Correction de l'efficacité du vaccin dérivée du test

BMC Medical Research Methodology volume 23, Article number: 137 (2023) Citer cet article

Détails des métriques

La détermination de l'efficacité du vaccin (VE) est une partie importante de l'étude de chaque nouveau vaccin. Des études cas-témoins à test négatif (TNCC) ont récemment été utilisées pour déterminer l'EV. Cependant, l'EV estimée dérivée d'une conception TNCC dépend de la sensibilité et de la spécificité du test. Ici, une méthode de correction de la valeur de VE dérivée d'une étude TNCC est présentée.

Une méthode analytique est présentée pour calculer l'EV corrigée en fonction de la sensibilité et de la spécificité du test de diagnostic utilisé. Pour montrer l'application de la méthode proposée, une étude hypothétique TNCC est présentée. Dans cette étude in silico, 100 000 personnes se référant à un système de santé pour une maladie de type COVID-19 ont été testées avec des tests de diagnostic avec des sensibilités de 0,6, 0,8 et 1,0, et des spécificités allant de 0,85 à 1,00. Une couverture vaccinale de 60 %, un taux d'attaque de 0,05 pour le COVID-19 dans le groupe non vacciné et un véritable EV de 0,70 ont été supposés. Dans cette simulation, une maladie de type COVID-19 avec un taux d'attaque de 0,30 pourrait également toucher toute la population étudiée quel que soit son statut vaccinal.

L'EV observée variait de 0,11 (calculée pour une sensibilité de test de 0,60 et une spécificité de 0,85) à 0,71 (calculée pour une sensibilité de test et une spécificité de 1,0). L'EV corrigé moyen calculé dérivé de la méthode proposée était de 0,71 (l'écart type de 0,02).

L'EV observée dérivée des études TNCC peut être facilement corrigée. Une estimation acceptable pour l'EV peut être calculée indépendamment de la sensibilité et de la spécificité du test de diagnostic utilisé dans l'étude.

Rapports d'examen par les pairs

Les vaccins ont eu un impact significatif sur la santé mondiale. Certains vaccins offrent une protection à vie contre les infections ; d'autres confèrent une protection temporaire. De nombreux agents pathogènes en circulation changent avec le temps, ce qui affecte l'efficacité des vaccins fabriqués contre eux [1, 2], c'est pourquoi l'efficacité de la plupart des vaccins (par exemple, le vaccin contre la grippe) doit être mise à jour régulièrement [3]. La détermination et le suivi régulier de l'efficacité vaccinale (EV) font donc partie intégrante de l'étude de chaque vaccin.

L'EV est une mesure reflétant la capacité d'un vaccin à prévenir la maladie, l'hospitalisation ou le décès chez les personnes vaccinées par rapport aux personnes non vaccinées [4]. Elle est généralement exprimée en pourcentage de réduction du risque (incidence) de la maladie chez les personnes vaccinées par rapport aux personnes non vaccinées. Par exemple, si l'incidence d'une certaine maladie est de 0,05 chez les personnes non vaccinées et que la vaccination la diminue à 0,015, alors la vaccination diminue le risque de 70 % (c'est-à-dire 0,70), donc l'EV correspondante est de 0,70. Mathématiquement, VE peut être calculé comme suit [5, 6] :

où ARunvac et ARvac sont les taux d'attaque de l'infection chez les individus non vaccinés et vaccinés, et RR est le risque relatif. Les études observationnelles sont couramment utilisées pour déterminer l'EV [7]. Une étude de cohorte est la seule conception d'étude qui peut fournir avec précision l'AR de la maladie d'intérêt dans les groupes vaccinés et non vaccinés et constitue donc le meilleur type d'études observationnelles pour le calcul de l'EV. Cependant, étant donné le faible AR pour de nombreuses maladies infectieuses, l'odds ratio (OR) dérivé d'une étude cas-témoin peut être considéré comme une estimation acceptable pour le RR [8]. Par conséquent, une étude cas-témoins peut également être utilisée pour déterminer l'EV [7].

Au cours des dernières années, des études cas-témoins à test négatif (TNCC) ont été couramment utilisées pour déterminer l'EV [3]. Techniquement, une étude TNCC a une conception cas-témoin, sauf que la façon dont les cas et les témoins sont recrutés est différente. Par exemple, pour déterminer l'EV d'un nouveau vaccin développé contre le SRAS-CoV-2 à l'aide d'une conception TNCC, des cas et des témoins sont sélectionnés parmi une cohorte de patients fréquentant un centre de santé en raison d'une maladie de type COVID-19 ; ceux qui sont testés positifs pour le SRAS-CoV-2 sont considérés comme des « cas » ; les autres avec un test négatif, "témoins" (Tableau 1) [5, 9]. Le VE est alors [7] :

Pour avoir un EV valide, il faut un OR valide, ce qui nécessite à son tour l'égalité des OR calculés pour ceux qui consultent et pour ceux qui ne consultent pas [10], soit (Tableau 1) :

La conception du TNCC est relativement moins chère et plus rapide à mener que les études de cohorte et les études cas-témoins traditionnelles [9]. Néanmoins, la valeur VE estimée dérivée d'une conception TNCC dépend de la sensibilité du test (Se), de la probabilité qu'une personne malade devienne positive au test et, plus sérieusement, de la spécificité du test (Sp), de la probabilité qu'une personne indemne de la maladie devienne négative au test [7, 11, 12]. Mais, le Se et le Sp de la plupart des tests de diagnostic ne sont pas de 1,0 (c'est-à-dire 100 %) ; il y a presque toujours des résultats faux positifs et faux négatifs qui causent un problème de mauvaise classification [11, 13]. Ici, il est destiné à présenter une méthode de calcul de la VE basée sur les résultats d'une conception TNCC indépendamment de la Se et de la Sp du test de diagnostic utilisé dans l'étude.

Supposons qu'une étude TNCC soit menée pour déterminer l'efficacité d'un nouveau vaccin contre le SRAS-CoV-2 et teste un groupe de patients fréquentant un centre de santé avec une maladie de type COVID-19. Supposons également que les résultats sous leur forme paramétrique soient présentés dans le tableau 1. Concentrons-nous sur une seule ligne du tableau 1, par exemple les personnes vaccinées. Si tous ceux qui ont fréquenté le centre de santé étaient considérés comme une cohorte de personnes atteintes d'une maladie de type COVID-19, alors la prévalence apparente de COVID-19 chez les patients vaccinés qui ont consulté un médecin est [14] :

Notez que pr n'est une véritable estimation de la prévalence du COVID-19 ni dans l'ensemble de la population ni chez les patients qui ont consulté un médecin, car le test de diagnostic utilisé pour le diagnostic du COVID-19 n'était vraisemblablement pas parfait ; il y avait des résultats faux positifs et faux négatifs. La prévalence vraie (π), la prévalence avait un test de diagnostic parfait avec un Se et un Sp de 1,0 (c'est-à-dire 100 %) utilisé, est [14] :

où o représente les cotes correspondant à pr, a/b. La probabilité réelle (ω) de COVID-19 chez les patients vaccinés qui ont consulté un médecin est alors :

De la même manière, la cote chez les patients non vaccinés qui ont consulté un médecin (c/d) peut être dérivée. De l'éq. 2, l'EV observée est :

En utilisant l'éq. 6, le VE corrigé est alors :

où les indices "vac" et "unvac" représentent la variable chez les patients vaccinés et non vaccinés qui ont cherché des soins médicaux pour la maladie de type COVID-19, respectivement. La variance du VE corrigé peut également être calculée (voir Matériel supplémentaire).

Examinons les résultats de l'application du scénario ci-dessus dans une étude in silico. Supposons que nous voulions mener une étude TNCC sur un échantillon de 100 000 personnes ayant consulté un médecin pour une maladie de type COVID-19. Supposons que 60 % de la population étudiée ait été vaccinée (couverture vaccinale) et que le véritable EV soit de 0,70. Supposons que des tests de diagnostic avec différentes combinaisons de valeurs Se (0,6, 0,8 et 1,0) et Sp (allant de 0,85 à 1,00) pour le diagnostic du SRAS-CoV-2 ont été utilisés. De plus, supposons que le test Se et Sp ne soient pas différents dans les groupes vaccinés et non vaccinés, que la maladie de type COVID-19 affecte les personnes vivant dans la communauté d'étude, qu'elles aient déjà été infectées par le SRAS-CoV-2 ou non ; que le SARS-CoV-2 a un AR de 5 % chez les individus non vaccinés [15] ; et que l'AR de la maladie de type COVID-19 est de 30 % (ce qui correspond à l'AR de la maladie pseudo-grippale non grippale observée pendant une saison froide) [16]. De plus, pour simplifier les choses, supposons que l'AR de la maladie de type COVID-19 ne dépend pas du statut vaccinal des personnes étudiées, de la durée depuis la vaccination, de l'âge et d'autres variables. La gravité des résultats du COVID-19 (par exemple, nécessité d'une hospitalisation ou d'une admission dans des unités de soins intensifs) n'a pas été prise en compte dans l'étude in silico actuelle, car elle n'affecte évidemment pas de manière significative le comportement de recherche de soins de santé des personnes, de sorte que l'Eq. 3 tient, quelle que soit la gravité de la maladie [17]. Un morceau de code développé en R (logiciel R version 4.1.0, R Project for Statistical Computing) a été utilisé pour la simulation (voir Matériel supplémentaire).

La figure 1 montre les valeurs VE apparentes et corrigées pour diverses combinaisons de valeurs de test Se et Sp utilisées dans l'étude TNCC in silico. Le VE observé variait de 0,11 (calculé pour un test Se de 0,60 et Sp de 0,85) à 0,71 (calculé pour un test Se et Sp de 1,0, un test parfait). Le VE corrigé moyen calculé dérivé de la méthode proposée (Eq. 8) était de 0,71 (l'écart type de 0,02); la valeur corrigée variait de 0,67 à 0,76. La variation observée a probablement été attribuée à l'erreur d'échantillonnage dans la simulation.

L'efficacité apparente (lignes pointillées) et corrigée (lignes pleines) du vaccin provient d'études cas-témoins in silico à test négatif utilisant des tests de diagnostic avec différentes sensibilités et spécificités. Dans chaque étude, 100 000 personnes ont été examinées en supposant un taux d'attaque de 5 % pour l'infection par le SRAS-CoV-2 chez les personnes non vaccinées, un taux d'attaque de 30 % pour la maladie de type COVID-19 et une couverture vaccinale de 60 %. La ligne grise horizontale en pointillés représente la véritable efficacité du vaccin de 0,70

La différence brute entre l'EV apparente et corrigée était due à une mauvaise classification des patients [13]. Le taux de faux positifs pourrait être diminué en augmentant la Sp du test en modifiant la valeur seuil pour les tests à résultats continus [11]. Si un test parfait (Se et Sp de 1,0) avait été utilisé à la place, aucun faux résultat ne s'est produit et le VE apparent était égal au vrai VE (Fig. 1). Les valeurs corrigées calculées étaient juste un peu différentes du vrai VE de 0,70. Comme il a été montré précédemment [7], le test Sp est beaucoup plus important que le test Se ; si un test avec un Sp très élevé est utilisé, le VE observé est une bonne estimation de la valeur correcte quel que soit le Se du test, alors qu'il n'est pas correct pour un test avec même un Se de 1,0 (Fig. 1).

Le tableau 2A montre un exemple des données générées dans la simulation. En utilisant l'éq. 2, le VE apparent est de 0,18. Brancher les valeurs dans Eq. 8 donne un VE corrigé de 0,69. La différence brute entre l'EV apparente et corrigée est due à la présence d'un grand nombre de personnes avec des résultats faussement positifs (pour l'utilisation d'un test avec une Sp inférieure) ; 5683 dans les groupes vaccinés et 3206 dans les groupes non vaccinés (tableau 2A). Le taux de faux positifs pourrait être diminué en augmentant la Sp du test en modifiant la valeur seuil pour les tests à résultats continus [11]. Si un test parfait avait été utilisé à la place, aucun faux résultat ne s'est produit et le VE apparent était égal au vrai VE (tableau 2B). En utilisant l'éq. 8, le VE corrigé, la valeur si un test parfait aurait été utilisé, peut être calculé.

La valeur corrigée de 0,71 dans ce cas, ainsi que le VE moyen corrigé de 0,71 dérivé de la simulation, est un peu plus élevé que le vrai VE de 0,70. Cela est dû à l'utilisation de l'OR dérivé de la conception TNCC, qui n'est qu'une estimation de RR (Eq. 2). Ceci est en fait vrai pour toutes les études cas-témoins [8]. Cependant, tant que l'AR de la maladie d'intérêt est faible, l'OR est une estimation acceptable pour le RR.

La couverture vaccinale dans la population était de 0,60 (tableau 2). L'AR de la maladie était de 3 % dans l'ensemble de la population étudiée (tableau 2B). Cette estimation était correcte, car l'AR est différent dans le groupe non vacciné et vacciné. Compte tenu de la couverture vaccinale, de l'EV véritable et du RA dans les groupes non vaccinés et vaccinés, le RA dans l'ensemble de la population est :

où n est la taille de la population et Couverture, la couverture vaccinale. Le branchement des valeurs (ARunvac de 0,05, couverture de 0,60 et VE de 0,70) donne un AR observé de 3 %.

Cette étude comportait certaines limites. En supposant que les tests Se et Sp n'étaient pas différents dans les groupes vaccinés et non vaccinés, que la maladie de type COVID-19 affecte les personnes vivant dans la communauté d'étude indépendamment du fait qu'elles aient déjà été infectées par le SRAS-CoV-2 ou non, que la vaccination n'affecte pas la gravité de la maladie dans les percées d'infections au COVID-19 [18], et que l'AR de la maladie de type COVID-19 ne dépend pas du statut vaccinal des personnes étudiées, de la durée depuis la vaccination, de l'âge et d'autres variables, cela pourrait être une simplification excessive de la situation. Des simulations plus complexes devraient être conçues pour évaluer les effets possibles de ces facteurs.

Bien que la conception TNCC puisse diminuer l'effet de nombreuses variables de confusion et le biais de sélection attribuables au rappel différentiel de l'exposition par rapport à la conception cas-témoins traditionnelle, elle ne peut pas éliminer complètement les effets de tous les facteurs de confusion [9, 19]. La TNCC a l'avantage sur les études de cohorte et les études cas-témoins traditionnelles en ce qu'elle nécessite moins de ressources et peut être menée dans un court laps de temps [7]. La TNCC et l'étude cas-témoin traditionnelle partagent fondamentalement le même plan et ont donc des biais similaires - par exemple, les deux plans fournissent un OR, comme estimation du RR, une présomption qui n'est vraie qu'avec de faibles valeurs AR [8].

Il a été démontré que la valeur correcte de VE peut être calculée indépendamment de la Se et de la Sp du test de diagnostic à utiliser dans une étude TNCC. La valeur calculée et sa précision dépendent de la probabilité d'un test positif chez les patients vaccinés et non vaccinés qui ont consulté un médecin et le test Se et Sp (Eq. 8) ainsi que leur variance (voir Matériel supplémentaire). Par conséquent, bien que la Se et la Sp du test utilisé puissent ne pas être importantes, leurs précisions le sont. Il est préférable d'estimer la Se et la Sp du test à utiliser dans les études TNCC dans les grandes études de validité. Jusqu'à présent, les chercheurs devaient utiliser des tests très spécifiques (et le plus souvent sensibles) dans les conceptions TNCC pour arriver à une estimation acceptable de l'EV. En employant la méthode proposée, il suffit juste d'utiliser des tests avec des valeurs Se et Sp connues, peu importe combien elles sont. Le TNCC n'est pas seulement utilisé pour déterminer l'EV, mais a également d'autres applications, notamment l'évaluation des risques dans d'autres contextes tels que la résistance aux antibiotiques [20] et la thrombose veineuse [21], pour n'en nommer que quelques-uns. La méthode de correction proposée peut également être appliquée aux résultats de ces études.

Toutes les données générées ou analysées au cours de cette étude ainsi que les codes R sont inclus dans cet article publié et ses fichiers d'informations complémentaires.

Taux d'attaque

Risque relatif

Rapport de cotes

Efficacité du vaccin

Cas-témoin test négatif

Coronavirus du syndrome respiratoire aigu sévère 2

Maladie du coronavirus 2019

Sensibilité

Spécificité

Prévalence

Vraie prévalence

Eguia RT, Crawford KHD, Stevens-Ayers T, Kelnhofer-Millevolte L, Greninger AL, Englund JA, Boeckh MJ, Bloom JD. Un coronavirus humain évolue de manière antigénique pour échapper à l'immunité des anticorps. PLoS Pathog. 2021;17(4) : e1009453.

Article CAS PubMed PubMed Central Google Scholar

Volz E, Hill V, McCrone JT, Price A, Jorgensen D, O'Toole A, Southgate J, Johnson R, Jackson B, Nascimento FF, et al. Évaluer les effets de la mutation D614G du pic SARS-CoV-2 sur la transmissibilité et la pathogénicité. Cellule. 2021;184(1):64-75 e11.

Article CAS PubMed PubMed Central Google Scholar

Chua H, Feng S, Lewnard JA, Sullivan SG, Blyth CC, Lipsitch M, Cowling BJ. L'utilisation de contrôles négatifs au test pour surveiller l'efficacité des vaccins: une revue systématique de la méthodologie. Épidémiologie. 2020;31(1):43–64.

Article PubMed PubMed Central Google Scholar

Efficacité, efficacité et protection des vaccins [https://www.who.int/news-room/feature-stories/detail/vaccine-efficacy-effectiveness-and-protection].

De Serres G, Skowronski DM, Wu XW, Ambrose CS. La conception des tests négatifs : validité, exactitude et précision des estimations de l'efficacité du vaccin par rapport à l'étalon-or des essais cliniques randomisés contrôlés par placebo. Euro Surveillance. 2013;18(37):20585.

Article PubMed Google Scholar

Jackson ML, Rothman KJ. Effets de la sensibilité et de la spécificité imparfaites des tests sur les études observationnelles de l'efficacité du vaccin antigrippal. Vaccin. 2015;33(11):1313–6.

Article PubMed PubMed Central Google Scholar

Habibzadeh F, Habibzadeh P, Yadollahie M. Sur la mesure de l'efficacité des vaccins avec des études d'observation. Acta Med Acad. 2022;51(2):134–46.

Article PubMed PubMed Central Google Scholar

Schulz KF, Grimes DA. Etudes cas-témoins : recherche à rebours. Lancette. 2002;359(9304):431–4.

Article PubMed Google Scholar

Sullivan SG, Tchetgen Tchetgen EJ, Cowling BJ. Base théorique de la conception de l'étude test négatif pour l'évaluation de l'efficacité du vaccin antigrippal. Suis J Epidemiol. 2016;184(5):345–53.

Article PubMed PubMed Central Google Scholar

Jackson ML, Nelson JC. La conception de test négatif pour estimer l'efficacité du vaccin contre la grippe. Vaccin. 2013;31(17):2165–8.

Article PubMed Google Scholar

Habibzadeh F, Habibzadeh P, Yadollahie M. Sur la détermination de la valeur seuil du test la plus appropriée : le cas des tests à résultats continus. Biochem Med (Zagreb). 2016;26(3):297–307.

Article PubMed Google Scholar

Altman DG, Bland JM. Essais diagnostiques. 1 : sensibilité et spécificité. BMJ. 1994;308(6943):1552.

Article CAS PubMed PubMed Central Google Scholar

Shi M, An Q, Ainslie KEC, Haber M, Orenstein WA. Une comparaison des modèles d'étude cas-témoin et test négatif pour l'estimation de l'efficacité du vaccin antigrippal dans le cadre d'une vaccination non aléatoire. BMC Infect Dis. 2017;17(1):757.

Article PubMed PubMed Central Google Scholar

Habibzadeh F, Habibzadeh P, Yadollahie M. La prévalence apparente, la vraie prévalence. Biochem Med (Zagreb). 2022;32(2): 020101.

Article PubMed Google Scholar

Orenstein EW, De Serres G, Haber MJ, Shay DK, Bridges CB, Gargiullo P, Orenstein WA. Problèmes méthodologiques concernant l'utilisation de trois plans d'étude observationnelle pour évaluer l'efficacité du vaccin antigrippal. Int J Epidémiol. 2007;36(3):623–31.

Article PubMed Google Scholar

Hoberman A, Greenberg DP, Paradise JL, Rockette HE, Lave JR, Kearney DH, Colborn DK, Kurs-Lasky M, Haralam MA, Byers CJ, et al. Efficacité du vaccin antigrippal inactivé dans la prévention de l'otite moyenne aiguë chez les jeunes enfants : un essai contrôlé randomisé. JAMA. 2003;290(12):1608–16.

Article CAS PubMed Google Scholar

[ PubMed ] Lewnard JA, Patel MM, Jewell NP, Verani JR, Kobayashi M, Tenforde MW, Dean NE, Cowling BJ, Lopman BA. Cadre théorique pour les études rétrospectives de l'efficacité des vaccins contre le SRAS-CoV-2. Épidémiologie. 2021;32(4):508–17.

Article PubMed PubMed Central Google Scholar

Gupta RK, Topol EJ. Infections révolutionnaires du vaccin COVID-19. Science. 2021;374(6575):1561–2.

Article CAS PubMed Google Scholar

Vandenbroucke JP, Pearce N. Conceptions de tests négatifs : différences et points communs avec d'autres études cas-témoins avec des témoins "Autres patients". Épidémiologie. 2019;30(6):838–44.

Article PubMed Google Scholar

Lipsitch M. Mesurer et interpréter les associations entre l'utilisation d'antibiotiques et la résistance à la pénicilline chez Streptococcus pneumoniae. Clin Infect Dis. 2001;32(7):1044–54.

Article CAS PubMed Google Scholar

Bloemenkamp KW, Rosendaal FR, Buller HR, Helmerhorst FM, Colly LP, Vandenbroucke JP. Le risque de thrombose veineuse associé à l'utilisation de contraceptifs oraux à faible dose actuels ne s'explique pas par la suspicion diagnostique et le biais d'orientation. Arch Stagiaire Med. 1999;159(1):65–70.

Article CAS PubMed Google Scholar

Télécharger les références

N'est pas applicable.

Aucun soutien financier.

Réseau mondial de virus, région du Moyen-Orient, Shiraz, Iran

Farrokh Habibzadeh

Vous pouvez également rechercher cet auteur dans PubMed Google Scholar

FH a fait toutes les choses pertinentes, de la conception de l'idée à la conception, l'analyse des données, la rédaction et l'édition substantielle du manuscrit, et le développement des codes informatiques.

Correspondance à Farrokh Habibzadeh.

Cette étude était une étude méthodologique proposant une nouvelle technique mathématique de correction d'un indice. Il n'impliquait ni humains ni animaux. L'ensemble de données utilisé dans l'étude a été généré in silico et, par conséquent, l'approbation éthique et l'obtention du consentement n'étaient pas applicables.

N'est pas applicable.

Les auteurs ne déclarent aucun intérêt concurrent.

Springer Nature reste neutre en ce qui concerne les revendications juridictionnelles dans les cartes publiées et les affiliations institutionnelles.

Fichier supplémentaire 1.

Libre accès Cet article est sous licence Creative Commons Attribution 4.0 International, qui autorise l'utilisation, le partage, l'adaptation, la distribution et la reproduction sur tout support ou format, à condition que vous accordiez le crédit approprié à l'auteur ou aux auteurs originaux et à la source, fournissez un lien vers la licence Creative Commons et indiquez si des modifications ont été apportées. Les images ou tout autre matériel de tiers dans cet article sont inclus dans la licence Creative Commons de l'article, sauf indication contraire dans une ligne de crédit au matériel. Si le matériel n'est pas inclus dans la licence Creative Commons de l'article et que votre utilisation prévue n'est pas autorisée par la réglementation légale ou dépasse l'utilisation autorisée, vous devrez obtenir l'autorisation directement du détenteur des droits d'auteur. Pour voir une copie de cette licence, visitez http://creativecommons.org/licenses/by/4.0/. La renonciation Creative Commons Public Domain Dedication (http://creativecommons.org/publicdomain/zero/1.0/) s'applique aux données mises à disposition dans cet article, sauf indication contraire dans une ligne de crédit aux données.

Réimpressions et autorisations

Habibzadeh, F. Correction de l'efficacité du vaccin dérivée d'études cas-témoins à test négatif. BMC Med Res Methodol 23, 137 (2023). https://doi.org/10.1186/s12874-023-01962-0

Télécharger la citation

Reçu : 25 janvier 2023

Accepté : 03 juin 2023

Publié: 10 juin 2023

DOI : https://doi.org/10.1186/s12874-023-01962-0

Toute personne avec qui vous partagez le lien suivant pourra lire ce contenu :

Désolé, aucun lien partageable n'est actuellement disponible pour cet article.

Fourni par l'initiative de partage de contenu Springer Nature SharedIt