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.

#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).