Sommaire
Pouvez-vous vous présenter et nous parler de votre parcours de recherche en épidémiologie de la modélisation ?
Nous sommes Anna Sigríður Islind et María Óskarsdóttir professeurs assistants au département d’informatique de l’Université de Reykjavík.
En fait, nous n’avons pas beaucoup d’expérience en modélisation épidémiologique, mais Anna Sigríður est une experte en santé axée sur les données et María est une scientifique des données qui a étudié la mobilité. Notre principale contribution à ce projet s’est appuyée sur cette expertise.
Résultats de l’étude. Crédit d’image : Impact de la stratégie de vaccination américaine sur la dynamique des vagues de COVID-19
Pouvez-vous décrire le modèle mathématique que vous avez utilisé dans cette étude et son utilisation précédente pour prédire la deuxième vague de COVID-19 aux États-Unis ?
Le modèle mathématique s’appelle le groupe de renormalisation épidémique et a été développé par nos co-auteurs pour la pandémie de COVID. C’est un cadre qui fournit une seule équation différentielle du premier ordre, qui est apte à décrire l’évolution temporelle du nombre cumulé de cas infectés dans une région isolée.
Nos co-auteurs ont utilisé cette méthode pour prédire la deuxième vague aux États-Unis avant qu’elle ne se produise. Il a également été utilisé pour modéliser les courbes d’infection en Europe.
Pourquoi les données de vol sont-elles utiles dans ce contexte et pourquoi avez-vous choisi cela comme mesure de la mobilité humaine ?
Le paramètre du modèle peut être calibré à l’aide de données réelles, et dans cette étude, nous avons utilisé des données de vol pour estimer le flux de personnes entre les régions des États-Unis. Les données de vol sont un indicateur de la mobilité entre les régions des États-Unis. À cette époque, les États-Unis étaient pour la plupart fermés, c’est-à-dire que peu de gens volaient vers les États-Unis, ce qui signifiait que tout le trafic aérien se passait à l’intérieur des frontières.
C’était donc une bonne méthode pour l’estimer. D’autres types de données de mobilité open source existent, par exemple d’Apple et de Google, mais cela ne décrit que la mobilité au sein d’une région, comme un pays ou une ville, mais les données de vol peuvent être utilisées pour comprendre le flux entre les régions.
Cette étude pourrait-elle être répétée avec plus de types de données sur la mobilité humaine pour déterminer davantage l’effet de la mobilité humaine sur la propagation actuelle de la pandémie de COVID-19 ?
Oui. L’eRG a été utilisé avec des données de mobilité locales (d’Apple et de Google) pour calibrer le modèle au sein d’une région avec de bons résultats, mais c’est la première fois qu’il a été utilisé avec des données de mobilité qui capturent les flux de personnes entre les régions.
Pourquoi les programmes de vaccination ne suffisent-ils pas à eux seuls à arrêter la vague actuelle de COVID-19 aux États-Unis et à empêcher de nouvelles vagues ?
Nos prédictions ont été faites fin décembre alors que les vaccinations ne faisaient que commencer et que le taux de vaccination était très faible. À cette époque, la courbe augmentait aux États-Unis, ce qui signifiait qu’il y avait beaucoup de personnes infectées qui en infectaient d’autres. Et nous avons vu que le taux de vaccination actuel n’était pas capable de freiner cette courbe.
Maintenant, le nombre d’infections diminue et une plus grande partie de la population a été vaccinée, ce qui réduit considérablement le risque d’une autre grande vague. De plus, il y a un décalage entre le fait d’être vacciné et celui d’être immunisé contre la maladie, ce que nous avons vu dans nos résultats. Par conséquent, il est important de maintenir une distance sociale même après avoir reçu votre vaccin et jusqu’à ce qu’une partie suffisamment importante de la population ait reçu son vaccin.
Vaccins contre le covid19. Crédit d’image : M-Foto/Shutterstock.com
Comment avez-vous quantifié l’impact de la distanciation sociale et quelle est l’importance de vos résultats ?
Ce que nous avons vu dans nos résultats et nous a aidés à conclure, c’est qu’en raison du délai entre la vaccination et l’immunité, la distanciation sociale est importante pour freiner la vague actuelle.
Que montrent vos résultats sur l’importance d’utiliser des données du monde réel pour éclairer les stratégies de santé publique ?
Les données réelles nous ont permis de calibrer le modèle avec plus de précision, pour obtenir de meilleures prédictions. L’utilisation de telles données est de la plus haute importance car elles capturent ce qui se passe réellement dans la population. Comme nous le savons, tous les modèles sont mauvais mais certains sont utiles, et dans ce cas, le modèle est plus utile car il contient une certaine réalité, fournie par les données réelles.
Mais ces types de données doivent répondre à certaines normes pour être utiles, par exemple, elles doivent être tenues à jour et être de bonne qualité.
Comment vos résultats pourraient-ils être utilisés pour assurer une stratégie de vaccination réussie aux États-Unis en ce moment ?
À l’heure actuelle, le taux de vaccination aux États-Unis est assez bon, et une grande partie de la population a été vaccinée, ce qui est excellent. C’est l’objectif que vous voulez atteindre.
En même temps, la vague descend. Il est important de terminer les vaccinations et en même temps de rappeler aux gens qu’ils doivent encore faire attention, se laver les mains et porter leurs masques.
Compte tenu de la trajectoire de la reprise actuelle aux États-Unis, pensez-vous que vos résultats suggèrent que d’autres vagues de la pandémie se produiront ?
C’est difficile à dire. Il existe toujours un risque qu’une nouvelle variante survienne contre laquelle le vaccin actuel ne nous protège pas. Il est également possible que nous devions nous faire vacciner contre le COVID-19 chaque année à l’avenir, comme pour la grippe saisonnière.
Comment vos découvertes pourraient-elles être appliquées au reste du monde ?
Certains oui. En particulier les résultats liés au délai entre la vaccination et l’impact sur la dynamique des vagues. Si les vaccinations commencent alors qu’il y a une grosse vague, l’effet sera limité sur la vague actuelle. Et les mesures non pharmaceutiques resteront importantes pour faire baisser la vague.
Comment des modèles et des données tels que les vôtres pourraient-ils être utilisés pour faire face efficacement aux futures pandémies potentielles ?
Jamais dans l’histoire il n’y a eu autant de données disponibles sur une pandémie ou plus de recherches menées en temps quasi réel. Tous ces efforts nous ont beaucoup appris sur la propagation des virus et l’impact d’une pandémie sur la société.
Toutes ces connaissances sont vitales pour nous aider à faire face aux futures pandémies. Espérons freiner la propagation d’un virus au début pour éviter des effets mondiaux.
Quelle est la prochaine étape de votre recherche ?
Nous regardons maintenant vers l’Europe, et surtout la différence entre les stratégies de vaccination. Nous comparons l’effet des vaccinations des groupes d’âge sur les taux d’infection et la gravité de la maladie.
De plus, nous appliquons notre cadre eRG pour mieux comprendre l’effet du virus sur divers groupes d’âge.
Où les lecteurs peuvent-ils trouver plus d’informations ?
À propos du Dr María Óskarsdóttir
Dr. María Óskarsdóttir est professeure adjointe au département d’informatique de l’université de Reykjavík. Elle est titulaire d’un doctorat. en analyse commerciale de la KU Leuven, Belgique. Elle travaille maintenant comme professeur assistant au département d’informatique de l’université de Reykjavík.
Ses recherches sont axées sur les applications pratiques de la science des données et de l’analyse, grâce auxquelles elle tire parti des techniques avancées d’apprentissage automatique, de la science des réseaux et de diverses sources de données dans le but d’augmenter l’impact du processus d’analyse et de faciliter une meilleure utilisation de la science des données pour la prise de décision. María est directrice des programmes de maîtrise en science des données et science des données appliquées à l’Université de Reykjavík.
À propos du Dr Anna Sigríður Islind
Dr Anna Sigridur Islind est professeure adjointe au département d’informatique de l’université de Reykjavík. Elle est titulaire d’un doctorat. en informatique de l’Université West en Suède. Elle travaille maintenant comme professeur assistant au département d’informatique de l’université de Reykjavík. Ses recherches portent sur les technologies de l’information appliquées et l’utilisation des technologies émergentes.
Plus précisément, elle se concentre principalement sur la conception, le développement et l’utilisation de la technologie numérique en général et sur l’utilisation des données à des fins de santé en particulier. Son rôle actuel comprend la gestion de l’innovation numérique dans des projets de recherche multidisciplinaires et la supervision d’étudiants.
