ABSTRACT
Serology tests for SARS-CoV-2 provide a paradigm for estimating the number of individuals who have had an infection in the past (including cases that are not detected by routine testing, which has varied over the course of the pandemic and between jurisdictions). Such estimation is challenging in cases for which we only have limited serological data and do not take into account the uncertainty of the serology test. In this work, we provide a joint Bayesian model to improve the estimation of the sero-prevalence (the proportion of the population with SARS-CoV-2 antibodies) through integrating multiple sources of data, priors on the sensitivity and specificity of the serological test, and an effective epidemiological dynamics model. We apply our model to the Greater Vancouver area, British Columbia, Canada, with data acquired during the pandemic from the end of January to May 2020. Our estimated sero-prevalence is consistent with previous literature but with a tighter credible interval.
Le dépistage sérologique du SRASCoV2 permet d'estimer le nombre de personnes qui ont déjà été infectées (y compris les cas qui ne sont pas détectés au moyen de tests de dépistage réguliers, qui ont varié au cours de la pandémie et d'une province ou d'un territoire à l'autre). Une telle estimation est difficile lorsqu'il existe peu de données sérologiques et que l'incertitude du test sérologique n'est pas prise en compte. Nous proposons dans ce travail un modèle bayésien conjoint visant à améliorer l'estimation de la séroprévalence (la proportion de la population avec des anticorps SRASCoV2) en intégrant de multiples sources de données, des lois a priori sur la sensibilité et la spécificité du test sérologique, et un modèle efficace des dynamiques épidémiologiques. Nous appliquons ce modèle à des données recueillies dans la région métropolitaine de Vancouver (ColombieBritannique, Canada) pendant la pandémie de fin janvier à mai 2020. Notre estimation de la séroprévalence est cohérente avec la littérature antérieure tout en ayant un intervalle de crédibilité plus précis.