En savoir plus

#6 – Pourquoi représenter l’hétérogénéité des individus infectés dans le modèle ? (2/2)

D’autres facteurs expliquent que les modèles sont parfois complexifiés, notamment au regard des individus infectés. Tout d’abord, les schémas de modèles épidémiologiques sont issus de discussions entre personnes de profils et de disciplines différents : épidémiologie, mathématiques, informatique, mais aussi virologie, médecine, gestion, etc. Ces schémas résultent donc d’un compromis entre parcimonie (donc le moins de paramètres possible) et réalisme (associé à une meilleure lisibilité du modèle par les non modélisateurs). Pour illustrer cela, nous avons décomposé les individus excréteurs selon le niveau d’excrétion (rose vs. rouge), et le niveau de gravité de la maladie (bleu clair ou foncé). Nous avons aussi considéré le niveau d’apparition des symptômes (cf figure ci-dessous). Par rapport au schéma de l’article #5, cela permet de mieux refléter ce que les experts du domaine connaissent de l’infection et de la maladie. Cela permet aussi d’ajuster les paramètres (contacts, niveaux d’excrétion ; cf tableau ci-dessous) et les transitions selon les états de santé. Ainsi, ce schéma considère que seuls les individus ayant des symptômes sévères (I_ss) iront à l’hôpital (H), voire en unités de soins intensifs (ICU), et donc sont à risque de mourir de la COVID-19.

Modèle épidémiologique considérant comme états de santé : sensibles (S), infectés latents non excréteurs (E), infectés excréteurs en incubation (I_p), asymptomatiques (I_a), pauci-symptomatiques (I_ps), modérément symptomatiques (I_ms), aux symptômes sévères (I_ss), à l’hôpital (H), en unité de soin intensif (ICU), guéris (R), et morts (M). La force d’infection (λ) tient compte de la différence de contribution des infectés excréteurs aux nouvelles infections (adapté de Di Domenico et al. report).

Tableau des paramètres du modèle (adapté de Di Domenico et al. report).

Ces valeurs donnent un taux reproductif de base R  = 3.3 hors contrôle.

Ce type de modèle permet par exemple de comparer une situation sans aucune maîtrise avec une situation supposant une mise en confinement de la population générale du 16 mars au 11 mai, puis une distanciation sociale du 11 mai au 26 mai (date de fin des prédictions des figures ci-dessous). Il est possible de s’intéresser non seulement au nombre de morts cumulés (ces observations étant disponibles et permettant de calibrer le modèle), mais également au nombre de personnes en unités de soins intensifs. Ainsi, si le modèle est correctement défini et calibré, il est possible d’identifier quand intervenir pour éviter de dépasser les capacités d’accueil des hôpitaux. Nous détaillerons ces aspects dans un article ultérieur.

Prédiction du modèle en nombre cumulé de morts (1^ère figure) et en nombre de personnes en soins intensifs (2^ème figure), en supposant une introduction du virus le 7 janvier dans la population générale française, et en supposant que le confinement réduit de 90% les contacts, tandis que la distanciation sociale les réduit de 50%. Les données d’observations (croix) correspondent au 16 mars, 5 avril, 11 mai et 26 mai.

De tels modèles peuvent aussi contribuer à tester des interventions ciblées (ex : seuls les symptomatiques sont isolés, avec délai de détection plus long pour les pauci-symptomatiques), ou qui ne s’appliqueraient pas de la même manière à tous les groupes (ex : distanciation sociale demandée à tous, mais moins appliquée par les asymptomatiques). L’article #8 discutera de l’impact des données disponibles sur la qualité prédictive des modèles épidémiologiques