Au cours des derniers mois, les gouvernements du monde entier ont mis en place des mesures de confinement et de quarantaine afin de limiter la propagation du coronavirus SARS-CoV-2. Ces mesures ont été prises à divers degrés et moments pour chaque pays, menant à des situations différentes pour chacun d’entre eux. Aujourd’hui, les chercheurs s’efforcent de prédire les pics, les plateaux et les chutes du nombre de cas dans chaque pays à l’aide de différents algorithmes. Récemment, une équipe du MIT a mis au point le modèle prédictif de propagation du virus en fonction des mesures de confinement le plus précis existant actuellement.
Chaque jour au cours des dernières semaines, des tableaux et des graphiques traçant le pic projeté des infections de Covid-19 ont été diffusés. Bon nombre de ces modèles ont été élaborés à partir de données d’études sur des épidémies antérieures comme le SRAS ou le MERS. Une équipe d’ingénieurs du MIT a développé un modèle qui utilise les données de la pandémie Covid-19 en conjonction avec un réseau de neurones pour déterminer l’efficacité des mesures de quarantaine et mieux prédire la propagation du virus.
« Notre modèle est le premier qui utilise les données du coronavirus lui-même et intègre deux domaines : l’apprentissage automatique et l’épidémiologie standard », explique Raj Dandekar, chercheur en génie civil et environnemental. Avec George Barbastathis, professeur de génie mécanique, Dandekar a passé les derniers mois à développer le modèle.
Prédire la propagation du virus en fonction des mesures de confinement
La plupart des modèles utilisés pour prédire la propagation d’une maladie suivent ce que l’on appelle le modèle SEIR, qui regroupe les personnes en « sensibles », « exposées », « infectées » et « guéries ». Dandekar et Barbastathis ont amélioré le modèle SEIR en formant un réseau neuronal pour intégrer le nombre d’individus infectés qui sont en quarantaine, et donc qui ne peuvent plus propager l’infection à d’autres.
Le modèle constate que dans des endroits comme la Corée du Sud, où le gouvernement a immédiatement mis en œuvre des mesures de quarantaine strictes et encouragé le port de masques en public, la propagation du virus s’est stabilisée plus rapidement. Dans des endroits qui ont été plus lents à mettre en œuvre des interventions gouvernementales, comme l’Italie et les États-Unis, le « nombre de reproduction effectif » de Covid-19 reste supérieur à un, ce qui signifie que le virus a continué de se propager de façon exponentielle.
L’algorithme d’apprentissage automatique montre qu’avec les mesures de quarantaine actuelles en place, le plateau pour l’Italie et les États-Unis arrivera quelque part entre le 15 et le 20 avril. Cette prédiction est similaire à d’autres projections comme celle de l’Institute for Health Metrics and Evaluation. « Notre modèle montre que les restrictions de quarantaine réussissent à faire passer le nombre de reproduction effectif de plus d’un à plus petit qu’un. Cela correspond au point où nous pouvons aplatir la courbe et commencer à voir moins d’infections », explique Barbastathis.
Un réseau de neurones pour améliorer le modèle épidémiologique standard SEIR
Le duo a commencé à modéliser la propagation du virus dans chacune de ces quatre régions (Chine, États-Unis Italie et Corée du Sud) après l’enregistrement du 500e cas. Cette étape a marqué une délimitation claire de la façon dont les différents gouvernements ont mis en œuvre les ordonnances de quarantaine.
Armée de données précises provenant de chacun de ces pays, l’équipe de recherche a pris le modèle SEIR standard et l’a complété par un réseau de neurones qui apprend comment les individus malades en quarantaine affectent le taux d’infection. Ils ont formé le réseau neuronal à travers 500 itérations afin qu’il puisse ensuite apprendre lui-même comment prédire les tendances de la propagation de l’infection. À l’aide de ce modèle, l’équipe a pu établir une corrélation directe entre les mesures de quarantaine et une réduction du nombre de reproduction efficace du virus.
Sur le même sujet : Coronavirus : environ 2.6 milliards de personnes, soit un tiers de la population, sont actuellement confinées
« Le réseau de neurones apprend ce que nous appelons la « fonction de force de contrôle de la quarantaine » », explique Dandekar. En Corée du Sud, où des mesures rigoureuses ont été mises en œuvre rapidement, la fonction de contrôle de la quarantaine a été efficace pour réduire le nombre de nouvelles infections. Aux États-Unis, où les mesures de quarantaine ont été déployées lentement depuis la mi-mars, il a été plus difficile d’arrêter la propagation du virus.
La nécessité de maintenir les mesures de confinement
À mesure que le nombre de cas dans un pays particulier diminue, le modèle de prévision passe d’un régime exponentiel à un régime linéaire. L’Italie a commencé à entrer dans ce régime linéaire début avril, les États-Unis n’étant pas loin derrière. L’algorithme d’apprentissage automatique développé par Dandekar et Barbastathis a prédit que les États-Unis commenceront à passer d’un régime exponentiel à un régime linéaire au cours de la première semaine d’avril, avec une stagnation du nombre de cas infectés probablement entre le 15 avril et le 20 avril.
Il suggère également que le nombre d’infections atteindra 600’000 aux États-Unis avant que le taux d’infection ne commence à stagner. « C’est un moment vraiment crucial. Si nous assouplissons les mesures de quarantaine, cela pourrait conduire à une catastrophe », explique Barbastathis. Selon lui, il suffit de se tourner vers Singapour pour voir les dangers qui pourraient découler d’un assouplissement trop rapide des mesures de quarantaine.
Bien que l’équipe n’ait pas étudié les cas de Covid-19 à Singapour dans ses recherches, la deuxième vague d’infection que connaît actuellement ce pays reflète les conclusions de son modèle sur la corrélation entre les mesures de quarantaine et le taux d’infection. « Si les États-Unis devaient suivre trop tôt la même politique d’assouplissement des mesures de quarantaine, nous avons prédit que les conséquences seraient bien plus catastrophiques », conclut Barbastathis.