Un appel à une nouvelle génération de modèles COVID-19

Les modèles épidémiologiques de la flambée et de la propagation initiales du COVID-19 ont été utiles. Le modèle de l'Imperial College, qui prédit un terrifiant 2,2 millions de morts aux États-Unis, a incité les décideurs somnolents à l'action. Le modèle IHME (Institute of Health Metrics and Evaluation) de l’Université de Washington a donné une idée de l’échelle et du calendrier des pics d’hospitalisation. D’autres modèles ont estimé les effets de la quarantaine et des restrictions de voyage, ou cherché à trouver le tournant de la pandémie. Malgré quelques défauts notables, les modèles épidémiologiques ont cumulativement eu un effet bénéfique sur la conversation nationale. Leur capacité à incorporer certaines connaissances épidémiologiques et les données disponibles limitées ont conduit à de meilleures prévisions – et plus difficiles à rejeter ou à nier – du proche avenir que ne le permettaient de simples suppositions.

Maintenant, la situation évolue et les modèles devront également changer. Les ordonnances de maintien à domicile et d'autres mesures de distanciation sociale semblent maîtriser le taux d'infection, et nous avons peut-être juste dépassé le pic du taux de mortalité, mais la pandémie est loin d'être terminée. Des milliers de décideurs à travers le pays, principalement au niveau national et local, devront décider où et quand rouvrir les écoles, assouplir les restrictions commerciales et sociales, permettre aux sports de reprendre et faire une myriade d'autres choix. Les dirigeants fédéraux et étatiques doivent également allouer des tests COVID-19 en raison de pénuries d'approvisionnement, donner la priorité au déploiement du personnel de recherche des contacts et, éventuellement, distribuer des vaccins à ceux qui en ont le plus besoin.

Une nouvelle génération de modèles COVID-19

Les modèles existants ont été utiles, mais ils n'ont pas été conçus pour soutenir ces types de décisions critiques. Une nouvelle génération de modèles qui estiment le risque de propagation du COVID-19 pour des zones géographiques précises – au niveau du comté ou même plus localisé – serait beaucoup plus informative pour ces questions. Plutôt que de produire des prévisions à long terme des décès ou de l'utilisation des hôpitaux, ces modèles pourraient estimer le risque relatif à court terme pour éclairer l'élaboration des politiques locales. À l'avenir, les gouverneurs et les maires ont besoin de numéros locaux, actuels et exploitables.

D'une manière générale, de meilleurs modèles contribueraient considérablement à l'approche de la «réponse adaptative» pour la réouverture de l'économie. Dans cette stratégie, les décideurs politiques assouplissent et resserrent de manière cyclique les restrictions, tentant de revenir vers une économie saine sans aller si vite que les infections peuvent décoller à nouveau. Dans un processus idéal, les restrictions seraient assouplies à un rythme tel qu’un équilibre entre un retour rapide à la normale et une réduction du nombre total d’infections au COVID-19. Bien sûr, cela est impossible dans la pratique, et donc certains ajustements continus – l'activation et la désactivation de diverses commandes – seront nécessaires. Des modèles plus précis peuvent aider à améliorer ce processus, en fournissant un autre objectif dans lequel il sera sûr de relâcher les restrictions, ce qui rend plus facile de se passer de va-et-vient perturbateurs. Un assouplissement plus ou moins continu des restrictions est particulièrement utile, car il est peu probable que les deuxième ou troisième cycles d'interventions (comme la distanciation sociale) atteignent les mêmes taux élevés de conformité que le premier cycle.

La prolifération des données COVID-19

Ces modèles peuvent incorporer des cas, des taux de tests positifs, des informations sur l'hospitalisation, les décès, les décès excessifs et d'autres données COVID-19 connues. Bien que toutes ces sources de données soient incomplètes, un nombre croissant de recherches sur COVID-19 rend les données plus interprétables. Cette recherche deviendra progressivement plus précieuse avec plus de données sur la propagation du COVID-19 aux États-Unis plutôt que des données d'autres pays ou des pandémies passées.

De plus, un large éventail de données non COVID-19 peut également éclairer les estimations des risques: la densité de la population, la répartition par âge, la pauvreté et les taux non assurés, le nombre de travailleurs de première ligne essentiels et les facteurs de comorbidité peuvent également être inclus. Les rapports sur la mobilité communautaire de Google et du tableau de bord de la distanciation sociale d'Unacast peuvent identifier comment les restrictions d'assouplissement changent le comportement. Les estimations sur petites zones permettent également aux modèles de tenir compte du risque de propagation à partir d'autres zones géographiques voisines. Les statistiques géospatiales ne peuvent pas expliquer la propagation infectieuse entre deux grands États voisins, mais elles ajouteraient de la valeur pour les codes postaux adjacents. Enfin, de nombreuses autres sources de données sont en préparation, comme les registres ouverts de données sur les patients, l'étude des National Institutes of Health (NIH) sur les personnes asymptomatiques, les données de symptômes auto-déclarées de Facebook et (potentiellement) de nouvelles enquêtes randomisées. En fait, il existe tellement de flux de données diversifiés et pertinents que les modèles peuvent ajouter de la valeur simplement en consolidant les informations quotidiennes en quelques chiffres de premier plan comparables à travers le pays.

FiveThirtyEight a efficacement expliqué que la fabrication de ces modèles est extrêmement difficile en raison de données incomplètes, d'autant plus que les États-Unis ne testent pas suffisamment ou de manière statistiquement valable. Ces défis sont réels, mais les décideurs utilisent actuellement ces mêmes données très imparfaites pour faire des inférences et des choix politiques. Malgré les nombreux problèmes connus, les élus et les services de santé publique n'ont pas le choix. Souvent, ils évaluent les données sans le temps et l'expertise nécessaires pour effectuer des interprétations statistiques raisonnées basées sur la recherche épidémiologique, ce qui laisse une grande possibilité de modélisation pour aider.

Étapes pour permettre de meilleurs modèles COVID-19

Il y a des mesures à prendre pour activer ces modèles et les rendre aussi informatifs que possible. Premièrement, les Centers for Disease Control and Prevention (CDC) doivent augmenter considérablement la quantité de données qu'ils publient. Bien que l’équipe de l’Université Johns Hopkins doive être félicitée pour son travail, un effort fédéral bien financé est justifié. Le CDC devrait mettre les données à la disposition du public au moins au niveau du comté, avec des informations démographiques, y compris l'âge et la race (particulièrement important en raison des inégalités stupéfiantes dans les décès par COVID-19). Ils devraient également envisager de collecter et de diffuser aux chercheurs un ensemble de données beaucoup plus précis sur le plan géographique, avec des emplacements ponctuels anonymisés des résultats des tests. Pour cela, le CDC devrait envisager soit un référentiel de données réservé aux chercheurs, où ces données sensibles COVID-19 et d'autres peuvent être stockées en toute sécurité, soit une approche différentielle de la confidentialité. Si le CDC a besoin d'un soutien technique pour ce faire, il doit contacter le Census Bureau, le US Digital Service ou des acteurs externes.

Alors que les chercheurs universitaires sont susceptibles de construire ces modèles par eux-mêmes (l'Université de Columbia a déjà un modèle au niveau du comté orienté vers les hospitalisations), avoir plusieurs modèles concurrents informerait mieux les décideurs. Le fait de pouvoir regrouper différents modèles – en combinant leurs estimations en un seul – peut souvent améliorer tout effort individuel. Le CDC et le NIH devraient orienter une partie de leur financement d'urgence du CARES vers cet objectif. S'ils ne le peuvent pas, le Congrès devrait affecter des fonds supplémentaires spécifiquement pour la modélisation. Tout financement de ce type devrait également nécessiter une source ouverte de code modèle et de résultats, et pas seulement des documents méthodologiques préparés à la hâte, pour permettre un débat scientifique significatif. Étant donné les coûts énormes des répercussions économiques et sanitaires de COVID-19, en particulier si des erreurs de politique devaient entraîner une résurgence de la flambée, le coût de ces modèles est négligeable. Cela est particulièrement vrai car ils peuvent améliorer les avantages d'une meilleure collecte de données.

Les modèles peuvent jouer un rôle important dans le chemin de la récupération

Ces modèles n'ont pas besoin de fonctionner seuls. Les estimations à court terme et sur de petites zones du risque COVID-19 peuvent compléter les autres paramètres (tels que le nombre de jours avec déclin consécutif) utilisés pour rouvrir l'économie et réduire la distanciation sociale. Beaucoup plus de tests sont encore nécessaires, et les mesures directes comme les trajectoires des cas, les taux de tests positifs et les hospitalisations ne devraient certainement pas être écartées. Cependant, une approche de modélisation envisagée pourrait aider un décideur local à identifier des causes de préoccupation plus subtiles, comme l'augmentation de la mobilité sociale dans les juridictions adjacentes avec un nombre de cas plus élevé.

La seule alternative aux inférences locales faites par les modèles sont les inférences locales faites exclusivement par l'homme – ces décisions doivent simplement être prises. Sans modèles, de nombreux responsables manqueront des signes d'avertissement ou mal interpréteront les interactions complexes de nombreux flux de données. Ainsi, bien que ces modèles soient certainement imparfaits, ils peuvent servir de test de santé mentale pour aider à former et à examiner les jugements subjectifs.

Il est important de garder à l'esprit que la reprise de cette pandémie peut durer plusieurs mois, voire des années, et les décideurs dans chaque juridiction et à tous les niveaux de gouvernement devront faire des choix importants sur la façon de gérer COVID-19. Cela signifie que les modèles construits maintenant auront de nombreuses opportunités pour éclairer de meilleurs choix politiques, notamment en assouplissant les restrictions et en allouant des ressources médicales limitées. Cette nouvelle génération de modèles pour les scores de risque COVID-19 à court terme et très locaux peut être une boussole indispensable pour aider à naviguer sur la voie du rétablissement.

Vous pourriez également aimer...