AI-enhanced mathematical model for estimating nirsevimab effectiveness and duration of protection Modèle mathématique optimisé par l’IA pour évaluer l’efficacité et la durée de la protection du nirsévimab
About This Study À propos de cette étude
Respiratory syncytial virus (RSV) exerts a significant disease burden in infants under one year of age, driving the recent development of new immunizing products like the monoclonal antibody nirsevimab.
Clinical trials suggest that nirsevimab provides significant immunity against medically attended RSV-associated respiratory infections and hospitalizations for at least five months, though the full duration of protection remains unclear. Our primary objective is to estimate nirsevimab’s field effectiveness and protection decline using Al-enhanced mathematical modelling.
Our individual-based RSV epidemiological model tracks an infant’s changes in health status from birth at least until the end of their first complete RSV season, considering: i) infection status, ii) severity of infection, iii) immunity status with respect to various infection outcomes, iv) nirsevimab status, and v) risk factors for severe disease.
We will calibrate this model to surveillance data on RSV-associated medical consultations and hospitalizations using techniques similar to machine learning training/optimization algorithms. Nirsevimab effectiveness and duration of protection can be directly estimated from calibrated values for model parameters.
This information could help optimize existing RSV immunization programs in Ontario and Quebec and support the expansion of universal nirsevimab immunization to other Canadian provinces.
Le virus respiratoire syncytial (VRS) représente un fardeau sanitaire important chez les nourrissons de moins d’un an, ce qui a mené à la mise au point de nouveaux produits vaccinaux, tels que l’anticorps monoclonal nirsévimab.
Les essais cliniques suggèrent que le nirsévimab confère une immunité considérable contre les infections respiratoires associées au VRS nécessitant une prise en charge médicale et les hospitalisations pendant au moins cinq mois, bien que la durée totale de la protection reste incertaine. Notre objectif principal est d’estimer l’efficacité du nirsévimab en conditions réelles et le déclin de sa protection à l’aide d’une modélisation mathématique optimisée par l’intelligence artificielle.
Notre modèle épidémiologique du VRS basé sur les individus suit l’évolution de l’état de santé d’un nourrisson depuis la naissance jusqu’à la fin de sa première saison complète d’infection par le VRS, en tenant compte : i) du statut infectieux, ii) de la gravité de l’infection, iii) du statut immunitaire par rapport à divers résultats de l’infection, iv) du statut concernant le nirsévimab, et v) des facteurs de risques de forme grave de la maladie.
Nous calibrerons ce modèle à partir de données de surveillances relatives aux consultations médicales et aux hospitalisations liées au VRS en utilisant des techniques similaires aux algorithmes d’apprentissage automatique et d’optimisation. L’efficacité du nirsévimab et la durée de la protection peuvent être estimées directement à partir des valeurs calibrées des paramètres du modèle.
Ces informations pourraient contribuer à optimiser les programmes actuels d’immunisation contre le RSV en Ontario et au Québec, et favoriser le déploiement de la vaccination universelle par le nirsévimab à d’autres provinces canadiennes.