Les virus émergents – agents pathogènes jusqu’alors inconnus ou confinés à des régions reculées – représentent une menace croissante pour la santé publique mondiale. La COVID-19, Ebola, la grippe aviaire et le monkeypox ont démontré la capacité des virus à se propager rapidement à l’échelle planétaire. L’épidémiologie mathématique offre les outils pour comprendre et anticiper ces épidémies avant qu’elles ne deviennent incontrôlables. La modélisation est devenue l’arme principale contre la propagation virale.
Sommaire
Comprendre les bases : le nombre de reproduction R₀
Le concept fondamental en épidémiologie est le nombre de reproduction de base, noté R₀ (lire « R zéro »). Ce chiffre représente le nombre moyen de personnes qu’une personne infectée contaminera dans une population naïve (sans immunité préalable).
Si R₀ = 2, chaque personne infectée en transmet la maladie à deux autres, créant une croissance exponentielle. La rougeole, très contagieuse, présente un R₀ d’environ 12-18, tandis que la grippe saisonnière se situe autour de 1-2. Durant la première vague de COVID-19, le R₀ était estimé entre 2 et 3. Comprendre cette valeur est crucial : si R₀ > 1, l’épidémie s’accélère ; si R₀ < 1, elle s’éteint progressivement.
Les modèles SEIR : prédire les vagues d’infection
Les épidémiologistes utilisent des modèles mathématiques sophistiqués pour simuler la propagation virale. Le modèle SEIR divise la population en quatre groupes : Susceptibles (S), Exposés (E), Infectieux (I) et Rétablis (R). Les individus progressent de S vers E (exposition), puis vers I (infection contagieuse), enfin vers R (récupération et immunité).
Ces modèles incorporent des paramètres clés : période d’incubation, durée de contagiosité, taux de mortalité et taux de contact. En variant ces paramètres selon les données réelles, les épidémiologistes peuvent projeter le nombre de cas futurs, les pics d’hospitalisation et la surcharge du système sanitaire. Ces projections guident les décisions politiques concernant les mesures de confinement, la vaccination et l’allocation des ressources. Pour plus de renseignements, cliquez ici.
L’impact des interventions : aplatir la courbe
Un des rôles cruciaux de la modélisation est démontrer l’effet des interventions sanitaires. Les mesures de distanciation sociale, le port du masque, la quarantaine et la vaccination réduisent le taux de contact effectif, diminuant ainsi R₀.
Si les interventions réduisent R₀ de 3 à 0,8, l’épidémie bascule du mode exponentiel au mode décroissant. Plutôt que de surcharger les hôpitaux en quelques semaines, la transmission se propage lentement, permettant aux systèmes sanitaires de traiter les patients sans débordement. Cette stratégie de « aplatissement de la courbe » a justifié les mesures de confinement durant la pandémie.
La dynamique spatiale et les frontières
Les virus émergents ne respectent pas les frontières. La modélisation spatiale intègre le mouvement des populations – voyages aériens, migrations, commerce – pour prédire comment une épidémie se propage géographiquement.
Un modèle peut simuler comment une grippe aviaire se dissémine depuis un foyer initial via les réseaux de transport. Ces simulations montrent que même des mesures de quarantaine strictes aux frontières ne peuvent qu’ralentir, jamais arrêter totalement, la propagation mondiale d’un virus très contagieux.
L’importance des données en temps réel
La qualité des modèles dépend entièrement de la qualité des données alimentant ces systèmes. Le nombre de cas confirmés, les hospitalisations, les décès, les tests positifs – toutes ces données permettent aux épidémiologistes d’ajuster les modèles à la réalité observée.
Malheureusement, durant les épidémies, les données sont souvent incomplètes, retardées ou biaisées. Certains cas ne sont jamais testés ; d’autres résultats se perdent dans les systèmes administratifs. Cette incertitude des données limite la précision prédictive, obligeant les modélisateurs à adopter des intervalles de confiance larges.
Les défis des virus émergents
Modéliser un virus émergent pose des défis uniques. Au départ, peu de données existent. Les paramètres biologiques – période d’incubation, taux de létalité – sont inconnus. Les comportements populationnels face à une menace inconnue sont imprévisibles.
Les premiers modèles de la COVID-19 contenaient des incertitudes massives, générant des projections variant de centaines de milliers à millions de décès. Ces projections extrêmes, bien qu’imprécises, ont justement servi à convaincre des gouvernements d’agir rapidement.
