L’utilisation d’exposants fractionnaires dans les modèles épidémiques pourrait améliorer les prévisions de propagation de la maladie

Une nouvelle classe de modèles épidémiologiques basés sur une réflexion alternative sur la façon dont les contagions se propagent, en particulier dans les premières phases d’une pandémie, fournissent un plan pour une modélisation épidémique plus précise et améliorent les prévisions et les réponses de propagation de la maladie, selon une étude publiée récemment dans Scientific Reports par chercheurs de l’Université de Californie, d’Irvine et d’autres institutions.

Dans l’article, les scientifiques ont déclaré que les modèles épidémiques standard supposent à tort que la vitesse à laquelle une maladie infectieuse se propage dépend d’un simple produit du nombre de personnes infectées et sensibles. Les auteurs suggèrent plutôt que la transmission ne se fait pas par mélange complet de populations entières, mais à la frontière de sous-groupes d’individus infectés.

Les modèles épidémiologiques standard reposent sur la présomption d’un fort mélange entre les individus infectés et non infectés, avec un contact généralisé entre les membres de ces groupes. Nous insistons plutôt sur le fait que la transmission se produit dans des cellules géographiquement concentrées. Par conséquent, à notre avis, l’utilisation d’exposants fractionnaires nous aide à prédire plus précisément les taux d’infection et de propagation de la maladie. « 

Tryphon Georgiou, co-auteur, Professeur émérite UCI de génie mécanique et aérospatial

Les chercheurs ont proposé une «alternative de puissance fractionnée» aux modèles habituels qui prend en compte les populations sensibles, infectées et récupérées. La valeur des exposants dans ces modèles fractionnaires (fSIR) dépend de facteurs tels que la nature et l’étendue du contact entre les sous-populations infectées et saines.

Les auteurs expliquent qu’au cours de la phase initiale d’une épidémie, l’infection se propage des porteurs de contagion vers la population générale. Étant donné que le nombre de personnes sensibles est beaucoup plus important que celui des personnes infectées, la limite des cellules infectées s’échelonne à une puissance fractionnaire inférieure à une de la surface des cellules.

Les chercheurs ont testé leur théorie à travers une série de simulations numériques. Ils ont également adapté leurs modèles fractionnaires aux données réelles du Johns Hopkins University Center for Systems Science and Engineering. Ces données couvraient les premiers mois de la pandémie de COVID-19 en Italie, en Allemagne, en France et en Espagne. Grâce aux deux processus, ils ont trouvé que l’exposant était compris entre 0,6 et 0,8.

Lorsqu’elles sont présentées sur un graphique, les données de l’Université Johns Hopkins sur les taux d’infection en Italie au cours des premiers mois de la pandémie COVID-19 montrent le changement du nombre d’individus infectés et la croissance ultérieure de l’épidémie. Cette trajectoire correspond à une puissance fractionnaire de la sous-population infectée à différents moments de la progression épidémique. Tryphon Georgiou / UCI

« L’exposant fractionnaire influe de manière substantiellement différente sur la façon dont l’épidémie progresse au cours des phases précoces et ultérieures, et par conséquent, l’identification de l’exposant correct prolonge la durée sur laquelle des prévisions fiables peuvent être faites par rapport aux modèles précédents », a déclaré Georgiou.

Dans le contexte de la pandémie actuelle de COVID-19, une meilleure connaissance de la propagation des infections pourrait aider à prendre des décisions liées à l’institution de mandats de masquage et de distanciation sociale dans les communautés.

« Des modèles épidémiologiques précis peuvent aider les décideurs à choisir la bonne ligne de conduite pour aider à prévenir la propagation des maladies infectieuses », a déclaré Georgiou.

Parmi les collaborateurs de ce projet figuraient Amirhossein Taghvaei, stagiaire postdoctoral UCI en génie mécanique et aérospatial; Larry Norton du Memorial Sloan Kettering Cancer Center, New York; et Allen Tannenbaum de l’Université Stony Brook, New York. Le soutien a été fourni par le Bureau de la recherche scientifique de l’armée de l’air, la National Science Foundation et le National Institute of Aging.