Estimation of SARS-CoV-2 antibody prevalence through serological uncertainty and daily incidence.

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.

Long time frames to detect the impact of changing COVID-19 measures, Canada, March to July 2020.

BackgroundMany countries have implemented population-wide interventions to control COVID-19, with varying extent and success. Many jurisdictions have moved to relax measures, while others have intensified efforts to reduce transmission.AimWe aimed to determine the time frame between a population-level change in COVID-19 measures and its impact on the number of cases.MethodsWe examined how long it takes for there to be a substantial difference between the number of cases that occur following a change in COVID-19 physical distancing measures and those that would have occurred at baseline. We then examined how long it takes to observe this difference, given delays and noise in reported cases. We used a susceptible-exposed-infectious-removed (SEIR)-type model and publicly available data from British Columbia, Canada, collected between March and July 2020.ResultsIt takes 10 days or more before we expect a substantial difference in the number of cases following a change in COVID-19 control measures, but 20-26 days to detect the impact of the change in reported data. The time frames are longer for smaller changes in control measures and are impacted by testing and reporting processes, with delays reaching ≥ 30 days.ConclusionThe time until a change in control measures has an observed impact is longer than the mean incubation period of COVID-19 and the commonly used 14-day time period. Policymakers and practitioners should consider this when assessing the impact of policy changes. Rapid, consistent and real-time COVID-19 surveillance is important to minimise these time frames.

Under-reporting of COVID-19 in the Northern Health Authority region of British Columbia.

Asymptomatic and pauci-symptomatic presentations of COVID-19 along with restrictive testing protocols result in undetected COVID-19 cases. Estimating undetected cases is crucial to understanding the true severity of the outbreak. We introduce a new hierarchical disease dynamics model based on the N-mixtures hidden population framework. The new models make use of three sets of disease count data per region: reported cases, recoveries and deaths. Treating the first two as under-counted through binomial thinning, we model the true population state at each time point by partitioning the diseased population into the active, recovered and died categories. Both domestic spread and imported cases are considered. These models are applied to estimate the level of under-reporting of COVID-19 in the Northern Health Authority region of British Columbia, Canada, during 30 weeks of the provincial recovery plan. Parameter covariates are easily implemented and used to improve model estimates. We compare two distinct methods of model-fitting for this case study: (1) maximum likelihood estimation, and (2) Bayesian Markov chain Monte Carlo. The two methods agreed exactly in their estimates of under-reporting rate. When accounting for changes in weekly testing volumes, we found under-reporting rates varying from 60.2% to 84.2%.

Le recours à des protocoles de tests restrictifs et l'existence de formes asymptomatiques et paucisymptomatiques de la COVID­19 contribuent à la non détection de cas COVID­19. Pour comprendre la véritable gravité de l'épidémie, il est primordial d'estimer correctement le nombre de cas non détectés. A cette fin, les auteurs de ce travail proposent un nouveau modèle hiérarchique des dynamiques de la maladie basé sur l'approche de N­mélanges de population cachée. Ces modèles utilisent trois types de données régionales, à savoir, les nombres de cas déclarés, guéris et décédés. En faisant appel à l'amincissement binomial (binomial thinning) et en traitant les nombres de cas déclarés et guéris comme étant sous­évalués, les auteurs proposent une modélisation de l'état réel de l'épidémie basée sur une partition de la population malade en trois catégories : cas actifs, cas guéris et cas décédés. Cette partition tient compte des cas de propagation intérieure et des cas importés. Les auteurs ont utilisé les données recueillies durant les trente semaines du plan de rétablissement provincial de la région de l'Autorité sanitaire du Nord de la Colombie­Britannique, Canada pour illustrer leur approche et estimer le niveau de sous­déclaration COVID­19 associé. Des covariables peuvent être facilement incorporées au modèle proposé et améliorer la qualité des estimations. Deux méthodes d'ajustement sont retenues: (1) l'estimation par maximum de vraisemblance, et (2) la méthode de Monte Carlo par chaînes de Markov. Les estimations du taux de sous­déclaration obtenues par ces deux méthodes concordent exactement et varient entre 60,2% et 84,2% après ajustement des variations des volumes de tests hebdomadaires.