COVimpact
  • Outil
  • Informations

Simulateur de l'impact hospitalier du COVID

Ce simulateur à pour vocation d'estimer la charge hospitalière dû à une nouvelle vague épidémique.
Pour plus de détails et explications un onglet "informations" à été mis à disposition.
Vous pouvez utiliser plusieurs vaccins ayant des efficacités diverses, veillez simplement à ne pas dépasser 100% de couverture vaccinale par classe d'âge
Le préprint uniquement disponnible en anglais est une version plus complète de l'onglet Information et est disponnible via le lien suivant preprint

Conséquences hospitalières de vagues épidémiques de Covid-19

Groupe de modélisation de l’équipe ETE (Laboratoire MIVEGEC, CNRS, IRD, Université de Montpellier) 06/07/2021

drawing

Préambule

Ce logiciel, comme l’ensemble de nos travaux, est à visée académique, fruit d’un travail de recherche fondamentale indépendant des autorités compétentes en matière de santé. En matière de santé publique et pour toute question, nous recommandons de consulter et suivre les instructions officielles disponibles sur https://www.gouvernement.fr/info-coronavirus.

Les travaux de l’équipe de modélisation de l’équipe ETE ont été rendus possibles par la liberté de recherche que les postes permanents et les crédits récurrents garantissent. Tout ceci est remis en cause par la récente loi sur la recherche. Pour plus d’informations, voir par exemple l’analyse du Groupe Jean-Pierre Vernant, la note budgétaire de Rogue ESR ou le rapport officiel du CESE.

Pourquoi ce logiciel ?

Ce travail vise à estimer la charge hospitalière qu’engendrerait une future vague de l’épidémie de Covid19 en fonction de paramètres immunitaires et en fonction de l’ampleur de cette vague.

Ces estimations sont indépendantes de la vitesse de propagation du virus puisque l’ampleur de la vague est choisie par la personne utilisatrice.

Attention, Ces estimations sont réalisées avec un certains nombre d’hypothèses fortes détaillées sur cette page et doivent être prises avec précautions.

Contexte

Depuis sa première vague épidémique qui a débuté en France dans la deuxième quinzaine de janvier 2020, le SARS-CoV-2 se transmet largement causant des milliers de décès et de dizaines de milliers de formes graves. La majorité des infections causant des formes légères voire asymptomatiques de l’infection, le suivi en est difficile. Malgré l’expérience et les connaissances collectivement acquises, anticiper la propagation du virus avec plus d’un mois d’avance est très délicat. Tout d’abord car cela dépend fortement des mesures mises en place par les autorités (qui peuvent être levées ou implémentées rapidement), mais aussi de facteurs sociaux (vacances scolaires) ou environnementaux (humidité, température). De plus, l’évolution virale peut entraîner des vagues épidémiques comme l’ont montré les variants alpha en février 2021 et delta en juin 2021.

Toutefois, s’il est impossible de prévoir quand une vague épidémique débutera ou combien de temps elle durera, il est possible d’explorer les effets d’une vague potentielle en fonction de sa taille, c’est-à-dire du nombre total de personnes qui seraient infectées. Cette information est utile pour anticiper la réponse sanitaire. En effet, s’il s’avère qu’une vague épidémique touchant ⅓ de la population dans un département conduirait à un nombre d’hospitalisations telles qu’il faudrait plusieurs mois pour y faire face avec les infrastructures existantes, alors il est évident qu’un accroissement des capacités est souhaitable. À l’inverse, si une vague d’une même ampleur n’était associée qu’à un nombre d’hospitalisation pouvant actuellement être prises en charge en quelques semaines, on peut être plus serain.

Dans le contexte où des vagues épidémiques sont encore prevoir, il est essentiel pour les services de santé d’avoir de la visibilité sur les évennements à venir afin de dimensionner leurs services (d’un point de vue matériel et humain) en conséquence.

Ce travail vise à répondre partiellement à cette problèmatique en étudiant l’impact d’une vague épidémique dans une situation vaccinale et avec une immunité naturelle donnée.

Details de l’interface

L’interface de cet outil est divisé en deux partie principales consituant l’outil et une partie explicative sur laquelle vous vous trouvez présentement.

Paramètres

Cette partie contient :

  • Un champ de sélection territorial permettant de définir le département/région auquel les entrées et sorties seront associés. On peut aussi choisir l’échelle nationale (France Métropolitaine).

  • Un curseur définissant l’efficacité de l’immunité naturelle sur la réduction des formes graves. L’immunité naturelle fait référence à l’immunité acquise lors d’une précédente infection. Ce curseur positionné sur 100% signifie que l’ensemble des individus ayant déjà été infecté ne peuvent pas développer de forme grave. À 50 % il signifie qu’un individu ayant déjà été infecté auparavant verra ses chances de développer une forme grave réduite de moitié, comparativement à la même situation mais avec un individu n’ayant pas été infecté précédemment. La motivation pour ce curseur est que certains variants peuvent échapper en parti à l’immunité naturelle.

  • Une seconde section de cette partie concerne pour le paramétrage des vaccins avec :

  • Trois champs permettant de définir la couverture vaccinale en pourcentage sur trois classes d’age reflétant la biologie du virus et les politiques de santé mises en place. La portée de chaque classe d’age est stipulée au dessus du champ.
  • un curseur pour définir la réduction des formes graves associée au vaccin. Celle-ci fonctionne de la même façon que l’immunité naturelle décrite pour la section précédente.
  • Deux boutons, respectivement pour l’ajout et la suppression d’un vaccin, faisant apparaître et disparaître un menu pour le paramétrage d’un vaccin. Cette fonctionnalité permet de prendre en compte des vaccins d’efficacité différente potentiellement implémentés dans des populations d’âge différents.

Résultats représentés

  • Estimation des décès : Cette figure présente une estimation du nombre de décès engendrés dans les conditions définies par le paramétrage du menu sur l’immunité dans la partie gauche de l’écran. L’axe des abscisse représente le pourcentage de la population qui serait infectée durant la vague et l’axe des ordonnées l’estimation des décès associés. 100 % de la population infectée (sur l’axe des abscisse) signifie littéralement l’ensemble des individu sur le territoire. Biologiquement, ceci pourrait correspondre à un scénario sur une dizaines d’années où tout le mondepourrait être exposé⋅e à un moment au SARS-CoV-2. À noter que les personnes sont touchées indépendemment de leur immunité (vaccinale ou naturelle). En revanche les individus, developpent plus ou moins de formes graves selon leur age, leur statut vaccinal et leur immunité naturelle.

  • Composition des décès : Cette figure présente la composition en terme de classe d’age des décès représentés sur la figure “Estimation des décès”. Elle affiche, pour chaque classe d’age, la part qu’elle représente dans les décès estimés sur la figure précédente. Par exemple 40 % pour la classe [60,70) implique que 40% des décès concerneraient des personnes de 60 à 69 ans.

  • Estimation des soins critiques (ICU pour «Intensive care unit» en anglais) : Cette figure présente une estimation du nombre d’admissions en réanimation engendrées par la vague épidémique dans les conditions définies par le paramétrage du menu de la partie gauche de l’écran. L’axe des abscisses représente le pourcentage de la population qui serait infecté durant la vague et l’axe des ordonnées l’estimation des admissions en réanimations associées.

  • Âge des patients en soins critiques : Cette figure présente la composition en terme de classe d’age des admissions en soins critiques représentées sur la figure « Estimation des soins critiques ». On affiche pour chaque classe d’age la part qu’elle représente dans les admissions en soins critiques estimées sur la figure précédente.

  • Proportion d’infectés par classe d’age : Cette figure montre l’estimation de la proportion des individus déjà infectés par classe d’age sur l’unité géographique séléctionnée.

  • Les intervalles de confiances affichés sur les différentes figures découlent intégralement des intervalles de confiance de l’estimation du pourcentage de la population ayant déjà contracté le virus.

Lexique

  • [N,M) : les individu de l’age N à l’age M exclu.

  • N+ : Les individus de l’age N ou plus.

  • Immunité naturelle : Immunité acquise lors d’une infection passée par le SARS-CoV-2

  • Forme grave : Forme de la maladie entraînant des complications plus ou moins importantes allant de l’hospitalisation au décès.

Méthodes détaillées

  1. En fonction de la région et du département séléctionné on initialise la population sans les EHPAD stratifiée par age ainsi le nombre de gens déjà contaminés stratifié par age, cette étape est largement réalisée grâce au travail présenté dans une publication de l’institut pasteur : Monitoring the proportion of the population infected by SARS-CoV-2 using age-stratified hospitalisation and serological data: a modelling study.

  • La population à laquelle on retranche les occupant d’EHPAD est obtenue via le fichier disponnible sur le git associé à cette publication

  • Le pourcentage estimé d’individus stratifié par age est obtenu grâce à cette même étude cependant celle-ci date du 15/04/2021. Afin de tenter de corriger ces données, les fréquences sont par la suite ajustées selon l’évolution de la contamination via le modèle de [COVIDici] (https://cloudapps.france-bioinformatique.fr/covidici/). Pour ce faire on calcule la proportion P de la population qui à été contaminée entre le 15/04 et aujourd’hui en utilisant les séries temporelles de contamination fournies par COVIDici. Puis l’on ajoute aux contaminés pour chaque classe d’age P * S, où S est le nombre de personne n’ayant pas été infectée par classe d’age.

  1. On divise ensuite la population générale en plusieurs catégorie ayant des propriétés différentes face au virus et l’on calcule, pour chaque classe d’age, les fréquences de ces catégories qui sont représentées sur le diagramme ci-dessous.
drawing

Les catégories de personnes sont les suivantes:

  • S : les personnes non vaccinées et n’ayant pas été infectées.
  • NI : Les personnes ayant une immunité naturelle car ayant contracté une infection par le SARS-CoV-2 dans le passé.
  • Va : Les personnes ayant été vaccinées par le vaccin a.
  • VaxNI : Les personnes ayant été vaccinées par le vaccin a et ayant une immunité naturelle.

  1. On applique a chaque catégorie une réduction des formes graves qui lui est propre afin calculer une population théorique sans protection. Pour imager on peut imaginer que 10 individus protégé à 90% valent un individu non protégé.

  2. On applique à cette population théorique les probabilités d’admission en soin critique et de décès lors d’une infection afin d’obtenir l’impact estimé d’une vague épidémique infectant l’ensemble de la population. Ce résultat étant linéaire dans le cadre des hypothèses formulées, il est ensuite modulé en fonction de la taille de la vague épidémique.

  3. les calculs sont effectués à nouveau dès lors que les paramètres d’entrée sont modifiés par la personne utilisatrice.

Hypothèses de travail

  • Les individus se font autant vacciner indépendamment de s’ils ont déjà été contaminés ou non.

  • Les critères, et donc probabilités, d’admission en réanimation ne varient pas avec le temps (notamment la pression hospitalière).

  • Les données manquantes au niveau départemental sont obtenues en utilisant celles de la région correspondante qui sont ajustées à la population départementale (notamment pour la proportion d’individus infectés par classe d’age)

  • La proportion de réduction des formes graves pour un individu vacciné, qui a en plus été infecté par le passé est égale au taux de la protection la plus efficace entre immunité naturelle et vaccinale.

  • Les personnes touchées par la vague épidémique sont choisies aléatoirement parmi la population, indépendamment de leur niveau de protection. Les protections (conférées par une infection passée, un vaccin ou les deux) offrent donc une réduction des formes graves mais pas une réduction des infections.

Sources et remerciements

  • L’équipe de modélisation de l’équipe ETE est composée de Samuel Alizon, Thomas Bénéteau, Corentin Boennec, Marc Choisy, Gonché Danesh, Ramsès Djidjou-Demasse, Baptiste Elie, Yannis Michalakis, Bastien Reyné, Quentin Richard, Christian Selinger, Mircea T. Sofonea.

  • Contribution à ce travail :

    • implémentation du modèle et de l’interface : CB

    • validation: MTS, SA

    • contacts : covid-ete@ouvaton.org

    • site : http://covid-ete.ouvaton.org

    • Ce travail a été financé grâce à la confiance de la Région Occitanie et l’Agence Nationale de la Recherche (ANR) autour du projet PHYEPI.

    • Merci à l’Institut Français de Bioinformatique pour leur aide, leurs conseils et l’hébergement du site.

    drawing drawing drawing

  • Recherche en danger : Les travaux de l’équipe de modélisation de l’équipe ETE ont été rendus possibles par la liberté de recherche que les postes permanents et les crédits récurrents garantissent. Tout ceci est remis en cause par la récente loi sur la recherche. Pour plus d’informations, voir par exemple l’analyse du Groupe Jean-Pierre Vernant, la note budgétaire de Rogue ESR ou le rapport officiel du CESE.

  • Licence Creative Commons
    Cette œuvre est mise à disposition selon les termes de la Licence Creative Commons Attribution - Pas d’Utilisation Commerciale 4.0 International.