Simon Cauchemez

MRC Centre for Outbreak Analysis and ModellingImperial College London

L’apport de la modélisation durant la pandémie de grippe H1N1

Mon cursus

• 1998-2001: ENSAE, Ecole Nationale de Statistique et de l’Administration Economique

• 2001-2002: DEA de Biomathématiques

• 2002-2005: Thèse à l’INSERM U707

• 2005-2006: Postdoc à l’Imperial College London

• 2007- : RCUK fellowship à l’Imperial College London

Pandémie de grippe H1N1 en 2009

• 15 Avril 2009: Centers for Disease Control and Prevention (CDC) détectent un nouveau virus grippal aux Etats-Unis;

• Cas ayant voyagé récemment au Mexique;

• Données qui arrivent initialement du Mexique suggèrent un scenario de pandémie relativement sévère.

• Comment les outils d’analyse et de modélisation ont été utilisés pour évaluer la situation & informer les prises de décisions?

Usage de l’analyse et de la modélisation

• Quantification de la transmission → information utilisée lors des changements de phase de l’OMS.

• Evaluation de la sévérité.

• Interprétation des tendances, « now-casting ».

• Prédiction de la trajectoire de la pandémie.

• Evaluation de l’impact des interventions.

Interaction entremodélisateurs et santé publique (1)

• OMS personnel de l’Imperial intégré à l’OMS (Maria Van Kerkhove).

Création d’un réseau informel de modélisateurs– 40 participants de 20+ pays, produisant des revues sur différents sujets.

•US – CDC liens avec modélisateurs académiques dès la première semaine, personnel présent durant les 2 premiers mois. Interactions informelles à différents niveaux de gouvernement (Etats fédéraux, Maison Blanche).

•EU – ECDC réseau de modélisateurs.

Interaction entremodélisateurs et santé publique (2)

• GB – modélisateurs siégeaient dans le groupe d’experts scientifiques sur la pandémie, sous-groupe dédié, analyses hebdomadaires temps-réel.

COBR/CCC

SAGE

SPI-CC

SPI-JCVI

SPI-M

SPI-BC

[diagram: courtesy of Peter Grove]

Qu’est-ce qu’on savait en été?

Transmission au Mexique en Avril-Mai

• R=1.5 (95% Cr.I.:1.2-1.9) à partir de la courbe des cas confirmés.

• R=1.4 (95% Cr.I.:1.1-1.9) par une méthode de calcul spatial backward.

• R=1.2 (95% Cr.I.:1.1-1.9) à partir de l’analyse des séquences génétiques.

[Fraser et al, Science, en ligne 11 Mai 2009]

• Intervalle de génération:– 2.5-3 jours a partir de donnees britanniques;– 2.6 jours a partir de donnees americaines.

• Durée d’incubation de 1.5-2 jours.

0.00

0.05

0.10

0.15

0.20

0.25

Prop

ortio

n

-2 0 2 4 6 8 10 12

Serial interval, days

Intervalle de génération et isolation des cas

Susceptibilité par age

• Données sur le Mexique, la GB, les ménages américains, et plus tard la surveillance sentinelle donnaient la même image.

• Enfants >2 fois plus susceptibles que les adultes, même en tenant compte des différences de taux de contact avec les adultes.

0

0.5

1

1.5

2

2.5

3

0-4 5-14 15-24 25-44 45-64 65-74 75+

Inci

den

ce p

er 1

00k

rela

tive

to o

vera

ll av

erag

e

Age group

model

Qflu (15-Jun to 13-July)

Transmission dans les ménages

• Analyse USA (collaboration avec CDC – Cauchemez et al NEJM 2010):

Taux d’attaque secondaire 8% pour syndrome grippal – plutôt faible par rapport aux pandémies précédentes.

• Analyse GB (collaboration avec HPA – Ghani et al PLoS Current 2009):

Taux d’attaque secondaire 8% pour infection H1N1 confirmée, 11% pour syndrome grippal (en présence de traitements antiviraux).

2 3 4 5 6

0.0

0.1

0.2

0.3

0.4

0.5

0.6

Household size

Sec

ond

ary

att

ack

rate

Fermeture des écoles

• Fermeture peut présenter un intérêt – en particulier une réduction de ~40% de l’incidence au pic; mais a un cout très élevé [Cauchemez et al, Lancet ID, 2009].

• Peut-on maximiser l’impact (e.g. réduction du pic de demande de soin), en minimisant le coût?

• Travail effectué pour CDC montre que des fermetures de 1-2 semaines basées sur un suivi de l’absentéisme local peuvent réduire le pic local de façon substantielle.

Mais la pandémie H1N1 n’a pas été suffisamment sévère pour justifier une fermeture des écoles

Angleterre – analyse et modélisation

• Modèles reproduisent bien la croissance observée en Juin-Juillet, et les réductions après le début des vacances.

• Mais besoin de connaître le vrai nombre d’infections pour faire des prédictions.

0

20

40

60

80

100

120

140

160

180

Daily

case

inci

denc

e/10

0k

Date

0

20

40

60

80

100

120

140

160

180

1-Jun 1-Jul 1-Aug 1-Sep 1-Oct 1-Nov 1-Dec 1-Jan 1-Feb 1-Mar

Daily

case

inci

denc

e/10

0k

Date

Sévérité

Evaluation de la sévérité au tout début

• Inquiétude initiale à partir des données mexicaines – mais seulement les cas sévères étaient détectés.

• En mai, nous avons estimé à 23,000 le nombre d’infectés au Mexique fin avril à partir de l’extension de la diffusion internationale en avril, en faisant une hypothèse de mélange homogène entre les voyageurs et les locaux.

• Donnait un taux de fatalité de ~0.4% à partir des morts suspectes ou confirmées et de ~0.04% pour les morts confirmées seules.

[Fraser et al, Science, en ligne 11 Mai 2009]

Death

sICU

Hospital-izations

Symptomatic

Infections

L’expérience de l’hémisphère sud

Opatowski et al,

• Analyse commencée en Aout, après le pic.

• R: 1.25-1.55

• Estimations du taux d’infection: 20-40%.

• Très faible taux de fatalité (<0.01%).

Epidémiologie de la grippe

H1N1pdm community outbreak in Pennsylvania [with CDC]

• Demographic & clinical information collected on students and their family members – 2 phone interviews:

• Surveys in school for 4th graders:

• Activities,

• Seating charts,

• Playmates.

May 16-19th

Around June 4th

-141 ARI cases among 370 students (AR:38%)- 129 ARI cases among 899 household members (AR:14%)

Activities

2 interviews of households

Social networks - Who are your playmates?

Girls Boys

Seating charts

Censoring: 40% of people only in 1st

interview

Transmission rates in the school and in the household

School Household

Age dependent susceptibilityGeneration time in

places

Gender-related mixing & transmission patterns

Social networks: Students are 4 times more likely to play with students of the same gender

Girls

Boys

Evidence that this aspect of mixing patterns affected the transmission dynamics

i) Boys had onset before girls! (p=0.023) ii) Bayes Factor for model with gender-effect: 8.0

Seating plan: higher risk of infection if neighbour is sick?

• Simple approach:Count the number of pairs of neighbours

that are sick in each class room.

Compare with the number of pairs expected if the seating arrangement was due to chance.

Permutation test.

• Conclusion: observed numbers of pairs are not significantly different than what would be generated by chance.

Observed Expected

Overall 4th graders 19 20 [16,24] (p=0.58)

Classroom A 12 13 [11,15] (p=0.62)

Classroom B 2 2 [0,4] (p=0.23)

Classroom C 1 2 [0,3] (p=0.53)

Classroom D 4 1 [4,6] (p=0.25)

Impact of a late 1-week school closure

Late closure: 27% of students had already had symptoms at time of closure

i) Estimate of transmission rates between students after closure relative to before closure: 0.8 (0.4,1.4)

ii) School reproduction number - on the week of the closure: 0.3 (0.1,0.6)- on the following week: 0.3 (0.0, 0.7)

No noticeable reduction detected

Les leçons

Problèmes liés aux données & incertitudes

• Dénominateurs – ne pas connaitre le nombre d’infections a rendu l’estimation de la sévérité et la prédiction du pic difficile:

Serosurveillance

Cohortes Web / téléphone

• Impact des variations saisonnières sur la transmission.

Communication

• Difficulté de communiquer l’incertitude.

• Prédictions vs scenarios – “pire scenario raisonnable” utile pour planifier, mais différent d’une prédiction.

Conclusions

• Analyses et modélisation:

Beaucoup d’ analyses statistiques;

Un des éléments d’information parmi d’autres pour les décideurs;

Pas une boule de cristal – « consommateurs » de plus en plus informés.

A pu s’avérer utile sur certaines questions stratégiques.