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.

#11 - Analyse de la sensibilité du modèle COVID19 à la variation de ses paramètres

Dans cet article, nous analysons la sensibilité du modèle présenté dans l’article #6, avec les valeurs de paramètres estimés dans l’article #8. Nous avons fait varier simultanément de 10% tous les paramètres du modèle (tableau) hormis la date d’introduction du virus estimée précédemment (22/01), ainsi que les dates de début (16/3) et de fin (11/5) de confinement fixées telles qu’observées. Nous avons utilisé ici un protocole d’échantillonnage FAST (Fourier Amplitude Sensitivity Test), et le package « sensitivity » sous le logiciel R.

Tableau des paramètres du modèle

Paramètres

Définitions

Valeurs (min-max)

β

Taux de transmission basal (j-1)

1.48 (1.332-1.628)

σ

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

0.47 (0.423-0.517)

v1

Contacts résiduels des Iss (%)

0.25 (0.225-0.275)

v2

Contacts résiduels des H & ICU (%)

0.25 (0.225-0. 275)

ε

Taux de sortie de la latence (j-1)

0.30 (0.270-0.330)

γp

Taux de sortie de l’état Ip (j-1)

0.66 (0.600-0.733)

f

[pa, pps, pms, pss]

Facteur de variation

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

1.00 (0.900-1.100)

[f*[0.3,0.2,0.3], 1-f*0.8]

γ

Taux de sortie des états Ia, Ips, Ims, Iss (j-1)

0.43 (0.391-0.478)

pICU

Probabilité d’aller en unité de soin intensif après Iss

0.25 (0.225-0. 275)

γH

Taux de sortie de l’hôpital (j-1)

0.07 (0.063-0.077)

µH

Proportion de H qui vont guérir (%)

0.90 (0.89-0.91)

γICU

Taux de sortie de soin intensif (j-1)

0.05 (0.045-0.055)

µICU

Proportion de ICU qui vont guérir (%)

0.70 (0.67-0.73)

c1

Contacts résiduels pendant le confinement

0.10 (0.09-0.11)

c2

Contacts résiduels après le confinement (distanciation)

0.50 (0.450-0.550)

Pour illustrer, concentrons-nous sur trois sorties du modèle : le nombre de cas à la date du pic épidémique (PeakValue), la date de ce pic (PeakDate), et le nombre cumulé de morts sur la période simulée (CumDeaths) (Figure). On observe que le nombre de cas au pic et le nombre cumulé de morts sur la période sont des sorties régies par les mêmes paramètres, essentiellement le taux de transmission basal (β) et les contacts résiduels des ISS (σ). C’est donc la contribution des ISS à la dynamique d’infection qui prévaut. Vient ensuite la durée de la phase de latence (1/ε). La date du pic quant à elle est influencée par ε, ainsi que par la durée dans les infectieux (1/γ), la durée en unité de soins intensifs (1/γICU) et les contacts résiduels pendant le confinement (c1). Les paramètres expliquant moins de 10% de la variation d’une sortie sont généralement considérés non influents.

Indices de sensibilité (FAST) pour les trois sorties analysées

Il est donc clair que toutes les sorties d’un même modèle ne sont pas forcément influencées par les mêmes paramètres, et qu’il convient d’analyser les sorties pertinentes avant d’interpréter les prédictions d’un modèle. Par ailleurs, les résultats indiquent aussi que la date du pic épidémique est peu sensible aux interactions entre paramètres. Au contraire, les deux autres sorties sont fortement influencées par les interactions entre les paramètres impliqués dans la capacité de transmission des individus ISS qu’il conviendrait de mieux préciser pour améliorer la précision du modèle. Enfin, certains paramètres ne semblent jouer aucun rôle sur ces trois sorties. Si la gamme de variation testée est bien pertinente (10% pourrait être un peu faible pour certains paramètres) et si seules ces sorties sont d’intérêt, alors il n’est pas nécessaire de travailler à estimer mieux ces paramètres, voire le modèle peut être simplifié.

Il est à noter que les données utilisées dans l’article #8 ne suffisent pas à estimer suffisamment précisément les valeurs des paramètres clés du modèle, les intervalles de confiance étant supérieurs à 10% autour des valeurs probables. Plus de données sont donc requises avant d’aller plus loin de manière précise !