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.

#4 – De l’importance du démarrage (souvent non observé) d’une épidémie

Cet article s’inscrit dans une série et mobilise le modèle SAIRM présenté dans les articles précédents.

Dans un cadre déterministe, i.e. quand on ne tient pas compte de l’aléa des processus modélisés comme c’est généralement le cas en grande population, les prédictions d’un modèle reposent sur trois composantes : (1) la structure du modèle (i.e. son schéma et les équations associées, cf. article#1), (2) la valeur de ses paramètres (cf. article#3), et (3) ses conditions initiales. Nous allons discuter ici de cette 3ème composante et de l’effet que ces conditions initiales peuvent avoir sur les prédictions du modèle à court (régime transitoire) ou à long terme (régime asymptotique).

Tout d’abord, qu’entendons-nous par conditions initiales ? Dans un modèle épidémiologique, c’est la situation de départ qui va potentiellement entraîner la propagation d’un agent pathogène dans la population d’hôtes. Pour que le modèle puisse prédire les effectifs par état de santé au cours du temps, il faut lui dire d’où partir, i.e. comment se distribue initialement la population des hôtes dans ces états.

L’hypothèse la plus commune est d’introduire initialement (à t0) un individu infecté unique dans une population entièrement sensible. Cependant, les conditions réelles peuvent être très différentes ! La date exacte d’introduction du pathogène est généralement inconnue, surtout en début d’épidémie. L'agent pathogène peut être introduit plusieurs fois dans la population, et chaque introduction peut être le fait d'un individu isolé ou de l'arrivée simultanée de plusieurs individus infectés. De plus, les individus infectés ne sont pas identiques : introduire initialement un individu asymptomatique (A) ou symptomatique (I) peut conduire à des dynamiques différentes ! Enfin, la population peut ne pas être totalement naïve, mais avoir été précédemment exposée à l’infection et donc posséder une certaine immunité de population (dont nous parlerons ultérieurement).

Les figures suivantes illustrent l’impact d’une modification des conditions initiales sur les prédictions du modèle. À long terme, les dynamiques se rejoignent, car l’équilibre atteint par un modèle déterministe ne dépend pas des conditions initiales. Cependant, les régimes transitoires (i.e. la dynamique du système avant l’atteinte d’un équilibre, période qui peut être longue) diffèrent largement selon les conditions initiales.

Nombre de décès cumulés par jour selon 6 conditions initiales différentes
Nombre de décès cumulés par jour selon 6 conditions initiales différentes (zoom sur le début de l'épidémie)

Dynamique épidémique jusqu’à 8 mois (1ère figure) ou seulement le début jusqu’au 16 mars (2ème figure) telle que prédite par le modèle SAIRM défini dans les articles précédents pour 6 conditions initiales : 1 vs. 100 individus asymptomatiques (A) ou symptomatiques (I) introduits en t0, ou bien 10 individus A vs. I introduits chaque jour pendant 10 jours.

Ainsi, il y a un mois d’écart entre les scénarios testés avant d’atteindre le nombre de morts cumulés observé au 16 mars. Pourtant, 1 ou 100 individus comparés à 70 millions, on pourrait penser que ce n’est qu’une goutte d’eau ! Une goutte d’eau qui vient bien complexifier le travail des modélisateurs qui cherchent à ajuster leurs modèles aux données disponibles, surtout en début d’épidémie …

L’article#5 discutera des avantages et inconvénients à tenir compte plus finement de l’hétérogénéité des individus infectés dans le modèle.