Covid-19 : La sensibilité des tests est secondaire par rapport à la fréquence du dépistage

Source : Science Advances
Traduit par les lecteurs du site Les-Crises

Daniel B. Larremore, Bryan Wilder, Evan Lester, Soraya Shehata, James M. Burke, James A. Hay, Milind Tambe, Michael J. Mina, Roy Parker…

DOI : 10.1126/sciadv.abd5393

Résumé

La pandémie de COVID-19 a provoqué une crise de santé publique. Comme le SRAS-CoV-2 peut se propager à partir d’individus présentant des infections présymptomatiques, symptomatiques et asymptomatiques, la réouverture des entreprises et le contrôle de la propagation du virus seront facilités par un sérieux dépistage dans la population, et ce dépistage du virus sera souvent fondamental.

Après l’infection, les individus subissent une période d’incubation durant laquelle les charges virales sont généralement trop faibles pour être détectées, suivie d’une croissance virale exponentielle, entraînant un pic de charge virale et de contagiosité, et se terminant par une diminution des niveaux du virus et sa disparition.

Compte tenu du schéma de la cinétique de la charge virale, nous modélisons l’efficacité du dépistage dans la population en tenant compte de la sensibilité des tests, de la fréquence et du délai entre le prélèvement de l’échantillon et le résultat.

Ces résultats montrent que l’efficacité du dépistage dépend en grande partie de la fréquence des tests et de la rapidité du résultat, et qu’elle n’est que marginalement améliorée par une sensibilité élevée des tests. Nous concluons donc que le dépistage devrait donner la priorité à l’accessibilité, à la fréquence et au temps de réponse de l’échantillon ; les limites analytiques de détection devraient être secondaires.

Introduction

La réussite des tests de dépistage du SRAS-CoV-2 dans la population dépend de la compréhension à la fois de la dynamique de la propagation entre les individus, et de la dynamique du virus dans le corps humain. La capacité du SRAS-CoV-2 à se propager à partir d’individus présymptomatiques, symptomatiques ou quasiment asymptomatiques (1-3) signifie que le diagnostic et l’isolement basés sur les seuls symptômes ne pourront pas empêcher une propagation continue (4, 5). En conséquence, le recours à des tests de dépistage dans la population pour identifier les individus infectés constitue un moyen possible de briser suffisamment de chaînes de transmission pour enrayer la pandémie en cours et rouvrir les sociétés, avec ou sans vaccin.

Le recours aux tests comme moyen de réouvrir les sociétés en toute sécurité a permis d’évaluer au microscope la sensibilité analytique des tests de dépistage des virus, avec le gold-standard qu’est la réaction en chaîne par polymérase quantitative en temps réel (qPCR). Ces tests ont des limites analytiques de détection qui se situent généralement dans les 103 copies d’ARN viral par ml (cp/ml) (6). Toutefois, la qPCR reste coûteuse et, en tant que test de laboratoire, elle a souvent un délai de 24 à 48 heures entre l’échantillon et le résultat.

Les nouveaux développements en matière de diagnostic du SRAS-CoV-2 peuvent réduire considérablement les coûts, en permettant de multiplier les tests ou d’en augmenter la fréquence, et peuvent réduire le délai d’exécution à quelques minutes (7-9). Toutefois, ces tests ne répondent pas, dans une large mesure, à la norme de référence en sensibilité analytique, ce qui a entravé l’utilisation généralisée de ces tests (10).

Trois caractéristiques de l’augmentation, de l’infectiosité et du déclin du virus au cours de l’infection par le SRAS-CoV-2 nous ont amenés à émettre l’hypothèse qu’il pourrait y avoir des différences minimes entre les protocoles de dépistage efficaces utilisant des tests de détection virale de différentes sensibilités, tels que la RT-qPCR avec une limite de détection (LOD) de 103 cp/ml (6) par rapport aux tests souvent moins chers ou plus rapides avec des seuils de détection plus élevées (c’est-à-dire environ 105 cp/ml (7-9)), comme les tests de points de soins que sont la LAMP et les tests rapides d’antigènes (Fig. 1A).

Premièrement, étant donné que les échantillons filtrés prélevés sur des patients présentant moins de 106 cp/ml d’ARN N ou E contiennent peu ou pas de virus infectieux mesurables (11-13), les deux classes de tests devraient permettre de détecter les individus qui sont réellement infectés. L’absence de particules infectieuses à des concentrations d’ARN viral < 106 cp/ml est probablement due (i) au fait que les ARN de la nucléocapside et de l’enveloppe sont également présents en abondance dans les ARNm sous-génomiques, ce qui conduit à une surestimation du nombre de génomes viraux réels par ∼100-1000X (14), (ii) les artefacts techniques de la RT-PCR à des valeurs de Ct > 35 en raison de la matrice limitée (15, 16), et (iii) la production de particules virales non infectieuses comme on le voit couramment avec une variété de virus à ARN (17).

Deuxièmement, pendant la croissance exponentielle du virus, la différence de temps entre 103 et 105 cp/ml est courte, ce qui ne laisse qu’une fenêtre limitée dans laquelle seul le test le plus sensible pourrait diagnostiquer les individus. Pour le qPCR, cela correspond au temps nécessaire à la croissance virale pour passer de valeurs Ct de 40 à ∼34. Si cette fenêtre temporelle pour le SRAS-CoV-2 n’est pas encore rigoureusement définie (18), pour d’autres virus respiratoires tels que la grippe, et dans les modèles de transmission du SRAS-CoV-2 chez les furets, elle est de l’ordre d’une journée (19, 20).

Enfin, il est peu probable que les tests de dépistage à haute sensibilité, lorsqu’ils sont appliqués pendant le déclin viral qui accompagne la guérison, aient un impact important sur la transmission, car les individus détectés ont une infectiosité faible, voire nulle (14). En effet, une revue récente de Cevik et al. (18) note qu’aucune étude à ce jour n’a réussi à cultiver des virus vivants plus de 9 jours après l’apparition des symptômes.

L’efficacité des programmes de dépistage dans la population dépend de leur fréquence. (A) Un exemple de trajectoire de la charge virale est montré avec des seuils de LOD de deux tests, et un test hypothétique positif le 6e jour, deux jours après le pic de la charge virale. 20 autres charges virales générées de manière aléatoire sont indiquées pour mettre en évidence la diversité des trajectoires (en gris clair ; voir Méthodes). (B) Infectiosité relative pour la charge virale indiquée dans le panneau A avant le test, totalisant 35 % (bleu) et après l’isolement, totalisant 65 % (noir). (C) Des programmes de dépistage utilisant des tests à des LOD de 103 et 105 à des fréquences indiquées ont été appliqués à la trajectoire de 10 000 individus dont 35% subiraient une isolation symptomatique près de leur charge virale maximale s’ils n’avaient pas été testés et isolés au préalable.

L’infectiosité totale éliminée lors du dépistage (couleurs) et de l’auto-isolement (hachures) est indiquée pour un dépistage répété de la population comme indiqué, par rapport à l’infectiosité totale sans dépistage ni auto-isolement. (D) L’impact du dépistage répété dans la population sur l’infectiosité de 100 individus est indiqué pour chaque schéma de dépistage et pour l’absence de test, comme indiqué, chaque individu étant coloré par test si son infection a été détectée pendant la période d’infectiosité (médianes, lignes noires) ou coloré en bleu si son infection a été manquée par le dépistage ou détectée positive après sa période d’infectiosité (médianes, lignes bleues). Les unités sont arbitraires et mises à l’échelle en fonction de l’infectiosité maximale des individus testés.

Résultats

Impact du dépistage répété de la population sur les individus

Pour examiner comment un dépistage répété dans la population réduirait l’infectiosité moyenne des individus, nous avons d’abord modélisé les charges virales et les courbes d’infectiosité de 10 000 individus simulés en utilisant les trajectoires virales prévues des infections à SRAS-CoV-2 sur la base des principales caractéristiques de latence, de croissance, de pic et de déclin identifiées dans la littérature (Fig. 1A ; voir Méthodes). En tenant compte de ces cinétiques virales intra hôtes, nous avons calculé quel pourcentage de leur infectiosité totale serait éliminé par le dépistage et l’isolement (Fig. 1B) avec des tests à des LOD de 103 et 105, et à différentes fréquences de test.

, l’infectiosité a été considérée comme proportionnelle au logarithme de la charge virale supérieure à 106 cp/ml (d’autres hypothèses ont été abordées dans les analyses de sensibilité ; voir les documents complémentaires), ce qui est conforme à l’observation selon laquelle les patients pré-symptomatiques sont les plus infectieux juste avant l’apparition des symptômes (21), et aux preuves que l’efficacité de la transmission virale coïncide avec les charges virales maximales, qui ont également été identifiées lors de l’épidémie de SRAS connexe de 2003 (22, 23).

Nous avons considéré que 35 % des patients subiraient un isolement sur les symptômes dans les trois jours suivant leur charge virale maximale s’ils n’avaient pas été testés et isolés au préalable, et 65 % auraient des symptômes suffisamment légers ou nuls pour ne pas être isolés à moins d’être détectés par des tests. Sur la base de résultats récents, nous avons modélisé les infections asymptomatiques et symptomatiques comme ayant les mêmes charges virales initiales (1, 24-26), mais avec une guérison plus rapide chez les asymptomatiques (24, 26-29) (voir Méthodes).

Cette analyse a démontré qu’il y avait peu de différence dans la prévention de l’infectiosité entre les deux classes de tests. Des réductions spectaculaires de l’infectiosité totale des individus ont été observées en testant quotidiennement ou tous les trois jours, 62-66% de réduction en testant chaque semaine, et 45-47% en testant toutes les deux semaines (Fig. 1C).

Étant donné que la charge virale et l’infectiosité varient d’un individu à l’autre, nous avons également analysé l’impact des différents schémas de dépistage sur la distribution de l’infectiosité des individus, révélant que des tests plus sporadiques entraînent une probabilité accrue que les individus soient testés positifs une fois qu’ils ne sont plus infectieux ou qu’ils soient complètement ignorés par les tests (Fig. 1D).

Impact d’un dépistage répété sur une population

Ci-dessus, nous avons supposé que chaque infection était indépendante. Pour étudier les effets des stratégies de dépistage au niveau de la population, nous avons utilisé des simulations pour vérifier si les épidémies étaient contenues ou devenaient incontrôlées, tout en variant les fréquences auxquelles le test était administré, allant d’un test quotidien à un test tous les 14 jours, et en considérant des tests avec une LOD de 103 et 105, analogues aux tests RT-qPCR et RT-LAMP / antigène rapide, respectivement. Nous avons intégré les trajectoires individuelles de la charge virale dans deux modèles épidémiologiques différents afin de garantir que les observations importantes soient indépendantes de l’approche de modélisation spécifique.

Le premier modèle est un modèle simple entièrement mixte représentant une population de 20 000 personnes, comparable à celle d’une grande université, avec un taux constant d’infection externe approximativement égal à une nouvelle importation par jour. Le deuxième modèle est basé sur l’agent décrit précédemment, avec une structure de contact stratifiée à la fois au sein du ménage et par âge, basée sur les micro-données du recensement dans une ville représentative telle New York (30), que nous avons initialisée avec 100 cas sans infections externes supplémentaires.

Les charges virales individuelles ont été simulées pour chaque infection, et les personnes ayant reçu un résultat positif ont été isolées, mais la recherche et la surveillance des contacts n’ont pas été incluses pour estimer de manière plus prudente les impacts du dépistage seul (31, 32). Les détails et les paramètres du modèle sont décrits en détail dans la section Méthodes.

Nous avons observé qu’un schéma de dépistage de la population administrant l’un ou l’autre test à haute fréquence limitait la propagation virale, mesurée à la fois par une réduction du nombre de reproduction R (Fig. 2A et B ; voir Méthodes de calcul) et par le total des infections qui ont persisté malgré les différents programmes de dépistage, exprimé par rapport à l’absence de dépistage (Fig. 2C et D).

La fréquence des tests s’est avérée être le principal moteur de la lutte contre les épidémies au niveau de la population, avec une faible marge d’amélioration fournie par l’utilisation d’un test plus sensible. L’examen direct des simulations a montré qu’en l’absence de test ou avec un test bihebdomadaire, les infections n’étaient pas contrôlées, alors qu’un dépistage hebdomadaire avec une LOD = 103 ou 105 atténuait efficacement les poussées d’infections (exemples illustrés à la figure 3).

Le dépistage répété dans la population affecte la dynamique de la maladie. Le modèle à compartiments entièrement mélangés (rangée du haut) et le modèle basé sur l’agent (rangée du bas) sont tous deux impactés par le dépistage répété dans la population. (A, B) Des tests plus fréquents réduisent le nombre effectif de reproduction R, indiqué comme le pourcentage de réduction de R0, 100 _ (R0 􀀀R)=R0. Les valeurs de R ont été estimées à partir de 50 simulations indépendantes de la dynamique avec la participation de 100 % de la population (voir Méthodes). (C, D) Par rapport à l’absence de test (barres grises), le dépistage supprime toutes les infections dans les deux modèles lorsqu’il est effectué tous les jours ou tous les trois jours, mais ne réduit que partiellement le nombre total de cas pour les tests hebdomadaires ou bihebdomadaires. Les barres d’erreur indiquent des intervalles de confiance de 95% de 50 simulations indépendantes chacune.

Exemple de trajectoires de simulation à partir d’un modèle entièrement mixte avec dépistage répété de la population. Les trajectoires de simulation montrent le nombre d’individus infectés dans une population de N = 20 000 avec un taux constant d’infection externe fixé à 1=N par personne par jour, c’est-à-dire environ 1 cas importé par jour, et une pleine participation au programme de dépistage. Les infections sont classées comme se mélangeant librement dans la population (bleu), isolées en raison d’un test positif (noir) ou isolées en raison de symptômes (rouge) dans quatre exemples de scénarios simulés avec R0 = 2:5. (A) Pas de dépistage. (B) Test hebdomadaire à la LOD 103. (C) Test hebdomadaire à la LOD 105. (D) Test tous les 3 jours à la LOD 105. Notez la variation dans les échelles de l’axe vertical. Le modèle est décrit en détail dans la section Méthodes.

La relation entre la sensibilité des tests et leur fréquence requise pour contrôler les épidémies, tant dans le modèle mixte que dans le modèle basé sur l’agent, se généralise au-delà des exemples présentés à la figure 2 et se retrouve également dans d’autres fréquences de tests, sensibilités et fractions asymptomatiques. Nous avons simulé les deux modèles à des LOD de 103, 105 et 106, et pour des tests allant de quotidiens à tous les 14 jours. Pour ces derniers, nous avons mesuré l’impact de chaque politique de dépistage de la population sur le nombre total d’infections (figures S1A et B) et sur le R (figures S1C et D).

Dans la figure 2, nous avons modélisé l’infectiosité en fonction du log10 de la charge virale. Pour déterminer si ces résultats sont sensibles à cette relation modélisée, nous avons effectué des simulations similaires avec une infectiosité proportionnelle à la charge virale (figure S2) ou uniforme au-dessus de 106/ml (figure S3). Nous avons constaté que les résultats étaient robustes à ces grandes variations de la relation modélisée entre l’infectiosité et la charge virale.

Pour déterminer si nos résultats dépendaient de la fraction exacte de 35 % d’individus supposés présenter des symptômes comportementaux, nous avons effectué des analyses de sensibilité avec moins (20 %) ou plus (50 %) d’individus symptomatiques et n’avons constaté aucune différence significative dans les résultats (figure S4).

Impact du retard des résultats des tests

Une variable importante dans les tests est le délai entre le prélèvement d’un échantillon et la notification d’un diagnostic. Afin d’examiner la manière dont le délai de notification a influé sur la lutte contre les épidémies, nous avons réanalysé à la fois la réduction de l’infectiosité des individus, ainsi que les simulations épidémiologiques, en comparant les résultats de la notification instantanée (reflétant un test rapide au point de soins), un jour de retard et deux jours de retard (Fig. 4A et B).

Les retards de notification ont considérablement diminué la réduction de l’infectiosité chez les individus, comme le montrent l’infectiosité totale retirée (Fig. 4C), la distribution de l’infectiosité chez les individus (Fig. 4D) ou la dynamique des modèles épidémiologiques (Fig. 5).

Ce résultat était robuste à la relation modélisée entre infectiosité et charge virale dans les deux modèles de simulation et pour diverses sensibilités et fréquences de test (figure S5). Ces résultats soulignent que les retards de notification entraînent un contrôle beaucoup moins efficace de la propagation virale et mettent en évidence le fait qu’une notification rapide des résultats est essentielle dans tout schéma de dépistage. Ces résultats renforcent également les avantages relativement moindres d’une amélioration des seuils de détection.

L’efficacité du contrôle est compromise par les retards dans les résultats. (A) Un exemple de trajectoire de la charge virale est présenté avec des seuils de LOD de deux tests, et un test hypothétique positif le jour 6, mais avec des résultats communiqués le jour 8. 20 autres charges virales générées aléatoirement sont indiquées pour mettre en évidence la diversité des trajectoires (en gris clair ; voir Méthodes). (B) Infectiosité relative pour la charge virale indiquée dans le panneau A : pré-test (total 35 % ; bleu) et post-test mais pré-diagnostic (total 34 % ; vert), et post-isolement (total 31 % ; noir). (C) Des programmes de dépistage de la population utilisant des tests à des LOD de 103 et 105 à des fréquences indiquées, et dont les résultats sont renvoyés après 0, 1 ou 2 jours (indiqués par un petit texte sous les barres) ont été appliqués à 10 000 individus dont 35 % étaient symptomatiques et se sont isolés après le pic de charge virale s’ils n’avaient pas été testés et isolés au préalable. L’infectiosité totale éliminée lors du dépistage (couleurs) et de l’auto-isolement (hachures) est indiquée, par rapport à l’infectiosité totale sans dépistage ni auto-isolement. Les retards ont un impact important sur la fraction de l’infectiosité retirée. (D) L’impact du dépistage avec des retards de 0, 1 ou 2 jours (petit texte sous l’axe) sur l’infectiosité de 100 individus est montré pour chaque schéma de dépistage de la population et sans test, comme indiqué, avec chaque individu coloré par test si son infection a été détectée pendant l’infectiosité (médianes, lignes noires) ou coloré en bleu si son infection a été manquée par le dépistage ou diagnostiquée positive après sa période infectieuse (médianes, lignes bleues). Les unités sont arbitraires et mises à l’échelle en fonction de l’infectiosité maximale des individus échantillonnés.

Les retards dans la notification diminuent l’impact épidémiologique de l’isolement motivé par les tests. L’efficacité des programmes de dépistage dans la population est considérablement réduite par les retards de notification, tant dans le modèle compartimenté (rangée du haut) que dans le modèle basé sur l’agent (rangée du bas). (A, B) L’impact des tests effectués chaque jour, 3 jours, chaque semaine ou toutes les deux semaines, sur l’indice de reproduction R, calculé comme 100 _ (R0 􀀀 R)=R0, est indiqué pour les LOD 103 et 105 et les retards de 0, 1 ou 2 jours (petit texte en dessous de l’axe). Les valeurs de R ont été estimées à partir de 50 simulations indépendantes de la dynamique (voir Méthodes). (C, D) Par rapport à l’absence de test (barres grises), le dépistage répété dans la population supprime le nombre total d’infections dans les deux modèles lorsque le test est effectué tous les jours ou tous les trois jours, mais les résultats tardifs n’entraînent qu’une atténuation partielle du nombre total de cas, même pour un test effectué tous les jours ou tous les trois jours. Les barres d’erreur indiquent des intervalles de confiance de 95 % de 50 simulations indépendantes chacune.

Généralisation des résultats en fonction des modifications des hypothèses de modélisation

Les communautés varient dans leur dynamique de transmission, en raison des différences dans les taux d’infections importées et dans le nombre de base de reproduction R0, deux facteurs qui influent sur la fréquence et la sensibilité des tests de dépistage. Nous avons effectué deux analyses pour illustrer ce point. Premièrement, nous avons fait varier le taux d’infection externe dans notre modèle mixte et confirmé que lorsque le taux d’infection externe est plus élevé, un dépistage plus fréquent est nécessaire pour prévenir les épidémies (figure S6A).

Ensuite, nous avons fait varier le taux de reproduction R0 entre les individus infectés dans les deux modèles et confirmé que lorsque le taux R0 est plus élevé, un dépistage plus fréquent est également nécessaire (figures S6B et C). Cela peut s’appliquer à des institutions comme les campus universitaires ou les bases militaires, où la fréquentation des salles de classe ou des dortoirs est susceptible d’augmenter les taux de contact. Ainsi, la stratégie spécifique pour un dépistage réussi dans la population dépendra de la prévalence et du taux de transmission actuels de l’infection dans la communauté.

La généralisation de nos résultats à différents paramètres épidémiologiques (figure S6), les relations entre la charge virale et l’infectiosité (figures S2 et S3), et la proportion d’individus symptomatiques (figure S4) nous ont amenés à nous demander si une formule mathématique plus générale pouvait prédire R sans nécessiter de simulation épidémiologique. Nous avons obtenu une telle formule (texte complémentaire S1) et avons constaté que ses valeurs prédites de R étaient presque parfaitement corrélées avec les valeurs estimées par simulation (r de Pearson = 0,998, p < 10-6 ; figure S7), offrant ainsi une alternative mathématique aux analyses de sensibilité basées sur la simulation.

Dépistage répété de la population pour atténuer une épidémie en cours

L’impact du dépistage répété dans la population sur la dynamique de la transmission nous a conduit à émettre l’hypothèse que le dépistage pourrait être utilisé comme un outil actif pour atténuer une épidémie en cours. Pour tester cette idée, nous avons simulé une situation d’épidémie en utilisant à la fois les modèles mixtes et les modèles basés sur les agents, mais avec trois conditions supplémentaires. Premièrement, nous avons supposé que dans une pandémie en cours, d’autres facteurs d’atténuation feraient que le nombre de reproduction serait plus faible, bien que néanmoins supérieur à un. Deuxièmement, nous avons considéré que tous les individus ne voudraient ou ne pourraient pas participer à un programme de dépistage du SRAS-CoV-2.

Troisièmement, nous avons supposé que la collecte d’échantillons pour les tests, si elle était effectuée à grande échelle, pourrait entraîner une collecte imparfaite d’échantillons, provoquant une augmentation du taux de faux négatifs, indépendamment de la sensibilité analytique d’un test. Ces modifications sont décrites en détail dans la section Méthodes.

Nous avons simulé des épidémies dans lesquelles le dépistage ne commence qu’au moment où les infections non contrôlées atteignent une prévalence de 4 %. Sur la base des résultats de nos analyses précédentes, nous avons envisagé un test moins sensible mais rapide avec une LOD de 105 cp/ml et un délai de zéro jour dans les résultats, et nous avons en outre supposé que 10 % des échantillons potentiellement positifs seraient négatifs en raison d’une mauvaise collecte d’échantillons.

Nous avons ensuite examiné des scénarios de test tous les 3 jours et tous les 7 jours, avec une participation de 50 % ou 75 % des individus, à partir d’un R0 partiellement atténué = 1,5. Nous avons constaté que le fait de tester 75 % des individus tous les 3 jours était suffisant pour conduire l’épidémie vers l’extinction en 6 semaines et réduire l’incidence cumulée de 88 %, et que d’autres combinaisons avaient également des effets d’atténuation efficaces mais moins rapides, en particulier par rapport à l’absence d’intervention (Fig. 6).

Il est à noter que même un test hebdomadaire avec une participation de 50 % a pu réduire le pic et la durée de l’épidémie, ce qui illustre comment même un dépistage partiel à l’aide d’un test dont la sensibilité moléculaire est 100 fois inférieure à celle de la PCR peut avoir des effets bénéfiques sur la santé publique lorsqu’il est utilisé fréquemment (Fig. 6). La répétition de ces simulations à l’aide d’un test avec LOD 106 a conduit à des résultats similaires (figure S8). Pour généraliser davantage ces résultats, nous avons modifié notre formule mathématique afin de prédire les impacts du refus de test par individu et de la sensibilité liée à l’échantillonnage par test sur le nombre de reproduction R (voir texte complémentaire S1).

Les dépistages répétés dans la population suppriment une épidémie en cours. La généralisation du dépistage et l’isolement des individus infectés font baisser la prévalence à la fois pour (A) le modèle compartimenté entièrement mixte et (B) le modèle basé sur l’agent. Les séries chronologiques de la prévalence, mesurée comme le nombre total d’individus infectés, sont indiquées pour les scénarios sans intervention (solide) et de dépistage dans la population (divers tirets ; voir légende) pour les simulations aléatoires individuelles. Le dépistage n’a commencé que lorsque la prévalence a atteint 4 % (encadré), et les séries chronologiques sont décalées de telle sorte que le test commence à t = 0. Les scénarios montrent l’impact d’un test avec une LOD 105, sans retard dans les résultats, et avec 10 % d’échantillons supposés incorrectement prélevés (et donc négatifs) pour refléter la sensibilité réduite subie lors de la collecte des échantillons dans un scénario de test de masse. Les annotations indiquent le nombre total d’infections post-intervention, en pourcentage du scénario sans intervention, qualifié de 100 %. Voir la figure S8 pour des simulations identiques utilisant un test avec LOD 106.

Source : Science Advances, 20-11-2020
Traduit par les lecteurs du site Les-Crises

Nous vous proposons cet article afin d'élargir votre champ de réflexion. Cela ne signifie pas forcément que nous approuvions la vision développée ici. Dans tous les cas, notre responsabilité s'arrête aux propos que nous reportons ici. [Lire plus]Nous ne sommes nullement engagés par les propos que l'auteur aurait pu tenir par ailleurs - et encore moins par ceux qu'il pourrait tenir dans le futur. Merci cependant de nous signaler par le formulaire de contact toute information concernant l'auteur qui pourrait nuire à sa réputation.