Surferons-nous sur la deuxième vague de SARS-CoV-2 ?

Question évaluée

Quelles sont les projections de la dynamique de transmission du SARS-CoV-2 suivant la première vague épidémique et quel impact les mesures de distanciation sociale ont-elles sur ces projections ?

Type d’étude

Il s’agit d’une modélisation basée à la fois sur des données épidémiologiques portant sur des épidémies antérieures à coronavirus, responsables d’épidémies saisonnières d’infection respiratoire haute asymptomatique ou à symptomatologie modérée (HCoV-OC43 et HCoV-HKU1) et d’autre part à partir de données disponibles actuellement sur le SARS-CoV-2.

Méthode

Le but de l’étude était de réaliser des projections de la dynamique de transmission de l’infection à SARS-CoV-2 dans la période post-épidémique jusqu’en 2025 à l’aide d’une modélisation mathématique prenant en compte différents facteurs viraux, immunologiques et environnementaux susceptibles d’influencer cette dynamique :

• Saisonnalité de la transmission du virus, c’est à dire la variation du taux de reproduction de base (R0) du virus selon la période de l’année.
• Durée d’immunité conférée par une infection antérieure à SARS-CoV-2
• Degré d’immunité croisée entre les différents coronavirus
• Intensité et timing des mesures de contrôle de l’épidémie, comme la distanciation sociale

La première étape a été de réaliser un modèle de la dynamique de transmission des deux autres betacoronavirus humains les plus fréquemment rencontrés dans les régions tempérées (HCoV-OC43 et HCoV-HKU1). Ce modèle a été construit grâce aux données épidémiologiques observées aux USA sur les 5 dernières saisons (2014 à 2019). L’estimation de l’incidence des infections par ces betacoronavirus a été obtenue en multipliant le pourcentage hebdomadaire des tests biologiques positifs à HCoV-OC43 et HCoV-HKU1 par la proportion pondérée hebdomadaires des consultations médicales pour symptômes grippaux. Le modèle utilisé est un modèle de régression qui exprime le taux de reproduction effectif de chaque souche (HCoV-OC43 et HCoV-HKU1) en fonction de la transmissibilité initiale du virus (dépendant du R0 initial et de la proportion de patients susceptibles d’être infectés au début de chaque période épidémique), de la déplétion des personnes susceptibles d’être infectés du fait d’une immunisation suite à une infection préalable à cette même souche, ou à une autre souche de coronavirus et des variations saisonnières de transmission. Ce modèle expliquait 74.3% de la variabilité du taux de reproduction effectif observé.

Une fois ce modèle construit, les auteurs y ont incorporé un troisième coronavirus, le SARS-CoV-2, pour simuler sa transmission. Se fondant sur la littérature existante, les auteurs ont attribué au SARS-CoV-2 une période de latence de 4,6 jours et une période d’infectiosité de 5 jours et un début de transmission soutenue fixé au 11 mars (date de déclaration de la pandémie par l’OMS). Différentes simulations ont été réalisées afin d’estimer le nombre annuel d’infections et le pic de prévalence annuel d’infections à SARS-CoV-2 jusqu’en 2025, en faisant varier les paramètres suivants : intensité de l’immunité croisée entre le SARS-CoV2 et les HCoVs OC43/HKU1 (et vice-versa), durée de l’immunité au SARS-CoV-2 et variabilité saisonnière du taux de reproduction R0.

Dans un deuxième temps, les auteurs ont évalué l’impact de différentes mesures de distanciation sociale sur la prévalence et le taux de recours aux soins intensifs. Pour ces analyses, les chercheurs ont également évalué l’impact de l’épidémie sur le possible dépassement de la capacité de lits en soins critiques. La capacité en lits de réanimation libre a été estimée aux USA de 0,89 lits de réanimation disponible pour 10000 habitants avec un pourcentage de 1,36% de patients infectés qui nécessiteraient une hospitalisation en réanimation (avec une durée d’hospitalisation moyenne de 16 jours dont 10 jours en soins critiques). Une première analyse a modélisé l’impact d’une mesure unique de distanciation sociale en faisant varier d’une part la durée de la distanciation (4, 8, 12, 20 semaines et temps infini) et d’autre part l’efficacité de la réduction du R0 par cette distanciation (de 20%, 40% ou encore 60% pour la distanciation sociale la plus stricte) en présence puis en l’absence d’une hypothèse de saisonnalité du virus.

Enfin, les auteurs ont modélisé l’impact de mesures de distanciation sociale intermittentes qui permettrait de ne pas dépasser les capacités actuelles en soins critiques (instauration d’un confinement lorsque l’incidence ≥ 35 cas pour 10000 habitants et levée du confinement quand l’incidence ≤ 5 cas/10000). Enfin les auteurs ont explorés l’hypothèse d’un doublement des capacités de soins critiques avec ou sans saisonnalité du virus.

Résultats essentiels

Concernant les projections de la transmission du SARS-CoV-2 en l’absence de mesure non-pharmacologique, les différentes modélisations prédisent que :

• Le virus SARS-CoV-2 serait capable de circuler et de déclencher des épidémies toute l’année, avec des pics moins aigus pour un début au printemps versus un début à l’automne.
• Si l’immunité conférée par l’infection à SARS-CoV-2 n’est pas permanente (comme pour les autres betacoronavirus ou la grippe par exemple), le virus pourrait alors devenir endémique. Il sera donc potentiellement à l’origine d’épidémies annuelles si l’immunité conférée est d’environ 40 semaines comme pour les autres coronavirus ou tous les deux ans si elle est plus longue.
• Si l’immunité conférée suite à une infection au SARS-CoV-2 est permanente, le virus pourrait virtuellement disparaître après la première vague pour une durée supérieure ou équivalente à 5 ans. En cas d’importante immunité croisée les autres coronavirus humains pourraient également disparaître. Mais en cas de faible immunité croisée (30%), l’épidémie pourrait réapparaitre dans quelques années.
• En cas d’importante saisonnalité du virus, l’ampleur du pic de la seconde vague hivernale pourrait être plus importante que celle du pic épidémique initial.

Concernant l’impact des mesures de distanciation sociale :

• Une mesure ponctuelle de distanciation sociale permettrait de réduire l’ampleur du pic épidémique, mais quelle que soit la durée ou l’efficacité de cette distanciation, une résurgence de l’infection surviendrait après sa levée. En cas de mesure de distanciation sociale plus longue et/ou plus stricte (par exemple en cas de confinement de 20 semaines permettant de réduire le R0 de 60%), le pic de résurgence de l’infection pourrait être identique à celui de la première vague épidémique. La deuxième vague épidémique pourrait même être plus importante que la première vague, aussi bien en terme de prévalence au pic que de nombre total de personnes infectées, en cas de saisonnalité de l’épidémie. Dans ce cas, aucune des combinaisons de durée et d’efficacité de la mesure de distanciation sociale ponctuelle testées ne permettait d’éviter une saturation des capacités d’accueil en réanimation aux USA.
• Seules les mesures de distanciation sociale intermittentes et répétées pourraient permettre de ne pas arriver à saturation des soins critiques aux USA. D’après cette modélisation, de telles mesures pourraient être nécessaires jusqu’en 2022 (de 25% du temps pour un R0 = 2 et en l’absence de saisonnalité jusqu’à 75% du temps pour un R0 = 2,6 et en présence de saisonnalité). En cas de doublement des capacités de lits en soins critiques aux USA, ces mesures pourraient être nécessaires jusqu’à la mi-2021.

De nombreuses analyses de sensibilité autours des valeurs et seuils choisis ont également été réalisées pour toutes ces analyses, sans en changer fondamentalement les résultats.

Commentaires

La modélisation mathématique de la dynamique de transmission d’une nouvelle épidémie est l’un des seuls outils disponibles pour envisager les différents scenarii possible. Cette modélisation est complexe et fait intervenir différents paramètres, liées au virus, à l’immunité de son hôte et aux interventions prises par les pouvoirs publics. Ainsi, la saisonnalité du virus apparaît comme un déterminant majeur de l’évolution de l’infection en période post-épidémique. Une autre étude de modélisation Suédoise est également en faveur d’une possible saisonnalité du SARS-CoV-2 (1). L’immunogénicité du virus et une possible immunisation croisée, non encore démontrées à ce jour, sont également cruciales pour anticiper l’évolution ultérieure de la transmission de l’infection. Une étude récente suggère que cette immunité croisée est plus fréquente qu’anticipée et qu’une immunité de groupe pourrait donc être atteinte rapidement (2). La réalisation à large échelle de tests sérologiques pour préciser cette immunité et sa durée s’avère être une priorité.

Cette modélisation confirme également l’efficacité des mesures de distanciation sociale (3), mais suggèrent que celles-ci devront probablement être répétées, pour permettre un équilibre entre la construction d’une immunité de groupe (4) et maintien de la capacité d’accueil des patients en réanimation en dessous du seuil de saturation. Dans cette éventualité, des seuils stricts pour mettre en place puis lever les mesures d’isolement devront être fixés, idéalement fondés sur des estimations fiables de l’incidence de l’infection à SARS-CoV-2. Du fait de la période de latence avant de développer une infection potentiellement sévère et de la période d’environ trois semaines précédant l’efficacité des mesures de distanciation, ces estimations ne peuvent se baser sur le nombre d’admission en réanimation, mais plutôt sur la réalisation massive de tests diagnostic, y compris chez des sujets asymptomatiques.

Points forts

• Modélisation mathématique rigoureuse s’appuyant sur des modèles épidémiologiques validés
• Prise en compte de nombreux paramètres pouvant influencer l’évolution de la transmission du virus
• Construction du modèle sur la base de données récentes à large échelle sur des virus de la même famille des coronavirus.
• Choix des paramètres fixes liées au SARS-CoV-2 fondée sur la littérature récente
• Nombreuses analyses de sensibilité permettant de s’assurer de la robustesse des résultats de la modélisation.

Points faibles

• Modèle déterministe qui ne peut capturer d’éventuelles composantes stochastiques dans la dynamique de transmission du virus
• Modélisation valable uniquement pour les régions tempérées et non pour les régions tropicales où les dynamiques de transmission virale peuvent être beaucoup plus complexes.
• Le choix des paramètres fixes (R0, durée de la période latente, durée de l’hospitalisation en soins critique, …) pourraient également ne pas être valable partout et est variable en fonction de la littérature.
• Pour des raisons de non complexification du modèle évidentes, de nombreux paramètres pouvant influencer la transmission ne sont pas pris en comptes (comme l’âge, la variabilité géographique du R0, …)
• Non prise en compte (volontaire) des conséquences sociales et/ou économiques des mesures testées

Implications et conclusions

Le premier pic épidémique du SARS-CoV-2 semble être passé, et les capacités d’hospitalisation, notamment dans les structures de soins critiques n’ont pas été dépassées grâce aux mesures de distanciation sociale. Les études de modélisation, bien qu’elles ne soient pas à prendre au pied de la lettre, permettent d’anticiper l’évolution ultérieure de la transmission du virus à travers différents scenarii qui montrent tous une résurgence potentielle à plus ou moins court terme de l’infection. Elles permettent surtout de mettre en évidence les facteurs clés qui détermineront cette évolution, notamment du caractère saisonnier ou non de la transmission et de la durée de l’immunité qu’une infection confère. En attendant d’éventuels traitements ou vaccins, seules les mesures non pharmacologiques et l’adaptation des capacités d’accueil des patients en soins critiques semblent à même de limiter les conséquences sanitaires de l’infection.

CONFLIT D'INTÉRÊTS

Article commenté par Bertrand Hermann et Nicholas Heming, pour la CERC.

Les auteurs déclarent ne pas avoir de liens d’intérêt.

Le contenu des fiches REACTU traduit la position de leurs auteurs, mais n’engage ni la CERC ni la SRLF.
Envoyez vos commentaires/réactions les auteurs (bertrand.hermann@aphp.fr, nicholas.heming@aphp.fr) ou  à la CERC.

LIENS UTILES

1. Vijgen, E. Keyaerts, E. Moës, I. Thoelen, E. Wollants, P. Lemey, A.-M. Vandamme, M. Van Ranst, Complete genomic sequence of human coronavirus OC43: Molecular clock analysis suggests a relatively recent zoonotic coronavirus transmission event. J. Virol. 79, 1595–1604 (2005). doi:10.1128/JVI.79.3.1595-1604.2005pmid:15650185
2. Grifoni, A., Weiskopf, D., Ramirez, S.I., Mateus, J., Dan, J.M., Moderbacher, C.R., Rawlings, S.A., Sutherland, A., Premkumar, L., Jadi, R.S., Marrama, D., de Silva, A.M., Frazier, A., Carlin, A., Greenbaum, J.A., Peters, B., Krammer, F., Smith, D.M., Crotty, S., Sette, A., Targets of T cell responses to SARS-CoV-2 coronavirus in humans with COVID-19 disease and unexposed individuals, Cell (2020), doi: https://doi.org/10.1016/j.cell.2020.05.015.
3. Ferretti, C. Wymant, M. Kendall, L. Zhao, A. Nurtay, L. Abeler-Dörner, M. Parker, D. Bonsall, C. Fraser, Quantifying SARS-CoV-2 transmission suggests epidemic control with digital contact tracing. Science eabb6936 (2020). doi:10.1126/science.abb6936pmid:32234805
4. Kwok, F. Lai, W. Wei, S. Wong, J. Tang, Herd immunity – estimating the level required to halt the COVID-19 epidemics in affected countries. Journal of Infection, DOI:https://doi.org/10.1016/j.jinf.2020.03.027

CERC

JB. LASCARROU (Secrétaire)
K. BACHOUMAS
SD. BARBAR
G. DECORMEILLE
N. HEMING
B. HERMANN
G. JACQ
T. KAMEL
JF. LLITJOS
L. OUANES-BESBES
G. PITON
L. POIROUX