Photo: tbtb @ depositphotos.com
Comment prévoir l’évolution d’une pandémie dans un monde aussi connecté que le nôtre? Pour des chercheurs du Mila, inclure les données de l’aviation commerciale dans les modélisations serait la solution.
Prévoir comment un virus se propagera dans une population est une tâche incroyablement complexe. Il faut prendre en compte les nombreuses caractéristiques qui influencent sa propagation : l’âge, l’état de santé, le comportement de la population suivie…
Mais dans un monde interconnecté comme le nôtre, il ne suffit plus de faire des modèles pour une ville, une province, ou un pays : chaque déplacement international, chaque vol d’avion entre deux pays, peut influencer la propagation !
« Notre société est globale et connectée, explique Andy Huang, étudiant au doctorat dans le laboratoire de la professeure Reihaneh Rabbany, à l’Institut québécois d’intelligence artificielle (Mila). Si des avions arrivent en provenance de pays où des cas ont été confirmés, il est fort probable que des individus asymptomatiques entrent au pays par ces vols ».
L’équipe du Mila se spécialise dans les relations et les interconnexions dans des ensembles de données. C’est un domaine crucial en intelligence artificielle, mais aussi en épidémiologie à des fins de modélisation. « La professeure Rabbany a proposé d’utiliser les données sur les voyageurs aériens afin d’améliorer la précision des modèles épidémiologiques », spécifie Andy Huang.
Un monde en mouvement
Avant mars 2020, bien malin était celui ou celle qui pouvait expliquer ce qu’était la modélisation épidémiologique. La pandémie a exposé au grand public toute l’importance de ces calculs mathématiques pour orienter les décisions de santé publique.
« La plupart des modèles utilisés par les gouvernements reposent sur la création de compartiments, explique Andy Huang. Vous avez une population d’intérêt, dans ce cas celle du Québec ou du Canada, et vous y catégorisez les personnes susceptibles d’attraper la maladie, celles qui y ont été exposées, celles infectées et celles qui s’en sont remises. C’est le modèle SEIR. »
Pour augmenter la précision d’un modèle, on peut y ajouter des compartiments supplémentaires, tels que les différentes tranches d’âge, le degré de respect des mesures sanitaires ou le taux de vaccination. Selon Andy Huang, en intégrant les informations des vols commerciaux, il devient possible de surveiller le risque de propagation au pays avant même que le premier cas soit confirmé, donnant ainsi une longueur d’avance aux estimations.
« Le modèle SEIR classique repose sur un système en vase clos. On commence en présumant qu’une population malade existe déjà dans le pays et que la situation évolue à partir de là, détaille le doctorant. Mais cela ne prend pas en compte l’arrivée de personnes asymptomatiques capables de déclencher de nouvelles infections avant ou même pendant la modélisation ».
Les chercheurs ont mis à l’épreuve leur modèle avec des données réelles. En utilisant les informations sur les passagers débarqués durant les premiers mois de la pandémie, ils ont montré que leur modèle, nommé Flight-Seir, reflétait mieux la réalité que les modèles classiques.
« Notre modèle prend en compte des informations en constante évolution sur les transporteurs aériens. Chaque jour, nous avons des données sur les vols en provenance de différents pays, puis nous calculons le nombre probable de personnes infectées qui pourraient provenir de ces régions, complète Andy Huang. Cela permet de mieux estimer les cas et permet de meilleures décisions, notamment la mise en place de restrictions sur les déplacements et des conséquences que pourraient avoir une diminution de ces restrictions.
« Prendre en compte les voyageurs contaminés directement dans les modélisations serait même particulièrement utile pour estimer le nombre d’infections sur le territoire dans les premiers mois d’une pandémie, alors qu’on n’a pas nécessairement toutes les ressources pour bien détecter les cas sur le terrain », complète le chercheur.
Vieille idée, nouvelles données
L’idée d’ajouter les informations sur les passagers des vols commerciaux aux modèles épidémiologiques remonte à bien avant la pandémie de COVID-19. Par contre, la stratégie mise en place par l’équipe de la professeure Rabbany a nécessité une bonne dose de débrouillardise. Car si la COVID-19 a changé quelque chose au monde de la modélisation, ce n’est pas nécessairement dans les calculs, mais bien dans la façon d’obtenir des données.
Les compagnies aériennes sont plutôt avares d’informations concernant leurs activités. Obtenir des données de l’industrie aérienne, tels que le nombre de vols effectués, le nombre de passagers, ou certains paramètres de vols, peut coûter des dizaines de milliers de dollars aux scientifiques! « L’intérêt de ces travaux, c’est que ces chercheurs ont pu recomposer des données très acceptables en visitant des sites internet où les chiffres, soit gouvernementaux, soit fournis par des citoyens qui les compilent bénévolement, sont libres d’accès », explique Julien Arino, modélisateur et professeur à l’Université du Manitoba. »
L’accès facile et rapide à ce type d’information a joué un rôle-clé dans le travail des modélisateurs au cours de la pandémie de Covid-19. Julien Arino y voit une différence majeure avec l’épidémie du SRAS, en 2003. « Tous les jours, on devait parcourir les sites web de l’Organisation mondiale de la santé pour y trouver et assembler les données pour savoir comment progressait l’épidémie et on recevait une seule mise à jour par 24 heures. Maintenant, des données de toute sorte sont accessibles et compilées sur le web en temps réel et on récupère tout cela automatiquement. » Même le fameux tableau de bord de l’université Johns Hopkins s’abreuvent entre autres aux informations colligées par les citoyens
Ces progrès changeront la discipline pour le mieux, estime Julien Arino, même s’il reste toujours certaines limites et difficultés. « Dans nos modèles, nous nous sommes concentrés sur le Canada, car c’est un pays pour lequel il est facile d’obtenir des données, souligne Andy Huang. Ailleurs, c’est beaucoup plus complexe. Si notre modélisation pouvait être appliquée à chaque pays, on aurait un modèle global, incluant de multiples populations, ce qui améliorerait davantage les prédictions locales. Mais l’obtention de telles données nécessiterait une très grande coopération. » Chose qui n’est pas gagnée d’avance alors que les nations ont toujours du mal à partager les doses de vaccin.
Cet article fait partie de notre série «Métamorphose» qui explore des solutions aux nombreux problèmes et défis révélés par la pandémie de COVID-19.
