URL

https://www.medrxiv.org/content/10.1101/2020.07.27.20161430v1
Cet article a été publié, et est disponible à l’adresse : https://www.sciencedirect.com/science/article/abs/pii/S1367578820300663

Type d’article

Preprint

Thème

Prédiction de la dynamique de l’épidémie

Que retenir de cet article, en 1-2 phrases ?

Cet article étudie un modèle SIR étendu en prenant en compte une structuration spatiale (régions, villes,…). Après avoir calibré le modèle aux données régionales de l’épidémie de Covid-19 en France jusqu’à la fin du premier confinement, les auteurs cherchent à illustrer la dynamique de l’épidémie après le dé-confinement en prenant en compte les effets de transport.

Objectifs de l’étude / Questions abordées

L’objectif de cet article est de caractériser l’effet du transport entre les régions de France sur la dynamique de l’épidémie de Covid-19 après le dé-confinement du 11/05/2020.
Deux types de structuration spatiale ont été en considérés en fonction des régions et des villes.

Méthode

Dans un premier temps, un modèle SIR étendu avec des classes d’infectés détectés et non-détectés, hospitalisations, soins intensifs, décédés et guéris a été introduit. Les auteurs ont ensuite présenté des intervalles dans lesquels les paramètres du modèle devraient prendre leurs valeurs, en se basant sur les connaissances épidémiologiques dans la littérature (en suivant surtout l’article Charpentier et al (2020)). Ils ont montré qu’en prenant en compte uniquement ces intervalles, il y a une grande incertitude sur les valeurs d’intérêt comme les nombres d’hospitalisations, décédés, le nombre maximal des personnes en soin intensif ou la date où ce maximum est atteint. Pour éviter cette grande incertitude, les auteurs ont ensuite calibré le modèle aux données régionales d’hospitalisation, cas détectés… pendant le confinement, en se basant sur les données fournies par [19,20], et ont ainsi obtenu des paramètres optimaux pour chaque région.
En utilisant ensuite ces paramètres, les auteurs ont étudié numériquement la dynamique de l’épidémie après le dé-confinement en considérant un modèle plus complexe où les individus peuvent se déplacer d’une région/ville à l’autre. Ce changement de modèle vient du fait que pendant le confinement il n’y avait pas beaucoup de déplacements autorisés alors que cela a été libéré après le dé-confinement. Les auteurs ont considéré deux structurations spatiales d’abord en fonction des régions ensuite des villes. Dans le premier cas, ils ont aussi pris en compte une structuration en fonction de l’âge. Notons toutefois que les paramètres de gravité de maladie (taux d’hospitalisation, décès…) sont considérés indépendants des classes d’âge.
Pour les paramètres de mobilité, les auteurs se sont basés sur les données fournies par l’INSEE [22].

Résultats principaux

Les auteurs illustrent des résultats numériques décrivant la dynamique de l’épidémie (des personnes infectées, hospitalisées, décédées…) après le dé-confinement pour toutes les régions. Ils illustrent également l’effet du transport sur l’évolution de l’épidémie dans les villes.
Dans la section de discussion de l’article un modèle plus général de type intégro-différentiel a été proposé.

Commentaire / brève évaluation, limites, ouvertures possibles

L’article fournit une base de travail intéressante pour la modélisation et la prédiction de la dynamique de l’épidémie de Covid-19.
Voici quelques points qui pourraient être améliorés :

  1. Le modèle suppose qu’une proportion constante des infectés est détectée au cours du temps. Or, ce taux dépend de la politique des tests qui a beaucoup évolué au cours du temps.
  2. Le modèle suppose que le taux de transition vers les classes d’hospitalisation, soins intensifs.. est la même pour des personnes infectées détectées et non-détectées. Alors qu’on pourrait s’attendre à ce qu’un taux beaucoup plus important des cas détectés, par rapport aux non-détectés, nécessite hospitalisation.
  3. Les paramètres optimaux sont fournis après la calibration du modèle aux données. Mais les intervalles de confiance et la sensibilité par rapport aux paramètres ne sont pas discutés. Cette calibration permet-elle d’éviter les grandes incertitudes observées numériquement avec les intervalles initialement considérés ?