacts, avec des liens manquants ou des sous-réseaux constitués uniquement des contacts des cas infectés, notre méthode conserve une grande précision. Ainsi, notre méthode est très efficace dans l'estimation des cas asymptomatiques et peut être mise en œuvre sur n'importe quel réseau de recherche de contacts construit manuellement23,24 ou par des moyens technologiques25 tels que Bluetooth26,27, GPS28 et les technologies d'enregistrement et de départ numériques (par exemple les codes QR de santé29). largement utilisé en Chine).