FARANDA Davide (LSCE-IPSL, CNRS), PÉREZ CASTILLO Isaac, HULME Oliver, JEZEQUEL Aglaé, LAMB Jeroen, SATO Yuruzu, and THOMPSON Erica
https://aip.scitation.org/doi/10.1063/5.0008834
La Covid-19 affecte actuellement plus de 180 pays dans le monde et fait peser de graves menaces sur la santé publique ainsi que sur la stabilité économique et sociale de nombreux pays. Modéliser et extrapoler en temps quasi réel l’évolution de l’épidémie de Covid-19 est un défi scientifique, qui nécessite une compréhension approfondie des non-linéarités qui minent la dynamique des épidémies.
Ici, nous montrons que les prédictions en temps réel des infections Covid-19 sont extrêmement sensibles aux erreurs de collecte de données et dépendent essentiellement du dernier point de mesure disponible. Nous testons ces idées dans des modèles statistiques (logistiques) et dynamiques (Susceptible-Exposed-Infected-Recovered) qui sont actuellement utilisés pour prévoir l’évolution de l’épidémie de Covid-19. Notre objectif est de montrer comment les incertitudes résultant à la fois de la mauvaise qualité des données et des estimations inadéquates des paramètres du modèle (taux d’incubation, d’infection et de récupération) se propagent aux extrapolations à long terme du nombre d’infections.
Référence de publication : Chaos AIP, May 2020 (DOI: 10.1063/5.0008834)