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.

#3 – Quid de la qualité prédictive des modèles en début d’épidémie ?

Avant de lire cet article, nous vous conseillons de lire d’abord les article #1 et article #2.

Imaginons maintenant que nous soyons au début d’une épidémie d’une nouvelle maladie, par exemple la COVID-19 ! Voici ce qui était observé en France au début, en février et en mars 2020, en termes de nombre de morts cumulés :

Nombre de décès cumulées par jour selon 4 jeux de paramètres (zoom sur le début de l'épidémie)

Données observées en France de mortalité cumulée due à la COVID-19 entre le 1er janvier et le 6 mars 2020 (croix), et prédictions (lignes) du modèle SAIRM pour 4 jeux de paramètres différents, définis dans le tableau ci-dessous. Les données observées présentent des plateaux (1 décès par jour, puis 2 décès par jour), car ce sont les 1ers décès déclarés en France, la propagation venant juste de démarrer.

Superposons aux données observées les prédictions du modèle SAIRM décrit dans les articles précédents pour quatre jeux de paramètres différents. Visuellement, il est difficile de se prononcer quant au scénario qui sera le plus réaliste ! Aucun n’est parfait, le modèle étant par essence une simplification de la réalité. Cependant, ce « petit » modèle a déjà beaucoup de paramètres, qui ne peuvent être estimés précisément à ce stade car les données disponibles ne sont pas « assez nombreuses » … Et pourtant, au dernier point, on est dix jours avant le début du confinement !

Paramètre

Définition

Set 1

Set 2Set 3Set 4

(1-p)

Proportion d’infectés symptomatiques à risque de mourir

1%

50%

20%

20%

βA

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

0.296

0.40

0.15

0.10

βI

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

0.293

0.20

0.30

0.305

1/γA

Durée moyenne dans A (jours)

7.5

5

14.3

25

1/γI

Durée moyenne dans I (jours)

27.5

16.7

33.3

27.8

α

Taux de mortalité des I (par jour)

0.0073

0.00015

0.0073

0.015

date_intro

Date d'introduction du virus

7/01

7/01

10/01

9/01

Valeurs des paramètres pour les 4 scénarios.

On pourrait vouloir utiliser indifféremment ces quatre prédictions, voire même complexifier le modèle pour le rendre plus réaliste, et ainsi ajouter des paramètres dont on ne connaîtrait toujours pas la valeur… Le problème est que les dynamiques prédites à plus long terme deviennent rapidement très différentes :

Nombre de décès cumulés par jour selon 4 jeux de paramètres

Prédictions des 4 scénarios à horizon de temps plus lointain, du 1er janvier au 18 juin, (170 jours plus tard) : mêmes
les scénarios qui semblaient très proches (noir & vert) ont un écart de 20 000 morts après 100 jours supplémentaires !

Chaque jour compte dans cette course à la prédiction, apportant de nouvelles connaissances et de nouvelles observations utiles pour préciser les paramètres, mais aussi de nouveaux cas et de nouveaux décès… Bien sûr, quand on sera à la fin de l’épidémie, il sera beaucoup plus aisé de calibrer correctement les modèles, mêmes les plus complexes, et de prédire la dynamique épidémique sur la base de données devenues historiques !

L'article#4 discutera des hypothèses du modèle quant au démarrage de l’épidémie.