Une récente étude révolutionnaire a introduit une nouvelle méthodologie qui améliore considérablement la précision des estimations épidémiologiques pour les maladies infectieuses comme la COVID-19.
L’étude, intitulée « Surmonter les biais dans l’estimation des paramètres épidémiologiques avec une dynamique réaliste de propagation des maladies dépendante de l’histoire », a été publiée dans Communications naturelles.
L’équipe de recherche, dirigée par le professeur Kim Jae Kyoung du KAIST et chercheur en chef du groupe de mathématiques biomédicales au sein de l’Institut des sciences fondamentales (IBS), avec le Dr CHOI Sunhwa de l’Institut national des sciences mathématiques (NIMS) et le professeur CHOI Boseung de l’Université de Corée, a abordé un défi de longue date dans la modélisation des maladies infectieuses.
Les modèles précédents utilisaient principalement une dynamique indépendante de l’histoire, qui supposait une probabilité constante de transition entre les différents stades de la maladie, quel que soit le temps écoulé depuis l’exposition. Cette approche peut conduire à un biais important dans l’estimation de paramètres critiques tels que le nombre de reproduction (R), la période de latence et la période infectieuse.
En revanche, la méthode nouvellement développée par l’équipe adopte un cadre dépendant de l’histoire, dans lequel la probabilité de transition entre les stades de la maladie change avec le temps.
Cette approche de modélisation réaliste élimine les biais introduits par les méthodes conventionnelles et permet des prévisions plus précises de la propagation de la maladie, même lorsque seules des données sur les cas confirmés sont disponibles. Ceci est crucial pour déterminer l’efficacité des stratégies d’intervention telles que les campagnes de distanciation sociale et de vaccination.
Le professeur Kim Jae Kyoung a expliqué : « Notre recherche représente un changement de paradigme dans l’estimation des paramètres épidémiologiques. En surmontant les limites des modèles précédents, nous pouvons désormais fournir aux responsables de la santé publique des données plus précises sur la dynamique de la maladie. Cela permettra à terme des stratégies d’intervention plus efficaces. nous aidant à mieux gérer et contrôler les épidémies de maladies infectieuses.
Le Dr Choi Boseung de l’Université de Corée, un autre auteur correspondant, a ajouté : « La nouvelle méthode nous permet d’estimer avec précision la distribution de la période infectieuse, même lorsque cette période change au fil du temps en raison de diverses mesures d’intervention et de l’évolution de la maladie. Cette flexibilité dans l’estimation des paramètres a été auparavant impossible en utilisant les modèles traditionnels, notre travail aura un impact significatif sur la manière dont les épidémiologistes et les responsables de la santé publique réagissent aux futures pandémies.
Utilisant les premières données COVID-19 de Séoul, en Corée du Sud, l’équipe a démontré que la nouvelle méthode fournit des estimations beaucoup plus précises du nombre de reproduction, par rapport aux méthodes conventionnelles. Ils ont constaté que les approches traditionnelles pouvaient surestimer le nombre de reproduction jusqu’à deux fois, ce qui pourrait conduire à des décisions politiques erronées.
Le Dr Choi Sunhwa a déclaré : « Cette recherche marque un progrès significatif dans notre compréhension de la dynamique des maladies infectieuses. La nouvelle méthodologie peut fournir aux responsables de la santé publique des données plus fiables, conduisant à des décisions mieux informées pendant les pandémies.
L’équipe a également développé un package informatique convivial nommé IONISE (Inference Of Non-markovIan SEir model), qui simplifie la mise en œuvre de leur méthode d’inférence avancée. IONISE prend en charge une variété de modèles épidémiologiques, ce qui le rend adaptable à différentes maladies infectieuses et scénarios d’intervention.
Le Dr Hong Hyukpyo affirme que cette méthodologie révolutionnera le domaine de la modélisation des maladies infectieuses et de l’estimation des paramètres épidémiologiques, ouvrant la voie à des réponses et des stratégies de santé publique plus efficaces lors de futures pandémies.
