La modélisation épidémiologique et son usage pour gérer la COVID-19

#12 - Influence des contacts sur l'épidémie de COVID-19

Analysons plus en détail quelques scénarios de contacts. Nous utilisons encore le modèle présenté article #6, donc à très large échelle. N’oublions pas que nous y faisons l’hypothèse d’une population homogène (tout le monde peut potentiellement rencontrer tout le monde), ce qui est peu réaliste à une échelle nationale mais permet de mobiliser un modèle simple. Le modèle est calibré pour prédire une dynamique d’infection telle qu’observée (nombre cumulé de morts, nombre de personnes hospitalisées, nombre de personnes en soins intensifs). Le virus est introduit ici le 25/01 dans une population de 70 millions d’habitants.

Tableau des paramètres du modèle

Nous avons testé en quoi la réduction des contacts impactait le nombre de morts cumulés, de personnes à l’hôpital et de personnes en unités de soins intensifs, en considérant 3 phases : une phase avec des contacts normaux (valeur de référence = 1), puis deux phases de durées et d’intensité des contacts variables (tableau ci-dessous).

Scénarios de contacts : 3 phases sont définies avec des contacts potentiellement différents entre phases

Les prédictions du modèle sont très sensibles à la fois à l’intensité des contacts et à la précocité de leur réduction (figures ci-après). Des contacts non modifiés induisent un très fort pic épidémique (en rouge). Réduire de 70% les contacts à partir du 16/3 (en marron) réduit sensiblement l’épidémie mais sans la contenir. Au contraire, réduire de 85% à 90% les contacts à partir du 16/3 induit une épidémie similaire à celle observée ou légèrement plus faible. Les données observées se situent entre deux scénarios : réduire de 85% les contacts durablement à partir du 16/3 (en noir) ou réduire de 90% les contacts à partir du 16/3 puis permettre un relâchement avec une petite ré-intensification des contacts (réduction de 70%) à compter du 1/6 (en bleu nuit). Ces deux scénarios (noir et bleu) conduisent à une extinction progressive de l’épidémie. Cependant, tout autre scénario de relâchement conduit à une deuxième vague épidémique plus ou moins tardive (en violet : identique au cas noir du 16/4 au 11/5 (85% de réduction), puis relâchement avec 70% de réduction ; en turquoise et orange : identiques au cas bleu nuit (90% de réduction à compter du 16/4 puis 70% en phase 3) mais avec un démarrage de la phase 3 plus précoce, les 11/5 et 16/4, respectivement. De manière très intéressante, une réduction durable de 85% des contacts plus précoce (le 9/3, en vert) est de loin le meilleur scénario prédit par ce modèle.

Figure : Nombre d’individus à l’hôpital, en unité de soins intensifs (ICU) ou morts cumulés au cours de l’épidémie de COVID19 en France pour différents scénarios de contacts (les ‘+’ indiquent les données observées).

Utiliser un modèle mécaniste comme celui présenté en article #6 permet de hiérarchiser facilement un large panel de scénarios de lutte contre l’épidémie, et de comparer ces scénarios à des situations de référence sans gestion. Cependant, comme nous l’avons discuté dans les articles précédents, il est très difficile de calibrer de tels modèles, d’autant plus que leur complexité augmente. Bien souvent, les données requises pour atteindre un niveau acceptable de précision ne sont réunies (si elles le sont) qu’en fin d’épidémie, lorsqu’il est trop tard pour prendre des décisions de gestion précises.

Néanmoins, la modélisation mécaniste contribue largement à mieux comprendre des systèmes biologiques complexes, à en identifier les possibles levier de maîtrise, à identifier également les principales lacunes de connaissances, et enfin à comparer au moins qualitativement des scénarios, les positions relatives de scénarios étant souvent robustes à l’incertitude sur les valeurs des paramètres du modèle. Cette approche doit être combinée à d’autres approches d’épidémiologie, et s’appuyer aussi sur des expertises multiples quant aux composantes du système biologique à gérer (le virus, les hôtes, les possibilités de gestion, etc.), ce tout le long du processus de modélisation (Cf. article #9).