Pour une approche statistique et dynamique de la propagation du COVID-19
(c)smartboy10
Constatant la dissonance des politiques sanitaires contre la COVID-19, un mathématicien du LSCE (CEA-CNRS-UVSQ) et ses co-auteurs pointent la médiocrité des données (Dans les technologies de l'information (TI), une donnée est une description élémentaire, souvent...) disponibles et la sensibilité intrinsèque des modèles épidémiologiques à ces données. Selon eux, impossible de produire des prédictions du nombre (La notion de nombre en linguistique est traitée à l’article « Nombre...) de contaminations sans une compréhension approfondie des non-linéarités qui sous-tendent la dynamique (Le mot dynamique est souvent employé désigner ou qualifier ce qui est relatif au mouvement. Il...) d'un "système complexe" tel qu'une épidémie.
Alors que l'épidémie de COVID-19 commençait à se propager dans le monde (Le mot monde peut désigner :) entier, des scientifiques de plusieurs pays (Pays vient du latin pagus qui désignait une subdivision territoriale et tribale d'étendue...) (France, Royaume-Uni, Mexique, Danemark et Japon), parmi lesquels Davide Faranda du LSCE, se sont inquiétés de la diversité des approches adoptées par les épidémiologistes.
La description d'une épidémie nécessite bien sûr un modèle physique (La physique (du grec φυσις, la nature) est étymologiquement la...) décrivant son évolution, mais aussi un ensemble (En théorie des ensembles, un ensemble désigne intuitivement une collection...) de données sanitaires pour l'initialiser, comme celles fournies par le Center for Systems Science (La science (latin scientia, « connaissance ») est, d'après le dictionnaire...) and Engineering de l'Université (Une université est un établissement d'enseignement supérieur dont l'objectif est la...) Johns Hopkins aux États-Unis (nombre journalier de nouvelles contaminations, etc.).
En utilisant les données COVID-19 de différents pays, les chercheurs montrent que les prévisions sont extrêmement sensibles au protocole de déclaration et dépendent de manière cruciale du dernier jeu de données disponible, avant que le nombre maximum d'infections quotidiennes ne soit atteint.
Ils proposent une explication physique de cette sensibilité, à l'aide d'un modèle Susceptible-Exposed-Infected-Recovered divisant la population en quatre groupes: ceux qui sont susceptibles d'attraper le virus (Un virus est une entité biologique qui nécessite une cellule hôte, dont il utilise...), ceux qui l'ont contracté mais ne présentent aucun symptôme (Un symptôme représente une des manifestations subjectives d'une maladie ou d'un processus...), ceux qui sont contaminés et, enfin, ceux qui sont guéris ou morts. Pour déterminer comment les gens passent d'un groupe à l'autre, il est nécessaire de connaître les paramètres fondamentaux que sont le taux de contamination, le temps (Le temps est un concept développé par l'être humain pour appréhender le...) d'incubation (L'incubation est la période pendant laquelle les ovules sont couvés, de manière à les maintenir...) et le temps de guérison (La guérison est un processus biologique par lequel les cellules du corps se...).
Les scientifiques perturbent de manière aléatoire ces paramètres pour simuler la variabilité dans la détection des patients, dans les mesures de confinement prises par les différents pays, ainsi que dans l'évolution des caractéristiques du virus ou la présence de super-contaminateurs. Leurs résultats, qui ne sont pas spécifiques à la COVID-19, suggèrent qu'il existe des raisons physiques et statistiques pour attribuer un faible niveau de confiance aux prévisions purement statistiques malgré leurs scores apparemment bons.
"Les paramètres fondamentaux ne sont connus qu'avec une incertitude importante. En particulier, le recensement (Le recensement est une opération statistique de dénombrement d'une population.) des contaminations est la plupart du temps incomplet, si bien que les modèles produisent des résultats incroyablement divergents, souligne Davide Faranda, chercheur (Un chercheur (fem. chercheuse) désigne une personne dont le métier consiste à faire de la...) au LSCE. Par exemple, le fait de sous-estimer de 20 % le nombre de personnes infectées peut faire varier les estimations finales de quelques milliers à quelques millions de malades".
Les chercheurs montrent en particulier que les prédictions en temps quasi-réel des infections COVID-19 varient fortement en fonction du dernier relevé disponible. La dynamique de l'épidémie est donc ultrasensible aux paramètres du modèle pendant la phase (Le mot phase peut avoir plusieurs significations, il employé dans plusieurs domaines et...) initiale de croissance. Cela signifie que les prédictions réalisées au début d'une vague (Une vague est un mouvement oscillatoire de la surface d'un océan, d'une mer ou d'un lac. Les...) épidémique manquent de la solidité attendue pour définir les mesures de protection les plus adéquates.
De plus, les incertitudes résultant à la fois de la médiocrité des données et d'estimations erronées des paramètres (taux d'incubation, d'infection et de guérison) se propagent en s'amplifiant pour les extrapolations à plus long terme.
L'approche des chercheurs leur a permis de réaliser plusieurs scénarios de propagation de la COVID-19 en France et en Italie dans lesquels, en dépit de grandes incertitudes, la menace d'une 2e vague était bien détectable dès le printemps (Le printemps (du latin primus, premier, et tempus, temps, cette saison marquant autrefois le...) 2020.
Données sanitaires de l'Université Johns Hopkins utilisées par les chercheurs:
- https://systems.jhu.edu/research/public-health/ncov/
- https://github.com/CSSEGISandData/COVID-19
- https://phys.org/news/2020-05-covid-extreme-scientists.html
Lire aussi l'article Modeling COVID-19 data must be done with extreme care, scientists say sur le site Phys.org.
Pour en savoir plus.
Références:
- Asymptotic estimates of SARS-CoV-2 infection counts and their sensitivity to stochastic perturbation, Chaos
- Modeling the second wave of COVID-19 infections in France and Italy via a stochastic SEIR model, Chaos