En savoir plus

A propos des cookies

Qu’est-ce qu’un « cookie » ?

Un "cookie" est une suite d'informations, généralement de petite taille et identifié par un nom, qui peut être transmis à votre navigateur par un site web sur lequel vous vous connectez. Votre navigateur web le conservera pendant une certaine durée, et le renverra au serveur web chaque fois que vous vous y re-connecterez.

Différents types de cookies sont déposés sur les sites :

  • Cookies strictement nécessaires au bon fonctionnement du site
  • Cookies déposés par des sites tiers pour améliorer l’interactivité du site, pour collecter des statistiques

> En savoir plus sur les cookies et leur fonctionnement

Les différents types de cookies déposés sur ce site

Cookies strictement nécessaires au site pour fonctionner

Ces cookies permettent aux services principaux du site de fonctionner de manière optimale. Vous pouvez techniquement les bloquer en utilisant les paramètres de votre navigateur mais votre expérience sur le site risque d’être dégradée.

Par ailleurs, vous avez la possibilité de vous opposer à l’utilisation des traceurs de mesure d’audience strictement nécessaires au fonctionnement et aux opérations d’administration courante du site web dans la fenêtre de gestion des cookies accessible via le lien situé dans le pied de page du site.

Cookies techniques

Nom du cookie

Finalité

Durée de conservation

Cookies de sessions CAS et PHP

Identifiants de connexion, sécurisation de session

Session

Tarteaucitron

Sauvegarde vos choix en matière de consentement des cookies

12 mois

Cookies de mesure d’audience (AT Internet)

Nom du cookie

Finalité

Durée de conservation

atid

Tracer le parcours du visiteur afin d’établir les statistiques de visites.

13 mois

atuserid

Stocker l'ID anonyme du visiteur qui se lance dès la première visite du site

13 mois

atidvisitor

Recenser les numsites (identifiants unique d'un site) vus par le visiteur et stockage des identifiants du visiteur.

13 mois

À propos de l’outil de mesure d’audience AT Internet :

L’outil de mesure d’audience Analytics d’AT Internet est déployé sur ce site afin d’obtenir des informations sur la navigation des visiteurs et d’en améliorer l’usage.

L‘autorité française de protection des données (CNIL) a accordé une exemption au cookie Web Analytics d’AT Internet. Cet outil est ainsi dispensé du recueil du consentement de l’internaute en ce qui concerne le dépôt des cookies analytics. Cependant vous pouvez refuser le dépôt de ces cookies via le panneau de gestion des cookies.

À savoir :

  • Les données collectées ne sont pas recoupées avec d’autres traitements
  • Le cookie déposé sert uniquement à la production de statistiques anonymes
  • Le cookie ne permet pas de suivre la navigation de l’internaute sur d’autres sites.

Cookies tiers destinés à améliorer l’interactivité du site

Ce site s’appuie sur certains services fournis par des tiers qui permettent :

  • de proposer des contenus interactifs ;
  • d’améliorer la convivialité et de faciliter le partage de contenu sur les réseaux sociaux ;
  • de visionner directement sur notre site des vidéos et présentations animées ;
  • de protéger les entrées des formulaires contre les robots ;
  • de surveiller les performances du site.

Ces tiers collecteront et utiliseront vos données de navigation pour des finalités qui leur sont propres.

Accepter ou refuser les cookies : comment faire ?

Lorsque vous débutez votre navigation sur un site eZpublish, l’apparition du bandeau « cookies » vous permet d’accepter ou de refuser tous les cookies que nous utilisons. Ce bandeau s’affichera tant que vous n’aurez pas effectué de choix même si vous naviguez sur une autre page du site.

Vous pouvez modifier vos choix à tout moment en cliquant sur le lien « Gestion des cookies ».

Vous pouvez gérer ces cookies au niveau de votre navigateur. Voici les procédures à suivre :

Firefox ; Chrome ; Explorer ; Safari ; Opera

Pour obtenir plus d’informations concernant les cookies que nous utilisons, vous pouvez vous adresser au Déléguée Informatique et Libertés de INRAE par email à cil-dpo@inrae.fr ou par courrier à :

INRAE
24, chemin de Borde Rouge –Auzeville – CS52627
31326 Castanet Tolosan cedex - France

Dernière mise à jour : Mai 2021

Menu Logo Principal Oniris

Biologie Epidémiologie et Analyse de Risque en santé animale

BIOEPAR - http://www6.angers-nantes.inra.fr/bioepar

La modélisation épidémiologique et son usage pour gérer la COVID-19

Éclairage sur les modèles mécanistes par l'équipe DYNAMO

Au cours des prochaines semaines, nous présenterons quelques éléments clés de la modélisation en épidémiologie au travers d'articles courts à vocation pédagogique. Ces articles vous aideront à mieux comprendre et décrypter les hypothèses sur lesquelles reposent les modèles épidémiologiques beaucoup utilisés en ce moment, et comment ces hypothèses peuvent impacter les prédictions de la propagation des pathogènes, notamment du SARS-CoV-2. L’objectif est de découvrir les avantages et les limites de la modélisation mécaniste, approche au centre des travaux de l’équipe DYNAMO. Les exemples de modèles seront inspirés des modèles utilisés en ces temps de crise, mais parfois simplifiés pour les rendre accessibles.

#12 - Influence des contacts sur l'épidémie de COVID-19

Analysons plus en détail quelques scénarios de contacts. Nous utilisons encore le modèle présenté article #6, donc à très large échelle. N’oublions pas que nous y faisons l’hypothèse d’une population homogène (tout le monde peut potentiellement rencontrer tout le monde), ce qui est peu réaliste à une échelle nationale mais permet de mobiliser un modèle simple. Le modèle est calibré pour prédire une dynamique d’infection telle qu’observée (nombre cumulé de morts, nombre de personnes hospitalisées, nombre de personnes en soins intensifs). Le virus est introduit ici le 25/01 dans une population de 70 millions d’habitants.

Tableau des paramètres du modèle

Paramètres

Définitions

Valeurs

β

Taux de transmission basal (j-1)

2

σ

Facteur de réduction de l’excrétion des Ip, Ia, Ips (%)

0.5

v1

Contacts résiduels des Iss (%)

0.1

v2

Contacts résiduels des H & ICU (%)

0.1

1/ε

Durée moyenne de la latence (j)

5

1/γp

Durée moyenne de l’état Ip (j)

2

[pa, pps, pms, pss]

Probabilité d’être Ia, Ips, Ims ou Iss (somme = 1)

[0.45, 0.45, 0.09, 0.01]

1/γ

Durée moyenne des états Ia, Ips, Ims, Iss (j)

3

pICU

Probabilité d’aller en unité de soin intensif après Iss

0.25

1/γH

Durée moyenne du séjour à l’hôpital (j)

30

µH

Proportion de H qui vont guérir (%) avant le 01/05 vs. après

[0.4, 0.9]

1/γICU

Durée moyenne des soins intensifs (j)

15

µICU

Proportion de ICU qui vont guérir (%) avant le 01/05 vs. après

[0.2, 0.9]

Nous avons testé en quoi la réduction des contacts impactait le nombre de morts cumulés, de personnes à l’hôpital et de personnes en unités de soins intensifs, en considérant 3 phases : une phase avec des contacts normaux (valeur de référence = 1), puis deux phases de durées et d’intensité des contacts variables (tableau ci-dessous).

Scénarios de contacts : 3 phases sont définies avec des contacts potentiellement différents entre phases

Paramètres

Définitions

Valeurs

c1

Contacts résiduels pendant la phase 2

[1, 0.30,  0.15, 0.15, 0.10, 0.10,  0.10,  0.15]

c2

Contacts résiduels pendant la phase 3

[1, 0.30,  0.15, 0.30, 0.30, 0.30,  0.30,  0.15]

t1

Début de la phase 2

[-, 16/3, 16/3, 16/3, 16/3, 16/3, 16/3, 09/3]

t2

Début de la phase 3

[-, 11/5, 11/5, 11/5, 01/6, 16/4, 11/5, 11/5]

Les prédictions du modèle sont très sensibles à la fois à l’intensité des contacts et à la précocité de leur réduction (figures ci-après). Des contacts non modifiés induisent un très fort pic épidémique (en rouge). Réduire de 70% les contacts à partir du 16/3 (en marron) réduit sensiblement l’épidémie mais sans la contenir. Au contraire, réduire de 85% à 90% les contacts à partir du 16/3 induit une épidémie similaire à celle observée ou légèrement plus faible. Les données observées se situent entre deux scénarios : réduire de 85% les contacts durablement à partir du 16/3 (en noir) ou réduire de 90% les contacts à partir du 16/3 puis permettre un relâchement avec une petite ré-intensification des contacts (réduction de 70%) à compter du 1/6 (en bleu nuit). Ces deux scénarios (noir et bleu) conduisent à une extinction progressive de l’épidémie. Cependant, tout autre scénario de relâchement conduit à une deuxième vague épidémique plus ou moins tardive (en violet : identique au cas noir du 16/4 au 11/5 (85% de réduction), puis relâchement avec 70% de réduction ; en turquoise et orange : identiques au cas bleu nuit (90% de réduction à compter du 16/4 puis 70% en phase 3) mais avec un démarrage de la phase 3 plus précoce, les 11/5 et 16/4, respectivement. De manière très intéressante, une réduction durable de 85% des contacts plus précoce (le 9/3, en vert) est de loin le meilleur scénario prédit par ce modèle.

Nombre de personnes à l'hôpital selon le scénario de contactNombre cumulés de morts par la COVID19 selon le scénario de contact

Nombre de personnes en unité de soins intensifs selon le scénario de contact

Figure : Nombre d’individus à l’hôpital, en unité de soins intensifs (ICU) ou morts cumulés au cours de l’épidémie de COVID19 en France pour différents scénarios de contacts (les ‘+’ indiquent les données observées).

Utiliser un modèle mécaniste comme celui présenté en article #6 permet de hiérarchiser facilement un large panel de scénarios de lutte contre l’épidémie, et de comparer ces scénarios à des situations de référence sans gestion. Cependant, comme nous l’avons discuté dans les articles précédents, il est très difficile de calibrer de tels modèles, d’autant plus que leur complexité augmente. Bien souvent, les données requises pour atteindre un niveau acceptable de précision ne sont réunies (si elles le sont) qu’en fin d’épidémie, lorsqu’il est trop tard pour prendre des décisions de gestion précises.

Néanmoins, la modélisation mécaniste contribue largement à mieux comprendre des systèmes biologiques complexes, à en identifier les possibles levier de maîtrise, à identifier également les principales lacunes de connaissances, et enfin à comparer au moins qualitativement des scénarios, les positions relatives de scénarios étant souvent robustes à l’incertitude sur les valeurs des paramètres du modèle. Cette approche doit être combinée à d’autres approches d’épidémiologie, et s’appuyer aussi sur des expertises multiples quant aux composantes du système biologique à gérer (le virus, les hôtes, les possibilités de gestion, etc.), ce tout le long du processus de modélisation (Cf. article #9).