En savoir plus

Notre utilisation de cookies

« Cookies » désigne un ensemble d’informations déposées dans le terminal de l’utilisateur lorsque celui-ci navigue sur un site web. Il s’agit d’un fichier contenant notamment un identifiant sous forme de numéro, le nom du serveur qui l’a déposé et éventuellement une date d’expiration. Grâce aux cookies, des informations sur votre visite, notamment votre langue de prédilection et d'autres paramètres, sont enregistrées sur le site web. Cela peut faciliter votre visite suivante sur ce site et renforcer l'utilité de ce dernier pour vous.

Afin d’améliorer votre expérience, nous utilisons des cookies pour conserver certaines informations de connexion et fournir une navigation sûre, collecter des statistiques en vue d’optimiser les fonctionnalités du site. Afin de voir précisément tous les cookies que nous utilisons, nous vous invitons à télécharger « Ghostery », une extension gratuite pour navigateurs permettant de les détecter et, dans certains cas, de les bloquer.

Ghostery est disponible gratuitement à cette adresse : https://www.ghostery.com/fr/products/

Vous pouvez également consulter le site de la CNIL afin d’apprendre à paramétrer votre navigateur pour contrôler les dépôts de cookies sur votre terminal.

S’agissant des cookies publicitaires déposés par des tiers, vous pouvez également vous connecter au site http://www.youronlinechoices.com/fr/controler-ses-cookies/, proposé par les professionnels de la publicité digitale regroupés au sein de l’association européenne EDAA (European Digital Advertising Alliance). Vous pourrez ainsi refuser ou accepter les cookies utilisés par les adhérents de l'EDAA.

Il est par ailleurs possible de s’opposer à certains cookies tiers directement auprès des éditeurs :

Catégorie de cookie

Moyens de désactivation

Cookies analytiques et de performance

Realytics
Google Analytics
Spoteffects
Optimizely

Cookies de ciblage ou publicitaires

DoubleClick
Mediarithmics

Les différents types de cookies pouvant être utilisés sur nos sites internet sont les suivants :

Cookies obligatoires

Cookies fonctionnels

Cookies sociaux et publicitaires

Ces cookies sont nécessaires au bon fonctionnement du site, ils ne peuvent pas être désactivés. Ils nous sont utiles pour vous fournir une connexion sécuritaire et assurer la disponibilité a minima de notre site internet.

Ces cookies nous permettent d’analyser l’utilisation du site afin de pouvoir en mesurer et en améliorer la performance. Ils nous permettent par exemple de conserver vos informations de connexion et d’afficher de façon plus cohérente les différents modules de notre site.

Ces cookies sont utilisés par des agences de publicité (par exemple Google) et par des réseaux sociaux (par exemple LinkedIn et Facebook) et autorisent notamment le partage des pages sur les réseaux sociaux, la publication de commentaires, la diffusion (sur notre site ou non) de publicités adaptées à vos centres d’intérêt.

Sur nos CMS EZPublish, il s’agit des cookies sessions CAS et PHP et du cookie New Relic pour le monitoring (IP, délais de réponse).

Ces cookies sont supprimés à la fin de la session (déconnexion ou fermeture du navigateur)

Sur nos CMS EZPublish, il s’agit du cookie XiTi pour la mesure d’audience. La société AT Internet est notre sous-traitant et conserve les informations (IP, date et heure de connexion, durée de connexion, pages consultées) 6 mois.

Sur nos CMS EZPublish, il n’y a pas de cookie de ce type.

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

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

Dernière mise à jour : Mai 2018

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.

Avant de parler de modélisation et surtout si vous n'êtes pas encore très à l'aise avec les concepts d'épidémiologie, nous vous conseillons la lecture de ce cours en ligne très bien fait : cours "Sars cov-2: l’épidémie".

#1 – Que raconte un schéma de modèle épidémiologique ?

Schéma conceptuel d'un modèle SAIRM

Schéma conceptuel d’un modèle épidémiologique séparant les individus en 4 états de santé (S : sensibles, A : infectés asymptomatiques, I : infectés symptomatiques, R : guéris non excréteurs) et un état « morts » (M). La force d’infection (λ) tient compte de la différence de contribution des individus A et I aux nouvelles infections.

Ce que l’on voit directement sur le schéma :

  • La population est subdivisée en états de santé (compartiments du modèle) : S, A, I, R.
  • La dynamique démographique (naissances, mortalités non dues à la maladie) est négligée.
  • La population vivante décroît au cours de l’épidémie (du fait des mortalités induites, M).
  • Les individus infectés A et I contribuent différemment aux nouvelles infections (ont leur propre paramètre, βA et βI, dans la formule de la force d’infection λ).
  • La vitesse d’apparition de nouveaux infectés dans la population (force d'infection) est proportionnelle à la taille de la population dans laquelle on se trouve. Ça signifie que pour une même proportion d’individus infectés, il y aura une plus grande proportion d'individus sensibles qui vont devenir infectés dans une grande ville que dans un petit village. C'est la notion de densité-dépendance.
  • Après infection, les individus sensibles (S) ont une probabilité p de devenir asymptomatiques (A), et une probabilité (1-p) de devenir symptomatiques (I).
  • Après infection, il y a guérison (R) dans tous les cas pour les individus A, et il y a guérison ou décès pour les individus I.
  • Il n'y a pas de retour à un état sensible, les individus guéris sont considérés immunisés contre ce pathogène et ne peuvent pas se réinfecter sur la suite de l'épidémie. Cette hypothèse est souvent peu réaliste sur une durée longue (perte de l'immunité induite par l'infection au cours du temps) mais peut convenir sur des échelles de temps plus courtes (quelques semaines ou mois).

Ce qui n’est pas explicite mais qui peut avoir son importance :

  • Les individus ne sont pas représentés explicitement, donc ne peuvent pas avoir de caractéristiques propres. De ce fait, l’ensemble des individus dans un même état de santé sont supposés identiques (en moyenne). Ainsi, les S sont tous aussi sensibles les uns que les autres, les I excrètent tous la même quantité de virus, etc.
  • L’occurrence des événements faisant sortir un individu d’un état ne dépend pas du temps déjà passé par cet individu dans l’état (modèle Markovien). Ainsi, le taux de mortalité est le même pour tous les individus I, qu’ils viennent de s’infecter ou qu’ils le soient depuis longtemps.
  • Combien de temps reste-t-on en moyenne dans chaque état de santé ?
    Généralement, ces modèles font l’hypothèse que la durée dans un état suit une distribution exponentielle, définie par un seul paramètre : sa moyenne. Par exemple, la durée moyenne dans A est de 1/γA unités de temps (souvent le jour), tandis que la durée moyenne dans I est 1/(γI) unités de temps. Avec un taux de guérison γA de 0.2, les individus asymptomatiques le sont en moyenne 1/0.2 = 5 jours avant de guérir. Cependant, ce type de distribution ne signifie pas que la majorité des individus A le reste 5 jours, mais plutôt qu’une proportion forte d’individus A passe peu de temps dans l’état, tandis qu’une faible proportion y reste très longtemps. En moyenne la durée en A est bien la durée souhaitée, mais la distribution est peu réaliste. C'est pourtant une hypothèse très courante car elle permet de n'avoir qu'un seul paramètres par état, ce qui est très important lorsqu’il y a peu de connaissances ou d’observations pour estimer les paramètres du modèle.
  • Tous les individus peuvent entrer en contact (population non structurée, et hypothèse de mélange homogène). Cette hypothèse est raisonnable jusqu’à une certaine échelle, comme la ville, mais doit être reconsidérée lorsqu’on envisage un modèle à l’échelle nationale voire mondiale.
  • Le modèle est-il déterministe (ses prédictions dépendent de sa structure, des valeurs de paramètres et des conditions initiales) ou stochastique (ses prédictions dépendent aussi du caractère aléatoire de certains événements) ? Des schémas conceptuels similaires sont souvent utilisés dans les deux cas.

Dans l'article #2, nous discuterons de ce que peut prédire ce modèle...