Quels sont les enjeux de l’évaluation numérique d’une épidémie ?
Les simulations numériques de propagation des maladies infectieuses sont un outil crucial pour évaluer le risque épidémique et prendre ensuite des mesures préventives. Ces modèles numériques de processus épidémiques nous permettent de comprendre comment les maladies infectieuses peuvent se propager dans une population et chez les salariés, aussi bien à grande échelle (simulations planétaires pour prédire le déroulement potentiel d’une pandémie) qu’à échelle réduite (une école, un hôpital…).
Comment mesure-t-on le potentiel de propagation d’une maladie infectieuse ?
A toutes les échelles, les modèles bénéficient actuellement d’une accessibilité accrue à des données décrivant le comportement et les interactions chez l’homme. Dans ce cadre, les réseaux de capteurs sans fil tels que Sociopatterns.org ont permis d’importants progrès dans la collecte de données décrivant les contacts entre individus. De telles données, très détaillées, ont été utilisées dans des modèles de propagation de maladies infectieuses afin d’évaluer le risque épidémique et l’impact de stratégies de lutte dans des contextes tels que des écoles ou des hôpitaux.
Ces interprétations sont-elles 100% fiables ?
Non, ces données empiriques sont souvent incomplètes. Soit parce qu’une partie de la population étudiée n’a pas participé à la collecte de données, soit pour des difficultés techniques. De ce fait, une partie des échanges ne figure pas dans les données, ce qui entraîne une sous-estimation des possibilités de transmission entre individus et, en conséquence, une sous-estimation du risque épidémique si des données incomplètes sont utilisées sans précaution. La question est donc de savoir s’il est possible d’utiliser ce type de données incomplètes pour obtenir une estimation correcte du risque épidémique dans une population.
Et alors ?
Une équipe internationale de chercheurs du Centre de physique théorique (CNRS d’Aix Marseille Université, Université de Toulon) et de la Fondation Istituto Interscambio Scientifico (ISI) à Turin (Italie) a développé un algorithme pour compenser ce biais, en remplaçant de façon effective la partie manquante des données par une réplique réaliste des contacts. Collaborant régulièrement avec des épidémiologistes, ces chercheurs ont pu montrer comment certaines des informations collectées (le nombre de contacts entre individus, la durée de ces contacts, le nombre moyen de contacts entre différents sous-groupes) peuvent être extrapolées à partir d’un échantillon partiel afin d’obtenir une évaluation correcte du risque épidémique. Ainsi les estimations deviennent-elles possibles même lorsqu’une fraction importante (jusqu’à 50 %) des contacts est absente des données systématiques.
Une information même partielle et contenue dans des données incomplètes peut-elle alors suffire à obtenir une évaluation correcte ?
Ce résultat montre comment des données, même très incomplètes, concernant les interactions entre individus peuvent en fait contenir suffisamment d’information pour nourrir des modèles détaillés de processus épidémiques. Il représente aussi un élément important pour analyser le niveau de détail nécessaire permettant de renseigner correctement les modèles numériques utilisés pour l’étude de phénomènes épidémiques réels. Il montre en effet quelles propriétés des données il est particulièrement important de mesurer et d’incorporer dans les modèles numériques et donne un moyen pratique pour intégrer de telles données, même fragmentaires, dans de tels modèles.
Propos recueillis par Ségolène Kahn
Références : M. Génois et al., “Compensating for Population Sampling in Simulations of Epidemic Spread on Temporal Contact Networks”, Nature Communications, 13 novembre 2015.
Commentez