Ergebnis für URL: http://www.ummisco.ird.fr/perso/bacaer/2006JMB.html Le seuil épidémique des maladies à vecteurs avec saisonnalité
Le cas de la leishmaniose cutanée à Chichaoua au Maroc
J. Math. Biol. 53 (2006) p. 421-436
Nicolas Bacaër
Institut de recherche pour le développement, Bondy, France
nicolas.bacaer@ird.fr
Souad Guernaoui
Laboratoire d'écologie animale terrestre, Faculté des sciences Semlalia,
Marrakech, Maroc
* [de] Um den Artikel auf Deutsch zu lesen, benutzen Sie den in Ihrem Browser
integrierten automatischen Übersetzer.
* [en] To read the article in English, use your browser's machine translator.
[es] Para leer el artículo en español, utilice el traductor automático de su
navegador.
[it] Per leggere l'articolo in italiano, utilizzare il traduttore automatico
del browser.
[ja]
日本語de記事wo読muniha,_BuRaU6Zani内
;蔵saretei5ru自動翻訳機能wogo࠷
3;用kudasai5._
[pt] Para ler o artigo em português, utilize o tradutor automático do seu
navegador.
* [ru] CHtoby prochitat' stat'yu na russkom yazyke, vospol'zujtes' vstroennym
avtomaticheskim perevodchikom Vashego brauzera.
* [zh]
要阅读中文文本,请使
992;你的浏览器内置的自&
#21160;翻译器._
Résumé
La leishmaniose cutanée est une maladie à vecteurs transmise aux humains par des
phlébotomes. On développe dans cet article un modèle mathématique qui tient
compte de la saisonnalité de la population de vecteurs et de la distribution de
la période de latence entre l'infection et les symptômes chez les humains. On
ajuste les paramètres à des données de la province de Chichaoua au Maroc. On
propose aussi une généralisation de la définition de la reproductivité aux
environnements périodiques. Pour l'épidémie à Chichaoua, on estime
que \(R_0\simeq \mbox{1,94}\). L'épidémie s'arrêterait si la population de
vecteurs était divisée par le carré de ce nombre : \((R_0)^2\simeq
\mbox{3,76}\).
1. Introduction
La leishmaniose est un complexe de maladies vectorielles causées par des
protozoaires du genre Leishmania. Le parasite est transmis aux humains par des
piqûres de phlébotomes femelles (Diptera: Psychodidae: Phlebotominae). La maladie
est endémique dans de nombreuses régions d'Afrique, d'Amérique du Sud, d'Amérique
centrale, du sud de l'Europe, d'Asie et du Moyen-Orient. La leishmaniose comprend
quatre entités principales d'un point de vue éco-épidémiologique: leishmaniose
viscérale zoonotique ou anthroponotique, et leishmaniose cutanée zoonotique ou
anthroponotique. Dans les formes anthroponotiques, les humains sont la seule
source d'infection pour les phlébotomes vecteurs. Dans les cycles de transmission
zoonotiques, les animaux sont des réservoirs qui maintiennent et propagent les
parasites. Il y a chaque année environ 500000 nouveaux cas humains de
leishmaniose viscérale et de 1 à 1,5 million de cas de leishmaniose cutanée dans
le monde (Desjeux, 2004). La leishmaniose viscérale est fatale si elle n'est pas
traitée. La leishmaniose cutanée guérit en général toute seule mais peut laisser
des cicatrices défigurantes.
D'après le Ministère marocain de la santé publique (2001), la leishmaniose
cutanée anthroponotique due à Leishmania tropica est une maladie émergente dans
la province de Chichaoua: entre le début de l'année 2000 et la fin de l'année
2004, 1877 cas ont été rapportés officiellement. La figure 1 montre l'évolution
mensuelle du nombre de cas rapportés dans la ville d'Imintanoute, qui représente
environ 80% des cas de la province, entre le début de l'année 2001 et la fin de
l'année 2004. Quelques cas (43 au total) ont déjà été observés pendant l'année
2000, mais le rapport mensuel détaillé n'est pas disponible.
[Fig1JMB2006.png] Figure 1. Axe horizontal: le temps. Axe vertical et courbe en
escalier : nombre mensuel de cas rapportés de leishmaniose cutanée à Imintanoute
dans la province de Chichaoua au Maroc. Ronds (échelle non significative):
évolution de la population de Phlebotomus sergenti, le vecteur probable
(Guernaoui et coll., 2005).
Une étude sur le terrain (Guernaoui et coll., 2005) a montré que les
phlébotomes de l'espèce Phlebotomus sergenti sont responsables de la transmission
et que la transmission est anthroponotique. Aucun réservoir animal tel que des
chiens n'a été détecté pour cette épidémie particulière. La figure 1 montre aussi
des estimations de la population de Phlebotomus sergenti obtenues avec des
pièges une ou deux fois par mois de juin 2002 à décembre 2003 (thèse de doctorat
de S. Guernaoui). Noter que la population de vecteurs tombe à zéro entre décembre
et mai. C'est dû au cycle de vie particulier des phlébotomes dans cette région:
pendant ces mois, seuls les oeufs et les larves survivent cachés dans le sol.
Quand la température augmente au début de chaque été, les larves se
métamorphosent en adultes qui volent. La métamorphose s'arrête quand la saison
froide réapparaît.
L'objectif de ce travail est de développer un modèle mathématique de cette
épidémie, d'estimer certains paramètres du cycle de transmission et d'estimer la
reproductivité, qui mesure l'effort nécessaire pour arrêter l'épidémie. Il est
intéressant de constater que cette étude particulière nous a conduit à une
nouvelle définition générale de la reproductivité dans un environnement
périodique.
(Bensalah et coll., 1994 ; Burattini et coll., 1998 ; Chaves et Hernandez,
2004 ; Hasibeder et coll., 1992 ; Kerr et coll., 1997 ; Rabinovich et
Feliciangeli, 2004) ont déjà développé divers modèles mathématiques pour la
leishmaniose. Seul (Bensalah et coll., 1994) simule une population fluctuante de
vecteurs mais sans analyse mathématique et sans données de terrain.
Pour notre modèle, on insiste sur deux points. Premièrement, il y a des
fluctuations saisonnières très marquées de la population de vecteurs. On obtient
les modèles les plus simples en supposant que la population de vecteurs est
périodique avec une période égale à un an. Deuxièmement, il y a un retard de
plusieurs mois entre l'infection, qui a lieu en été ou en automne lorsque la
population de vecteurs est non nulle, et l'apparition de cas symptomatiques, qui
est au plus haut en hiver et au printemps. Voir la figure 1.
Les plus anciens modèles mathématiques pour des maladies à vecteurs remontent
à Ronald Ross (1911), qui étudiait le paludisme. Notre modèle est en quelque
sorte une extension de son second modèle (Lotka, 1923). La population de vecteurs
est partagée entre vecteurs sains et vecteurs infectés. Les humains sont partagés
entre sains, infectés et immunisés.
De plus, on suppose que la population de vecteurs fluctue de manière
périodique. (Anderson et May, 1991, p. 404) a étudié numériquement l'influence de
la saisonnalité sur les maladies à vecteurs. (Heesterbeek et Roberts, 1995a et
1995b) et (Diekmann et Heesterbeek, 2000, p. 148) donnent des résultats
mathématiques en relation avec la théorie de Floquet pour les équations
différentielles périodiques. Dans (Heesterbeek et Roberts, 1995b, §2.3), la
définition du seuil épidémique censée remplacer la reproductivité, lorsque la
population de vecteurs est périodique, est un peu étrange. Dans le cas
particulier où la population de vecteurs est constante, la définition est le
rayon spectral d'une matrice semblable (au sens de la théorie des matrices) mais
non égale à la matrice de prochaine génération.
Par ailleurs, ces travaux ne contiennent pas de retard entre l'infection et
les symptômes chez les humains autre qu'un retard distribué exponentiellement. On
voit sur la figure 1 qu'un retard fixe donnerait un mauvais ajustement aux
données pour l'épidémie de leishmaniose cutanée à Imintanoute. La population de
vecteurs est non nulle pendant six mois de l'année. Mais les cas humains se
rencontrent tout au long de l'année. Un retard distribué est nécessaire. Les
premiers modèles en épidémiologie avec un retard distribué remontent à Kermack et
McKendrick (1927) et font intervenir des équations aux dérivées partielles. Peu
de travaux combinent ces retards distribués avec une influence périodique dans le
contexte de l'épidémiologie. C'est le cas de (Williams et Dye, 1997). Mais la
discussion porte principalement sur les distributions exponentielles. Cependant
plusieurs travaux discutent de distributions générales dans d'autres domaines de
la dynamique des populations:
* Coale (1972) utilise des séries de Fourier pour étudier les naissances
périodiques dans les modèles démographiques linéaires en temps continu
* Thieme (1984) étudie les équations intégrales de Volterra à noyau périodique
dans un cadre abstrait avec une application à des populations de plantes
* (Jagers et Nerman, 1985) étudie les processus de branchement dans un
environnement périodique
* (Anita et coll., 1998) étudie la récolte optimale d'une population structurée
par l'âge avec une fertilité périodique.
Thieme (1984) fournit la justification théorique pour l'étude de notre modèle
linéarisé.
En résumé, du point de vue général de la dynamique des populations, notre
contribution est de rendre plus explicite la définition du seuil épidémique pour
les maladies à vecteurs avec une population périodique de vecteurs. La définition
semble nouvelle même dans le cas où la période d'incubation est distribuée
exponentiellement de sorte que le modèle se réduit à un système d'équations
différentielles ordinaires. De plus on donne un algorithme pour le calcul de la
reproductivité dans le cas général. Du point de vue de l'épidémiologie, notre
contribution est d'estimer certains paramètres dans la transmission de la
leishmaniose cutanée lors d'une épidémie au Maroc. On estime le temps entre
l'infection et les symptômes par une distribution Gamma avec une moyenne de 6
mois et un écart type de 1,5 mois. On a \(R_0\simeq \mbox{1,94}\). Le modèle
suggère que l'épidémie s'arrêterait si la population de vecteurs était divisée
par le carré de ce nombre : \((R_0)^2\simeq \mbox{3,76}\).
Le plan de l'article est le suivant. La section 2 présente le système
d'équations différentielles utilisé pour modéliser l'épidémie. La section 3
analyse le modèle, en particulier la stabilité de la situation sans infection. La
section 4 présente une simulation avec des paramètres ajustés aux données
épidémiques de la ville d'Imintanoute. On estime ensuite le seuil épidémique pour
cette épidémie particulière. La section 5 introduit une définition générale de la
reproductivité dans un environnement périodique et discute de son lien avec des
travaux antérieurs.
2. Le modèle
On définit
* \(s(t)\) : nombre de phlébotomes sains au temps t ;
* \(i(t)\) : nombre de phlébotomes infectés;
* \(S(t)\) : nombre d'humains sains;
* \(I(t,\tau)\) : humains infectés au temps t structurés par le temps
\(\tau\) depuis l'infection;
* \(R(t)\) : nombre d'humains immunisés.
Pour simplifier le modèle, on ne tient pas compte de la période de temps durant
laquelle les humains ou les vecteurs sont infectés mais pas encore infectieux. Le
groupe d'humains « immunisés » contient à la fois
* les gens dont les symptômes sont apparus récemment et ont été recouverts par
un tissu ; ils ne peuvent plus transmettre la maladie,
* les gens dont les cicatrices ont guéri et qui sont immunisés.
Les cas rapportés sont les personnes qui entrent dans l'état R. On suppose que
les cicatrices sont couvertes dès leur apparition; c'est évidemment une
simplification de la situation réelle. Le nombre total d'humains infectés est
\[I(t)=\int_0^\infty I(t,\tau)\, d \tau.\] Introduisons les notations
* \(P=S(t)+I(t)+R(t)\) : population humaine totale;
* \(p(t)=s(t)+i(t)\) : population totale des phlébotomes;
* \(\Lambda(t)\) : taux d'émergence des phlébotomes;
* \(\mu\) : mortalité des phlébotomes;
* \(\beta\) : fréquence des piqûres des phlébotomes;
* \(\alpha(\tau)\) : vitesse d'avancement de l'infection à l'immunité chez les
humains;
* \(\gamma\) : vitesse de perte de l'immunité;
* \(\pi\) : probabilité de transmission de la leishmaniose cutanée d'un
phlébotome à un humain lors d'une piqûre;
* \(\widehat{\pi}\) : probabilité de transmission de la leishmaniose cutanée
d'un humain à un phlébotome lors d'une piqûre.
Le modèle est constitué des équations suivantes: \begin{eqnarray}
&&s'(t)=\Lambda(t) - \mu\, s(t) - \beta\, \widehat{\pi}\, s(t)\, \frac{I(t)}{P}\,
,\tag{1}\\ &&i'(t)=\beta\, \widehat{\pi}\, s(t)\, \frac{I(t)}{P} - \mu\, i(t)\,
,\\ &&S'(t)=-\beta\, \pi\, i(t)\, \frac{S(t)}{P} + \gamma\, R(t)\, ,\\
&&I(t,0)=\beta\, \pi\, i(t)\, \frac{S(t)}{P}\, ,\quad \frac{\partial I}{\partial
t}(t,\tau)+\frac{\partial I}{\partial \tau}(t,\tau)=-\alpha(\tau)\, I(t,\tau)\, ,
\\ &&R'(t)=\int_0^\infty \alpha(\tau)\, I(t,\tau)\, d \tau - \gamma \, R(t)\,
,\tag{2} \end{eqnarray} avec des conditions
initiales \(s(0)\), \(i(0)\), \(S(0)\), \(I(0,\tau)\) et \(R(0)\).
\(p(t)=s(t)+i(t)\) est solution de \[p'(t)=\Lambda(t)-\mu\, p(t).\]
\(P=S(t)+I(t)+R(t)\) est effectivement constant. \(f(\tau)\) est la distribution
de probabilité du temps écoulé de l'infection aux symptômes chez les humains.
\(g(\tau)\) est la probabilité de ne pas avoir developpé les symptômes t unités
de temps après l'infection. On a alors \begin{equation}\tag{3}
g(\tau)=1-\int_0^\tau f(\sigma)\, d\sigma = \exp \Bigl (-\int_0^\tau
\alpha(\sigma)\, d\sigma \Bigr ) \end{equation}
et \(\alpha(\tau)=f(\tau)/[1-\int_0^\tau f(\sigma)\, d \sigma]\).
3. Analyse
On suppose que \(\Lambda(t)\) est une fonction périodique de période \(T\).
Alors le système (1)-(2) a une solution périodique sans maladie donnée par
\(s(t)=p(t)\), \(i(t)=0\), \(S(t)=P\) et \(I(t)=R(t)=0\). \(p(t)\) est l'unique
solution périodique de \(p'(t)=\Lambda(t)-\mu\, p(t)\). La stabilité s'étudie en
linéarisant le système. On a \begin{eqnarray} &&\tilde{i}'(t) =\beta\,
\widehat{\pi}\, p(t)\, \frac{\tilde{I}(t)}{P} -\mu\, \tilde{i}(t)\, ,\\
&&\tilde{I}(t,0)=\beta\, \pi\, \tilde{i}(t)\, ,\quad \frac{\partial
\tilde{I}}{\partial t}(t,\tau)+\frac{\partial \tilde{I}}{\partial
\tau}(t,\tau)=-\alpha(\tau)\, \tilde{I}(t,\tau)\, , \end{eqnarray} avec la
condition initiale \(\tilde{i}(0,\tau)=\tilde{i}_0(\tau)\) et
\(\tilde{I}(0,\tau)=\tilde{I}_0(\tau)\). Ce système comprend à la fois une
équation différentielle ordinaire linéaire et une équation aux dérivées
partielles linéaire. Pour que la discussion soit plus symétrique, on définit
* \(i(t,\tau)\), t est le temps écoulé depuis l'infection chez les
phlébotomes,
* le vecteur colonne \(J(t,\tau)=(\tilde{i}(t,\tau)\, ,\,
\tilde{I}(t,\tau))\).
On a alors \begin{eqnarray*} \frac{\partial J}{\partial t}(t,\tau) +
\frac{\partial J}{\partial \tau}(t,\tau)&=& \left (\begin{array}{cc} -\mu & 0 \\
0 & -\alpha(\tau) \end{array}\right ) J(t,\tau)\\ J(t,0) &=& \left
(\begin{array}{cc} 0 & \frac{\beta \widehat{\pi} p(t)}{P} \\ \beta \pi & 0
\end{array}\right ) \int_0^\infty J(t,\tau)\, d \tau\, , \end{eqnarray*} avec
\(J(0,\tau)=J_0(\tau)=(\tilde{i}_0(\tau)\, ,\, \tilde{I}_0(\tau))\). On a ainsi
\begin{eqnarray*} J(t,0)&=&\int_0^t \left (\begin{array}{cc} 0 & \frac{\beta
\widehat{\pi} p(t)}{P}\, e^{-\int_0^\tau \alpha(\sigma)\, d \sigma} \\ \beta \pi
e^{-\mu \tau} & 0 \end{array}\right ) J(t-\tau,0)\, d \tau \\ && + \int_t^\infty
\left (\begin{array}{cc} 0 & \frac{\beta \widehat{\pi} p(t)}{P}\,
e^{-\int_{\tau-t}^\tau \alpha(\sigma)\, d \sigma} \\ \beta \pi e^{-\mu t} & 0
\end{array}\right ) J_0(\tau-t)\, d \tau\, . \end{eqnarray*} Avec la
notation \(u(t)=J(t,0)\), l'équation précédente est de la forme
\begin{equation}\tag{4} u(t)=\int_0^t A(t,\tau)\, u(t-\tau)\, d \tau +
\bar{u}(t). \end{equation} \(A(t,\tau)\) est une fonction périodique de période
T par rapport à t. \(\bar{u}(t)\) est une fonction donnée. Le
coefficient \(A_{i,j}(t,\tau)\) sur la ligne i et la colonne j de la
matrice \(A(t,\tau)\) est l'espérance du nombre d'individus de type i (les
vecteurs sont le type 1, les humains le type 2) qu'un individu infecté de type j
infecte par unité de temps au temps t s'il a été infecté au temps \(t-\tau\).
\(\mathcal{E}\) est l'ensemble des fonctions continues périodiques de période
T à valeurs dans \(\mathbb{R}^2\). Muni de la norme du supremum, c'est un espace
de Banach. Thieme (1984) a étudié le comportement asymptotique des équations
telles que (4): \(u(t) \sim e^{\lambda^* t}\, v(t)\). \( \,\lambda^* \) est un
nombre réel et \(v \in \mathcal{E}\) est une fonction positive, non identiquement
nulle et telle que \begin{equation}\tag{5} v(t)=\int_0^\infty e^{-\lambda^* \tau}
A(t,\tau)\, v(t-\tau)\, d \tau.\end{equation} Plus précisément, il existe un
unique nombre réel \(\lambda^*\) pour lequel on puisse trouver \(v \in
\mathcal{E}\) qui soit positif et non identiquement nul (Thieme, 1984 ; Jagers et
Nerman, 1985).
Définissons \(R_0\) comme le rayon spectral de l'opérateur linéaire qui à \(w
\in \mathcal{E}\) associe la fonction \(t\mapsto \int_0^\infty A(t,\tau)\,
w(t-\tau)\, d \tau\), aussi dans \(\mathcal{E}\). Cet opérateur linéaire est
positif. \(R_0\) se caractérise par l'existence de \(w \in \mathcal{E}\) positif
et non identiquement nul avec \begin{equation} \int_0^\infty A(t,\tau)\,
w(t-\tau)\, d \tau = R_0 \, w(t).\tag{6} \end{equation} \(R_0\) a les propriétés
d'un seuil épidémique: \(\lambda^* > 0\) si \(R_0 > 1\), tandis que \(\lambda^* <
0\) si \(R_0 < 1\).
En effet, pour tout nombre réel \(\lambda\), on définit \begin{eqnarray*}
\mathcal{A}_\lambda : \mathcal{E} &\longrightarrow& \mathcal{E} \\ v
&\longmapsto& \left (t \mapsto \int_0^\infty e^{-\lambda \tau} A(t,\tau)\,
v(t-\tau)\, d \tau\right ). \end{eqnarray*} Le rayon spectral
de \(\mathcal{A}_\lambda\) est noté \(R_\lambda\) . Noter que cette définition
coïncide bien quand \(\lambda=0\) avec celle de \(R_0\). Pour tout l, l'opérateur
linéaire \(\mathcal{A}_\lambda\) est positif. De plus, \(\lambda_1 \leq
\lambda_2\) implique que \(\mathcal{A}_{\lambda_1}\geq
\mathcal{A}_{\lambda_2}\). Les propriétés du rayon spectral impliquent que
\(\lambda \mapsto R_\lambda\) de \(\mathbb{R}\to \mathbb{R}\) est une fonction
décroissante. Mais \(R_{\lambda^*}=1\) d'après l'équation (5). On a
donc \(\lambda^* > 0\) si \(R_0 > 1\), et \(\lambda^* < 0\) si \(R_0 < 1\).
Si la fonction \(p(t)\) est une constante p, alors \(A(t,\tau)\) ne dépend
pas de t. Dans ce cas, considérons la fonction constante \(w(t)\) égale à un
vecteur propre positif de la matrice positive \(\int_0^\infty A(\tau)\, d\tau\).
\(R_0\) est le rayon spectral de cette matrice, appelée matrice de prochaine
génération (Diekmann et Heesterbeek, 2000, p. 74). Plus précisément, on obtient
\begin{equation}\tag{7} R_0=\sqrt{\frac{\beta^2\, \pi\, \widehat{\pi}}{P} \times
\frac{p}{\mu} \int_0^\infty g(\tau)\, d \tau}. \end{equation} On voit le produit
du nombre moyen d'humains infectés par un phlébotome infecté \(\frac{\beta
\pi}{\mu}\) avec le nombre moyen de phlébotomes infectés par un humain infecté
\(\frac{\beta \widehat{\pi} p}{P} \int_0^\infty g(\tau)\, d\tau\).
Si la fonction \(p(t)\) n'est pas constante mais périodique,
écrivons \(w=(w_1\, ,\, w_2)\). Alors (6) s'écrit \begin{eqnarray*} \frac{\beta\,
\widehat{\pi}\, p(t)}{P} \int_0^\infty g(\tau)\, w_2(t-\tau)\, d \tau &=& R_0 \,
w_1(t) \\ \beta\, \pi \int_0^\infty e^{-\mu \tau}\, w_1(t-\tau)\, d \tau &=& R_0
\, w_2(t). \end{eqnarray*} Insérons la seconde équation dans la première. Si le
nombre \(r_0\) et une fonction positive, périodique de période T, non
identiquement nulle \(w_1(t)\) sont solutions de \begin{equation}\tag{8} p(t)
\int_0^\infty g(\tau) \int_0^\infty e^{-\mu \sigma} \, w_1(t-\tau-\sigma)\, d
\sigma \, d \tau = r_0\, w_1(t), \end{equation} on a alors
\begin{equation}\tag{9} R_0=\sqrt{\frac{\beta^2\, \pi\, \widehat{\pi}}{P}\times
r_0}. \end{equation} La formule (9) géneralise la formule classique (7) pour les
maladies à vecteurs avec une population de vecteurs saisonnière périodique. Noter
que \(r_0\) est une fonction compliquée de \(p(t)\), \(g(x)\) et µ.
Visiblement, \(r_0\) est une fonction décroissante de µ. Si la
fonction \(p(t)\) est remplacé par \(\varepsilon\, p(t)\), alors \(r_0\) est
remplacé par \(\varepsilon\, r_0\). Donc la conclusion classique selon laquelle
une maladie à vecteurs peut être éradiquée si la population de vecteurs est
divisée par le carré de la reproductivité, qui n'est valide a priori que pour une
population constante de vecteurs, demeure vraie si la population de vecteurs est
périodique.
Certains auteurs utilisent la notation \(R_0\) pour ce qui ici
est \((R_0)^2\). (Heesterbeek et Roberts, 1995b, § 2.1) discute brièvement de ce
point.
4. Simulation et estimation de \(R_0\)
Estimons les paramètres du modèle. La population totale d'Imintanoute est
d'environ 5000 habitants. Cependant certaines parties de la ville sont plus
concernées que d'autres parce que les phlébotomes préfèrent les endroits où ils
peuvent pondre leurs oeufs, par exemple près de dépôts d'ordures. Il n'y a qu'un
groupe homogène dans notre modèle. Une manière de traiter ce problème est de
considérer que la population P, qui est initialement saine, est inconnue mais
avec la contrainte P 0\) si \(R_0 >
1\) et \(\lambda^* < 0\) si \(R_0 < 1\). Cette définition de la reproductivité
peut aussi être utilisée dans d'autres champs de la dynamique des populations,
par exemple la démographie où le verbe « donner naissance » remplace le verbe «
infecter ».
Si on a \(A(t,\tau)=A(\tau)\), alors on prend pour \(w(t)\) un vecteur
propre de la matrice \(\int_0^\infty A(\tau)\, d \tau\). \(R_0\) est donc le
rayon spectral de cette matrice. Par ailleurs, \(\lambda^*\) est l'unique nombre
réel pour lequel le rayon spectral de la matrice suivante est égal à 1
\[\int_0^\infty e^{-\lambda^* \tau} A(\tau)\, d \tau.\] N'importe quel vecteur
propre de cette matrice associé à la valeur propre 1 peut être choisi pour
\(v(t)\), de sorte que celui-ci soit solution de (18).
Il y a un autre cas particulier où la reproductivité se calcule facilement.
C'est le cas où \(n=1\) et \begin{equation}\tag{19} A(t,\tau)=p(t)\,
e^{-\int_{t-\tau}^t \phi(\sigma) d \sigma} \end{equation} avec des fonctions
\(p(t)\) et \(\phi(t)\) qui sont périodique de période T. En effet, le problème
de valeur propre sécrit \begin{equation}\tag{20} p(t) \int_0^\infty
e^{-\int_{t-\tau}^t \phi(\tau) d \tau}\, w(t-\tau)\, d \tau = R_0\, w(t)\, .
\end{equation} En dérivant cette équation et en intégrant par parties, on obtient
\begin{align*} R_0\, w'(t) =& p'(t) \int_0^\infty e^{-\int_{t-\tau}^t
\phi(\sigma) d \sigma}\, w(t-\tau)\, d \tau + p(t) \int_0^\infty
e^{-\int_{t-\tau}^t \phi(\sigma) d \sigma }\, w'(t-\tau)\, d \tau \\ & + p(t)
\int_0^\infty e^{-\int_{t-\tau}^t \phi(\sigma) d \sigma }\, \bigl [\phi(t-\tau) -
\phi(t) \bigr ] \, w(t-\tau)\, d \tau \\ =&p'(t)\, \frac{R_0\, w(t)}{p(t)} - p(t)
\int_0^\infty \phi(t-\tau)\, e^{-\int_{t-\tau}^t \phi(\sigma) d \sigma }\,
w(t-\tau)\, d \tau \\ &- p(t)\, \Bigl [ e^{- \int_{t-\tau}^t \phi(\sigma) d
\sigma} \, w(t-\tau) \Bigr ]_0^\infty \\ &+ p(t) \int_0^\infty
e^{-\int_{t-\tau}^t \phi(\sigma) d \sigma }\, \bigl [\phi(t-\tau) - \phi(t) \bigr
] \, w(t-\tau)\, d \tau \\ =&\frac{p'(t)}{p(t)}\, R_0\, w(t) - \phi(t)\, R_0\,
w(t) + p(t)\, w(t) \end{align*} Cette équation s'écrit aussi \[\frac{w'(t)}{w(t)}
= \frac{p'(t)}{p(t)} - \phi(t) + \frac{p(t)}{R_0}\, .\] On a donc
\begin{equation}\tag{21} w(t)=K\, p(t)\, e^{-\int_0^t \phi(\tau) d \tau +
\frac{1}{R_0} \int_0^t p(\tau)\, d \tau}\, . \end{equation} K est une constante
positive. \(w(t)\) est une fonction périodique si \(w(t+T)=w(t)\) pour tout t.
Mais les fonctions \(p(t)\) et \(\phi(t)\) sont périodiques. \(w(t+T)=w(t)\) si
et seulement si \begin{equation}\tag{22} R_0 = \frac{\int_0^T p(\tau)\, d
\tau}{\int_0^T \phi(\tau)\, d \tau}\, . \end{equation} Inversement, (21) avec
(22) est solution de l'équation (20). La formule (22) apparaît dans (Ma et Ma,
2006, § 3.1) pour un modèle épidémique SIR avec un taux de contact et une
mortalité périodiques. L'analyse de sa stabilité linéaire se met sous la forme
(17) avec \(A(t,\tau)\) de la forme (19). Mais les auteurs hésitent à utiliser la
notation \(R_0\) pour le côté droit de (22). Ils utilisent
\(\bar{\mathcal{R}}\), parce qu'ils n'ont pas de définition générale de la
reproductivité. Cette expression n'apparaît qu'à la fin de leur analyse.
Le même calcul (dérivation, intégration par parties, etc.) en partant de (18)
montre que \[v(t)= K \, p(t)\, e^{-\lambda^*\, t - \int_0^t \phi(\tau)\, d \tau +
\int_0^t p(\tau)\, d \tau}\, .\] Cette fonction est périodique si et seulement si
\begin{equation}\tag{23} \lambda^* = \frac{1}{T} \int_0^T p(\tau)\, d \tau -
\frac{1}{T} \int_0^T \phi(\tau)\, d \tau \, . \end{equation} Le seuil épidémique
(\(R_0 > 1\), ou encore \(\lambda^* > 0\)) dépend dans ce cas seulement des
valeurs moyennes des coefficients. Dans le cas encore plus particulier
où \(\phi(t)\) est constant, la formule (23) est le résultat « démontré » dans
(Williams et Dye, 1997) en utilisant des séries de Fourier et des séries
divergentes!
Mentionnons aussi que la stabilité linéaire du modèle épidémique SEIR avec un
taux de contact périodique (Ma et Ma, 2006, § 2) peut se mettre sous la forme
(17) avec une matrice \(A(t,\tau)\) de taille 2 semblable à celle de la section
3. Comme dans le présent article, on ne peut espérer de formule explicite pour la
reproductivité mais des estimations numériques sont possibles.
Du point de vue des applications, la définition de la reproductivité que nous
proposons pourrait être utilisée pour estimer le risque que des maladies à
vecteurs apparaissent dans des régions non infectées jusqu'à présent. Il faut
suffisamment d'information sur la population de vecteurs et sur la maladie. C'est
devenu un sujet très populaire en épidémiologie car de nombreuses personnes
pensent que le climat se réchauffe et que les maladies tropicales du « Sud »
pourraient apparaître ou réapparaître dans le « Nord ». On mentionne en
particulier le projet EDEN, « Emerging Diseases in a changing European
eNvironment » (www.eden-fp6project.net).
Remerciements
On remercie le Dr A. Laamrani Elidrissi (Département des maladies
parasitaires, Ministère de la santé publique, Rabat, Maroc) pour les données
concernant les cas rapportés de leishmaniose cutanée. Une partie de ce travail a
été effectué pendant que le premier auteur visitait le Laboratoire des processus
stochastiques et des systèmes dynamiques de l'Université Cadi Ayyad de Marrakech
au Maroc. On remercie aussi un rapporteur anonyme pour avoir signalé les
références (Williams et Dye, 1997 ; Ma et Ma, 2006), qui nous ont aidés pour la
section 5.
Références bibliographiques
* Anderson R. M., May R. M. (1991) Infectious Diseases of Humans - Dynamics and
Control. Oxford University Press, Oxford.
* Anita S., Iannelli M., Kim M. Y., Park E. J. (1998) Optimal harvesting for
periodic age-dependent population dynamics. SIAM J. Appl. Math. 58,
1648-1666.
* Ben Salah A., Smaoui H., Mbarki L., Anderson R. M., Ben Ismail R. (1994)
Développement d'un modèle mathématique de la dynamique de transmission de la
leishmaniose canine. Archs. Inst. Pasteur Tunis 71, 431-438.
* Burattini M. N., Coutinho F. A. B., Lopez L. F., Massad E. (1998) Modelling
the dynamics of leishmaniasis considering human, animal host and vector
populations. J. Biol. Syst. 6, 337-356.
* Chaves L. F., Hernandez M. J. (2004) Mathematical modelling of American
Cutaneous Leishmaniasis: incidental hosts and threshold conditions for
infection persistence. Acta Tropica 92, 245-252.
* Coale A. J. (1972) The Growth and Structure of Human Populations - a
Mathematical Investigation. Princeton University Press, Princeton.
* Desjeux P. (2004) Leishmaniasis: current situation and new perspectives.
Comp. Immunol. Microbiol. Infect. Dis. 27, 305-318.
* Diekmann O., Heesterbeek J. A. P. (2000) Mathematical Epidemiology of
Infectious Diseases - Model Building, Analysis and Interpretation. Wiley,
Chichester
* Feliciangeli M. D. (2004) Natural breeding places of phlebotomine sandflies.
Med. Vet. Entomol. 18, 71-80.
* Guernaoui S., Boumezzough A., Pesson B., Pichon G. (2005) Entomological
investigations in Chichaoua: an emerging epidemic focus of cutaneous
leishmaniasis in Morocco. J. Med. Entomol. 42, 697-701.
* Hasibeder G., Dye C., Carpenter J. (1992) Mathematical modelling and theory
for estimating the basic reproduction number of canine leishmaniasis.
Parasitology 105, 43-53.
* Heesterbeek J. A. P., Roberts M. G. (1995a) Threshold quantities for helminth
infections. J. Math. Biol. 33, 415-434.
* Heesterbeek J. A. P., Roberts M. G. (1995b) Threshold quantities for
infectious diseases in periodic environments. J. Biol. Syst. 3, 779-787.
* Jagers P., Nerman O. (1985) Branching processes in periodically varying
environment. Ann. Prob. 13, 254-268.
* Kerr S. F., Grant W. E., Dronen Jr N. O. (1997) A simulation model of the
infection cycle of Leishmania mexicana in Neotoma micropus. Ecol. Modell. 98,
187-197.
* Lotka A. J. (1923) Contribution to the analysis of malaria epidemiology. Am.
J. Hygiene 3, 1-121.
* Kermack W. O., McKendrick A. G. (1927) A contribution to the mathematical
theory of epidemics. Proc. Roy. Soc. London - series A 115, 700-721.
* Ma J., Ma Z. (2006) Epidemic threshold conditions for seasonally forced SEIR
models. Math. Biosci. Eng. 3, 161-172.
* Ministère de la Santé Publique du Maroc (2001) Etat d'avancement des
programmes de lutte contre les maladies parasitaires. Direction de
l'épidémiologie et de lutte contre les maladies, Rabat.
* Rabinovich J. E., Feliciangeli M. D. (2004) Parameters of Leishmania
Braziliensis transmission by indoor Lutzomyia Ovallesi in Venezuela. Am. J.
Trop. Med. Hyg. 70, 373-382.
* Ross R. (1911) The Prevention of Malaria. John Murray, London.
* Thieme H. R. (1984) Renewal theorems for linear periodic Volterra integral
equations. J. Integral Equations 7, 253-277.
* Williams B. G., Dye C. (1997) Infectious disease persistence when
transmission varies seasonally. Math. Biosci. 145, 77-88.
Usage: http://www.kk-software.de/kklynxview/get/URL
e.g. http://www.kk-software.de/kklynxview/get/http://www.kk-software.de
Errormessages are in German, sorry ;-)