29.06.2020

Practical considerations for measuring the effective reproductive number, Rt.

Modeling Infectiology
Gostic KM et al
Pre-prints
This article is currently being translated into English, in the meantime you will find below its French version.

Main result

1) Comparaison des méthodes : 
- la méthode de Cori et al. (2013) donne les estimations les plus précises de Rt ; la méthode n'utilise que des données antérieures à t. La méthode estime le nombre moyen de nouveaux cas infectés à t par individu infectieux. 
- la méthode de Wallinga et Teunis (2004) mesure une quantité différente, à savoir le nombre moyen de cas secondaires causés par un individu qui se fait infecter au temps t (*case* ou *cohort reproductive number*). La méthode nécessite donc des données pour des dates postérieures à t. Elle est moins adaptée pour des estimations en temps réel, mais utile pour des études rétrospectives. 
- la méthode de Bettencourt et Ribeiro (2008) donne des estimations biaisées si les hypothèses de base de cette méthode ne sont pas valides. 

2) Identification de sources d'incertitude et de biais. 
- Délai des données : les événements d'infection sont identifiés avec retard, par exemple après un test, des symptômes, etc. Pour reconstituer la date de survenue de l'infection, il vaut mieux déduire la moyenne du délai que faire une convolution avec la distribution des temps de délai, parce que cette seconde opération étale trop la courbe d'incidence. 
- Données tronquées à droite : au temps t, certaines observations n'ont pas encore été faites. Il faut les inférer pour obtenir des estimations fiables de Rt. 
- Observations incomplètes : on ne voit que les cas détectés, et l'estimation de Rt est affectée par l'effort de détection. 
- Lissage des données : il est possible de faire des moyennes temporelles pour lisser les données ; privilégier une fenêtre centrée sur t si elle est large (mais attention au risque de sur-ajustement (overfitting)). 
- Intervalle sériel : les estimations de Rt dépendent du temps de génération (ou intervalle sériel ; c'est le délai entre l'infection d'un cas primaire et celle d'un cas secondaire). Il faut veiller à bien l'estimer, ou à tester la sensibilité de Rt à la valeur de l'intervalle sériel.
 

Takeaways

Parmi les méthodes testées par les auteurs sur des données simulées, la méthode de Cori et al. (2013) est la meilleure pour estimer le taux de reproduction effectif Rt en quasi temps réel. 
Il y a cependant plusieurs sources de biais et d'incertitude pour l'estimation de Rt à partir de données réellees, dont il faut être conscient, et qu'il faut prendre en compte.

Strength of evidence Undetermined

C'est un papier clair, et une revue utile des méthodes disponibles actuellement.

Objectives

Les auteurs comparent différentes méthodes pour estimer le taux de reproduction effectif Rt en quasi temps réel, en les testant sur des données générées par simulation et dont le véritable Rt est connu. Les auteurs identifient aussi cinq sources d'incertitude et de biais à prendre en compte lors de l'estimation et pour l'interprétation des résultats.
 

Method

Les auteurs génèrent des données par simulation numérique, à l'aide d'un modèle SEIR (en version déterministe et en version stochastique). Ils estiment ensuite Rt sur ces données à l'aide de trois méthodes, dont ils comparent ensuite les résultats : Cori et al. (2013), Wallinga et Teunis (2004), Bettencourt et Ribeiro (2008).

bibliovid.org and its content are bibliovid property.

Legal Notice