La modélisation de la maladie à coronavirus 2019 (COVID-19) s’est révélée extrêmement importante pour les politiques de santé publique. Avec des millions de décès et des centaines de millions de cas dans le monde, connaître la propagation probable et le risque de la maladie a aidé les gouvernements à appliquer des mesures de confinement, de distanciation sociale et d’autres restrictions pour minimiser la propagation de la maladie et gagner du temps pour le développement de vaccins.
Étude : Prédire l’imprévisible : comment les politiques et restrictions dynamiques du COVID-19 remettent en question les prévisions des modèles. Crédit d’image : Bihlmayer Fotografie/Shutterstock
Pendant une crise sanitaire et économique mondiale, il était essentiel de trouver un équilibre entre la capacité potentielle d’ouverture de l’économie et le risque de transmission supplémentaire. Les modèles peuvent également aider à sélectionner des zones pour les essais de vaccins en déterminant la probabilité géographique de taux d’incidence élevés. Un modèle particulier basé sur des agents a été utilisé pour identifier les taux potentiels de propagation du COVID-19 entre juin et août 2020. Les chercheurs du Burnet Institute de Melbourne l’ont utilisé pour étudier la précision de la modélisation COVID-19.
Une version préimprimée de l’étude est disponible sur le site medRxiv* serveur pendant que l’article est soumis à une évaluation par les pairs.
L’étude
Le modèle initial prédit les taux d’incidence et de diagnostic du COVID-19 dans le monde, en examinant 72 sites en Australie, en Belgique, au Brésil, en France, en Italie, au Mexique, aux Pays-Bas, en Afrique du Sud, en Espagne et aux États-Unis. Il a prédit les cas pour une fenêtre de six semaines en septembre et octobre 2020, deux à trois mois à compter de la date des prévisions. Cette fenêtre de six semaines était le moment où le vaccin Janssen commencerait les essais cliniques.
Le modèle utilisé était un modèle à base d’agents qui simule des entités de prise de décision appelées agents qui fondent leurs décisions sur une série de règles. Dans ce cas, 100 000 agents ont été utilisés représentant des individus qui interagiraient les uns avec les autres. Le modèle a été calibré pour chacun des 72 emplacements à l’aide de plusieurs variables : taille de la population, structure par âge, répartition de la taille des ménages, données de contact par le biais de l’emploi, contacts familiaux et scolaires/communautaires et estimations des paramètres mondiaux de la maladie.
Des interventions telles que les tests, la recherche des contacts, la quarantaine et d’autres restrictions telles que la distanciation sociale ou l’utilisation de masques pourraient être mises en œuvre pour modifier le modèle. Cinq modèles ont été initialement créés – ne montrant aucun changement dans les restrictions, un assouplissement de 10 % des restrictions (et une augmentation de 10 % de la transmission individuelle), un assouplissement de 20 % des restrictions et une augmentation de la transmission, et un modèle sans infections importées de l’extérieur ainsi qu’un modèle avec des tests constants. Les données ont été recueillies à partir des simulations une fois que les modèles ont été ajustés pour l’exactitude avec la réalité actuelle dans chaque domaine.
Les chercheurs ont examiné à quelle fréquence les données se situaient dans les limites supérieure et inférieure initialement spécifiées et quelles conditions étaient statistiquement significatives dans le succès ou l’échec des modèles pour évaluer l’exactitude de leur modèle initial. Malheureusement, 45/72 projections sont tombées en dehors des limites et n’étaient pas exactes.
En règle générale, les modèles les plus proches de la réalité avaient correctement prédit les futurs taux de politique de santé ou de tests ou des périodes de projection plus longues. D’autres facteurs non impliqués dans la prédiction qui se sont avérés bénéfiques pour l’exactitude étaient une population plus jeune ou des taux de chômage ou de pauvreté plus élevés. Une population plus jeune pourrait aider davantage à assumer la transmission, car il y aura moins d’individus dans les maisons de soins infirmiers et une population généralement plus résistante.
Comme des indices de privation plus élevés sont corrélés à une transmission et à une gravité accrues, une pauvreté et un chômage plus élevés pourraient également être bénéfiques pour prédire la propagation de la maladie. Le facteur le plus important était de loin les hypothèses de politique de santé publique. Les prédictions les plus erronées se sont produites lorsque la modélisation a prédit le changement de restriction opposé à la réalité, comme le relâchement de la restriction lorsque le modèle a montré des restrictions plus strictes. Même lorsque les scientifiques ont correctement deviné la direction des changements, les modèles n’étaient précis que dans 49% des cas.
Conclusion
Les auteurs soulignent les changements politiques rapides de plusieurs gouvernements comme l’une des difficultés de la modélisation de toute maladie, en particulier dans le cadre de la pandémie de COVID-19. En particulier au début de la pandémie, ainsi qu’au moment du relâchement initial des restrictions, les conseils du gouvernement pourraient changer régulièrement, rendant difficiles les prévisions précises. Les chercheurs soutiennent que cela soutient la nécessité d’une révision plus poussée de la modélisation et des projections à mesure que les politiques gouvernementales changent, ainsi que de révéler les risques d’une modélisation trop lointaine dans le futur. De plus, les résultats montrent l’importance des politiques de santé publique à la fois pour comprendre la propagation des maladies et prévenir cette propagation.
Les changements imprévisibles et parfois peu intuitifs expliquent en grande partie les échecs des modèles COVID-19 et motivent fortement les chercheurs à travailler autant que possible avec les décideurs politiques et à demander l’avis d’experts comportementaux pour déterminer la réaction à certaines restrictions.
*Avis important
medRxiv publie des rapports scientifiques préliminaires qui ne sont pas évalués par des pairs et, par conséquent, ne doivent pas être considérés comme concluants, orienter la pratique clinique/le comportement lié à la santé, ou traités comme des informations établies
