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.

#2 – Que prédit ce modèle ?

Pour passer du schéma aux prédictions du modèle, il faut définir :

  • les conditions initiales, c’est-à-dire comment se distribuent les individus de la population entre les différents états de santé au début de la simulation (à t0, le 1er pas de temps) ;
  • les valeurs des paramètres du modèle.

En l’absence d’information précise, comme souvent en début d’épidémie, on suppose que l’épidémie démarre par l’arrivée d’un individu infecté (unique) dans une population entièrement sensible. Ici nous considérons l’arrivée d’un individu asymptomatique (A) dans une population de taille constante N. Pour rappel (voir article #1), les individus de la population sont regroupés par état de santé selon qu'ils sont sensibles (S), asymptomatiques (A), symptomatiques (I), guéris (R), ou morts (M). On a initialement S(t0) = N-1, A(t0) = 1, I(t0) = 0, R(t0) = 0 et M(t0) = 0.

Les valeurs des paramètres ont été choisies pour être cohérentes avec les connaissances disponibles sur la propagation de SARS-CoV-2, et pour qu’au 16 mars (avec t0 = 1er janvier) il y ait 148 morts cumulés (chiffre en France à cette date). Bien sûr, ce modèle rudimentaire n’a pas vocation à être utilisé dans la situation actuelle. Les chiffres sont surtout là pour illustrer notre propos. Certaines valeurs de paramètres peuvent même paraître surprenantes, comme le taux de transmission des I ici inférieur à celui des A. Il ne faut pas oublier cependant qu’une partie des I voient leurs contacts diminuer lorsqu’ils sont malades !!

Paramètre

Définition

Valeur

N

Taille de la population

70 millions

(1-p)

Proportion d’infectés symptomatiques à risque de mourir

1%

βA

Taux de transmission par les A (par individu et par jour)

0.296

βI

Taux de transmission par les I (par individu et par jour)

0.293

1/γA

Durée moyenne dans A (jours)

7.5

1/γI

Durée moyenne dans I (jours)

27.5

α

Taux de mortalité des I (par jour)

0.0073

Valeurs de paramètres retenues pour obtenir un nombre cumulé de 148 morts au 16 mars,
l’épidémie démarrant suite à l’arrivée d’un individu A dans la population sensible au 1er janvier.

 

Sous les hypothèses que nous avons listées dans l’article #1, et pour les conditions initiales et les valeurs de paramètres utilisées, le modèle va prédire les effectifs par état de santé au cours du temps, ainsi que les flux entre états. Il est donc possible de construire de multiples sorties (que le modèle va calculer pour nous) selon ce qui nous intéresse. Ainsi, la courbe épidémique fournit la date du pic épidémique, la proportion d’individus atteints simultanément (i.e. prévalence, 20% de la population à la date du pic épidémique ici), la durée de l’épidémie (80-100 jours ici), ou encore la date d’atteinte d’un seuil de nombre cumulés de cas ou de morts.

Pourcentage d'individus par état de santé

Dynamique épidémique prédite par le modèle SAIRM décrit dans l’article #1, dont les paramètres sont calibrés comme indiqué dans le tableau ci-dessus, et avec comme conditions initiales 1 individu asymptomatique introduit dans une population sensible, sans aucune mesure de maîtrise de l’épidémie. La ligne verticale grise en pointillés indique le 16 mars.

Zoomons maintenant sur la période du 1er janvier (t=0) au 16 mars (t=76). Nous ne voyons que très peu de variations des effectifs par états de santé à cette période qui signe le début de l’épidémie en France. On peut néanmoins regarder le nombre de nouveaux cas quotidiens (aussi appelé incidence de l’infection, i.e. la somme des flux depuis l’état S vers les états A et I) et le nombre de morts (effectifs dans l’état M pour le nombre cumulé de morts ; flux quotidien depuis l’état I vers l’état M pour le nombre de nouveaux décès par jour).

Nombre de décès cumulés par jour

Évolution du nombre cumulé de morts depuis l’introduction du virus dans la population jusqu'au 16 mars.

L'article #3 discutera de la qualité prédictive des modèles.