Grâce aux méthodes utilisées en mécanique des fluides, l'évolution d'une pandémie et l'efficacité des mesures gouvernementales de confinement peuvent être évaluées rapidement et avec précision, et des prévisions peuvent être établies. Cette approche est poursuivie par le professeur Dr. Jörn Sesterhenn, chaire de mécanique technique et mécanique des fluides à l'Université de Bayreuth. Ses études de cas appliquent l'assimilation de données – une méthode éprouvée en mécanique des fluides et prévisions météorologiques – au développement de la pandémie corona dans les pays fortement touchés.
Les études de cas sur l'Allemagne et la Bavière, par exemple, montrent clairement l'augmentation des taux de contact après les jours fériés de février et leur affaiblissement du fait des mesures gouvernementales. Ces études de cas et de nombreuses autres, déjà disponibles en ligne, sont basées sur un modèle classique de propagation des épidémies. Pour l'élaboration de modèles plus détaillés, le scientifique de Bayreuth considère qu'il est urgent de coopérer étroitement avec des experts en épidémiologie.
Les études de cas maintenant publiées montrent le nombre de personnes actuellement infectées et celles qui se sont rétablies. Sinon, ces chiffres seraient inconnus. Surtout, les études de cas fournissent des informations sur les taux de contact, c'est-à-dire le nombre de personnes infectées en moyenne par une personne infectée.
Le taux de contact est le seul paramètre dont disposent les décideurs politiques pour maîtriser la pandémie, tant qu'il n'y a pas de vaccin et pas de guérison rapide, et que l'assimilation des données peut être utilisée pour indiquer cela avec beaucoup plus de certitude que ce ne serait normalement le cas. l'affaire. De plus, quelques jours seulement après qu'une mesure de politique de santé a été prise, il est possible de voir avec le recul comment le taux de contact s'est développé au cours de cette courte période. Cette évolution ne se voit pas clairement dans les numéros de cas eux-mêmes après un si court laps de temps. «
Prof. Dr. Jörn Sesterhenn, chaire de mécanique technique et mécanique des fluides à l'Université de Bayreuth
« Cette approche est très prometteuse à mon avis. Plus nos prévisions sur le développement de la pandémie de coronavirus sont précises, plus nous pouvons être ciblés pour agir. Notre priorité absolue est la santé. Mais bien sûr, chaque décision que nous prenons doit toujours prendre en compte l'impact sur notre vie quotidienne. Ce modèle pourrait fournir une orientation supplémentaire « , a déclaré le ministre des Sciences Bernd Sibler. Il a ajouté: « Avec cela, l'Université de Bayreuth montre une fois de plus combien il est important dans la science de mener des recherches au-delà des frontières des sujets. »
Assimilation de données, appliquée à l'épidémie de coronavirus
Chaque évaluation de données complexes et empiriquement vérifiées est basée sur un modèle. L'assimilation des données est une méthode établie en sciences naturelles, en génie et en sciences sociales, qui vise à optimiser le modèle respectif pour les données mesurées. Cela permet d'obtenir d'autres données fiables du modèle, au-delà des données données en ce qui concerne le présent et l'avenir. Le professeur Jörn Sesterhenn est président de la mécanique technique et de la mécanique des fluides à l'Université de Bayreuth. Compte tenu de la propagation inquiétante de la pandémie de coronavirus et du besoin croissant de prévisions valides, il a eu l'idée de transférer cette méthode de recherche éprouvée au coronavirus. Il fonde ses calculs sur deux sources: les données empiriques publiées quotidiennement par l'Université Johns Hopkins et le Robert Koch Institute, et un modèle qui suit une approche classique développée en épidémiologie. Il s'agit d'un modèle dit SIR (Susceptible Infected Removed Model).
Les statistiques de l'Université Johns Hopkins et de l'Institut Robert Koch contiennent les informations publiées sur le nombre de personnes qui ont été testées positives pour le coronavirus, et combien de ces personnes sont décédées entre-temps. « La procédure d'assimilation des données nous offre maintenant la possibilité d'obtenir d'autres informations importantes à partir de ces ensembles de données empiriques – par exemple, combien de personnes dans les pays respectifs sont actuellement infectées par le virus, et combien de personnes seront infectées à l'avenir si certaines les conditions de politique sociale ou de santé restent les mêmes ou changent.
L'effet de certaines mesures de politique de santé peut alors être estimé de façon relativement précise rétrospectivement. Des pronostics valables sont également possibles en ce qui concerne la proportion de personnes qui survivent à une infection avérée. Cela nous permet à son tour de tirer des recommandations pour l'action dans la politique gouvernementale de santé ainsi que pour les individus », explique Sesterhenn. Dans le même temps, le scientifique de Bayreuth souligne que plus le modèle sous-jacent est précis, plus les données ainsi obtenues seront fiables. être.
Besoin urgent: une optimisation interdisciplinaire des modèles
« En mécanique des fluides aujourd'hui, des prévisions fiables peuvent être faites en utilisant l'assimilation de données et des modèles réalistes. Par exemple, grâce à une reconstruction détaillée de la marée noire qui s'est produite dans le golfe du Mexique en 2010, le cours d'une marée noire dans la mer peut être prédit avec un haut degré de précision. En ce qui concerne les analyses et les pronostics de l'épidémie de coronavirus, une coopération interdisciplinaire entre experts est désormais nécessaire de toute urgence. La Royal Society de Grande-Bretagne en a fait la demande, et je suis heureux d'apporter ma contribution. . – Je souhaiterais également voir une équipe d’experts de haut niveau en Bavière. Nous serons plus tôt en mesure de développer les meilleures analyses possibles et fondées et de formuler des recommandations pour lutter contre les coronavirus », insiste Sesterhenn.
La source:
Référence de la revue:
Sesterhenn, J.L (2020) Assimilation basée sur les données conjointes d'un modèle d'épidémiologie pour la pandémie de Covid-19 en 2020. Zenodo. doi.org/10.5281/zenodo.3733244.
