Comment la modélisation des résultats potentiels de la COVID-19 sur le campus a aidé l'Université d'Ottawa

Publié le mardi 30 mars 2021

Auteur : Prof. Stacey Smith?

Stacey Smith

Chercheuse affiliée, ISSP
Professeure titulaire, Département de mathématiques et Faculté de médecine

Le jeudi 25 février, l'ISSP a accueilli Food for Thought: How modelling potential COVID-19 outcomes on campus helped uOttawa. Ce blog est une adaptation des propos de la conférencière.

Le 22 janvier 2020, Wuhan, en Chine, comptait 425 cas confirmés en laboratoire de COVID-19. Au 16 février, il y avait 51 857 infections dans le monde. Lorsque l'Organisation mondiale de la santé a déclaré une pandémie mondiale le 11 mars, il y avait plus de 118 000 infections dans le monde. Le lendemain, j'ai été contacté par l'administration de l'Université d'Ottawa, qui avait un besoin urgent de modélisation pour mieux comprendre ses options pour lutter contre le virus sur le campus. L'administration voulait savoir s'ils ne devaient rien faire, s'ils devaient faire quelque chose, et si oui, quoi? Quelle combinaison de facteurs constitue le meilleur scénario? Qu'est-ce qui fait le pire des cas? Quelles sont les conséquences sur la taille de l'épidémie et la mortalité potentielle sur le campus si nous attendons ou si nous sommes proactifs?

Ce sont les types exacts de questions que la modélisation mathématique peut aider lorsque le temps presse. La modélisation mathématique a un grand avantage: elle est bon marché. C'est aussi rapide; vous n'êtes pas obligé de mener des études cliniques pour obtenir ce que vous recherchez. Le compromis est des données imparfaites et de l'incertitude. En mars 2020, nous ne savions toujours pas grand-chose sur le virus, donc intégrer des individus asymptomatiques dans le modèle était un défi. Ont-ils même infecté les gens? Aujourd'hui, bien sûr, nous savons qu'ils le font, mais c'était en suspens à l'époque. Si tel est le cas, dans quelle mesure pourraient-ils être moins (voire plus) infectieux que les personnes qui présentent des symptômes? Et s'ils récupèrent plus vite ou plus lentement? Sans données, nous devons faire des hypothèses. La vraie question est de savoir si ces hypothèses sont raisonnables ou non. Pour compenser, nous pouvons exécuter plusieurs scénarios pour tester nos hypothèses. Nous pouvons poser beaucoup de questions sur le problème et les modèles peuvent facilement s'y adapter.

Dans ce type de modélisation, il existe des variables et des paramètres. Les variables sont des choses qui changent constamment, comme le nombre d'infections. Ensuite, il y a les paramètres, qui sont des constantes que nous ne connaissons peut-être pas et qui peuvent être modifiées; par exemple, la transmissibilité du virus ou le niveau de distanciation sociale. C'est une différence subtile mais importante. Toutes les cases de la figure ci-dessous étaient nos variables, et ce sont des variables car elles ont des dérivés. S'il n'a pas de dérivé, c'est un paramètre. Afin de construire un modèle, nous combinons les variables et les paramètres en utilisant une compréhension mécaniste de la maladie, basée sur la biologie.

 

 

Voici ce que nous savions le 12 mars:

  • Environ 17% des infections étaient asymptomatiques
  • Le taux de mortalité pour les groupes à faible risque était de 0,2%
  • La plupart des personnes sur le campus, mais pas toutes, sont des personnes très jeunes et en bonne santé

Sur la base des données ci-dessus, notre hypothèse était que la population de l'Université d'Ottawa était un groupe en bonne santé. Cela représentait le meilleur scénario, car il ne traitait pas des valeurs aberrantes de la population comme les professeurs de plus de 70 ans ou les personnes immunodéprimées. Il existe bien sûr une certaine hétérogénéité au sein de la population du campus, mais le temps était une contrainte. Cet exemple montre l'importance, d'un point de vue éthique, d'être clair sur ce que sont ces hypothèses afin que quiconque prend des décisions basées sur la modélisation dispose du plus d'informations possible. Nous avons également modélisé le pire des cas, dans lequel les individus asymptomatiques propagent la maladie autant que les individus symptomatiques; en réalité, nous nous retrouverons toujours quelque part entre les deux extrêmes. Les anciens modèles épidémiologiques pour le SRAS, le MERS, le H1N1 et le virus Ebola ont été étonnamment précis pour la première vague (bien que moins bons pour prédire les secondes vagues), nous avions donc des preuves solides que cette approche serait efficace pour la COVID-19.

Nous avons effectué plusieurs simulations pour essayer de déterminer les résultats possibles à long terme sans interventions telles que la fermeture du campus. Dans le pire des cas, sans intervention, le modèle a estimé que le premier décès apparaîtrait sur le campus environ 115 jours plus tard, avec un total de 6000 cas et 63 décès. À long terme, la plupart des gens ont été infectés. Dans le meilleur des cas sans intervention, le modèle montrait 7 000 cas et 58 décès. Les cas ont en fait augmenté dans le meilleur des cas parce que les individus symptomatiques transmettaient davantage (pour compenser l'absence d'infections chez les personnes asymptomatiques). Mais dans les deux cas, nous aurions eu un désastre si nous n’avions rien fait.

La modélisation d'une réduction de 50% des contacts entre les personnes sur le campus a produit des résultats fascinants. On a parlé à un moment donné de passer à des semaines de 3 jours, ce qui pourrait servir d'approximation approximative pour ce scénario de modélisation. Avec une réduction des contacts de 50%, le modèle a montré que les cas chutaient de plus d'un facteur 10 par rapport à l'absence d'intervention, mais toujours avec 25 décès (gardez à l'esprit que le modèle supposait que la population était entièrement dans le groupe à faible risque). En gros, si vous divisez par deux les contacts, vous divisez par deux les décès, mais vous réduisez les cas par un facteur de 10. Plus nous réduisions les contacts, plus la pandémie durait. Avec à la fois des interventions et des contacts réduits, le modèle montre que nous n'aurions pas vu le premier décès avant le jour 1850 de la pandémie, et seulement 5 décès au total. À l'inverse, si nous n'avions rien fait, le COVID-19 serait passé et aurait tué beaucoup d'entre nous, et nous n'en serions plus à présent. Bien sûr, nous ne voulons pas qu'il tue des gens, alors nous traversons une pandémie plus longue avec moins de décès en conséquence.

J'ai livré les résultats de cette modélisation à 2h00 du matin le 13 mars. Le lendemain matin, le campus de l'Université d'Ottawa a été fermé. Il reste fermé, sauf pour les services essentiels tels que les laboratoires qui ne peuvent pas être laissés sans surveillance. Le premier cas sur le campus est finalement apparu le 17 juillet, sans décès jusqu'à maintenant.

Il existe également quelques limites importantes à ce type de modélisation qui contraindront les décideurs. Plus important encore, il représente un instantané dans le temps avec des données limitées. Il n’a pas pris en compte la biodynamie, comme les mutations du virus ou les changements dans la sensibilité de la population à ce virus. Mais même avec les données limitées dont nous disposions, nous avons pu donner des réponses claires aux questions précises posées par l'administration de l'Université d'Ottawa. Ici, nous voyons vraiment la valeur des modèles sur une conduite rapide. Ils peuvent faire des prédictions et éclairer les politiques, en particulier lorsque les gens sont amenés tôt à construire les modèles en collaboration à partir de zéro. Il ne suffit pas de créer un modèle, de l'envoyer dans le monde et d'espérer que la bonne personne le verra.

Étant donné que ces résultats vont directement à l'interface entre les mathématiques théoriques, les simulations numériques, les données du monde réel et le comportement humain, cela témoigne vraiment de la nécessité d'intégrer les spécialistes des sciences sociales dans ce travail initial. Lorsque les spécialistes des sciences sociales, les biologistes et les mathématiciens se rencontrent et co-développent, c'est là que les modèles peuvent vraiment devenir un outil puissant, rapide et efficace pour la prise de décision.

Haut de page