Les scientifiques comparent parfois la prévision du cours des épidémies pour prévoir la météo. Mais il y a une différence majeure – l’impact du comportement humain – disons Alessandro Vespignani, directeur du réseau des sciences du Northeastern University.
Considérez ce qui se passe pendant une averse, dit-il. « Si nous ouvrons tous un parapluie, il pleuvra quand même. »
« Dans les épidémies, si nous ouvrons tous le parapluie dans le sens où nous nous comportons différemment, l’épidémie se propagera différemment », explique Vespignani. « Si nous sommes plus opposés au risque, nous pourrions éviter les endroits. Nous pourrions nous laver les mains plus et ainsi de suite. »
Cela fait de la modélisation de l’interaction entre le comportement humain et la transmission des maladies infectieuses l’un des principaux défis clés de l’épidémiologie, selon un journal Vespignani et ses collègues publiés dans le Actes de l’Académie nationale des sciences.
« Il est très difficile d’intégrer le comportement dans les modèles », d’autant plus que les modèles comportementaux existants manquent souvent d’étalonnage des données du monde réel, explique Vespignani, professeur distingué de la famille Sternberg de Northeastern.
Mais maintenant, grâce à ce qu’ils ont appris pendant Covid-19, les chercheurs disent avoir trouvé une solution.
La pandémie a publié un flot mondial de données en termes de maladies traçables et de décès, accompagnées de données électroniques telles que la géolocalisation des téléphones mobiles qui indiquent les modifications de changement dans les trajets quotidiens, explique Vespignani.
Autant accès à de tels ensembles de données a conduit les chercheurs à des découvertes surprenantes sur les meilleures façons d’incorporer les changements comportementaux dans les modèles de progression de la maladie, explique Vespignani.
« Nous déplaçons vraiment la frontière de l’analyse épidémique et des épidémies et les prévisions au niveau supérieur », dit-il.
« Toutes les données accumulées au cours des dernières années et les connaissances créent une compréhension qui, espérons-le, nous mettra dans un endroit différent la prochaine fois que nous devons gérer une menace de maladie infectieuse. »
L’étude a examiné trois modèles comportementaux différents – un axé sur les données et deux mécanistes – acrossant neuf zones géographiques pendant la première vague de Covid pour évaluer la façon dont elles ont pu capturer l’interaction entre la transmission et le comportement de la maladie.
Le modèle mécaniste, qui décrit le mécanisme des changements de comportement, a souvent des performances supérieures ou équivalentes au modèle axé sur les données, qui utilise des données de mobilité pour capturer les changements comportementaux, en proposant à la fois une prévision à court terme et une analyse rétrospective, explique Vespignani.
« Dans un sens, cela a été un peu une surprise », compte tenu de la préférence traditionnelle des scientifiques pour la modélisation des données, dit-il.
Un avantage majeur des modèles mécanistes est de savoir comment ils ont pris en considération que les individus exposés à la nouvelle de la pandémie ont commencé à changer leur comportement avant même que les mandats ne soient établis, dit Vespignani.
Et l’aversion au risque s’est développée à mesure que la propagation covide et davantage de personnes ont été infectées.
« Il y a une composante spontanée à ce que font les gens qui doivent être intégrés dans lesquels nous pensons à la trajectoire de la maladie », explique Vespignani.
« Cela ouvre de nouveaux scénarios dans la façon dont nous allons prévoir et analyser les maladies infectieuses à l’avenir lorsque nous pouvons enfin (mettre) cette composante comportementale pour fonctionner.
« Dans de nombreux cas dans le passé, nous avons dû travailler avec des ensembles de données très limités, généralement sur la grippe. Nous n’avions pas de données aussi à grande échelle », dit-il.
« Maintenant, avec Covid-19, nous avons des données du monde entier à toutes les résolutions géographiques, afin que nous puissions vraiment tester les modèles. »
Pour l’étude, les chercheurs ont incorporé des données des départements de la santé et du gouvernement à Bogota, Chicago, Jakarta, Londres, Madrid, New York et Rio de Janeiro, ainsi que Santiago, Chili et la province de Gauteng en Afrique du Sud.
« Nous avons des données sur les décès. Nous avons des données sur les infections. Nous avons des données sur les hospitalisations », explique Vespignani.
En plus des données sur la santé, les chercheurs ont également eu un accès sans précédent à l’analyse des entreprises technologiques sur la mobilité et le comportement des consommateurs, explique Vespignani. « Au cours de la covide, il y a eu un effort de toutes les mains sur le pont et nous avons donc finalement obtenu des données qui n’étaient pas disponibles auparavant », dit-il.
À l’avenir, les chercheurs peuvent utiliser les modèles pour intégrer les changements de comportement dans les projections non seulement des pandémies mais aussi des maladies respiratoires saisonnières, explique Vespignani.
Il aidera les responsables de la santé et du gouvernement à développer les meilleures approches pour communiquer les risques et développer des stratégies de réduction des risques, dit-il.
« Dès que l’incidence (de la maladie) grandit et que vous ou vos amis commencez à tomber malade, vous serez plus prudent. Vous commencerez à vous comporter différemment », explique Vespignani. « Enfin, à travers les équations, à travers des mécanismes spécifiques, nous pouvons intégrer (les changements comportementaux) dans la description de la progression de la maladie à travers la population. »
