Lors d’une épidémie, certaines des questions les plus cruciales pour les décideurs en matière de soins de santé sont les plus difficiles à répondre : quand l’épidémie culminera-t-elle, combien de personnes auront besoin d’un traitement en même temps et combien de temps durera ce pic de demande de soins ? Des réponses rapides peuvent aider les administrateurs d’hôpitaux, les dirigeants communautaires et les cliniques à décider comment déployer le personnel et les autres ressources le plus efficacement possible. Malheureusement, de nombreux modèles de prévision épidémiologique ont tendance à avoir du mal à prédire avec précision les cas et les hospitalisations aux alentours des pics.
Une nouvelle approche décrite dans la revue Actes de l'Académie nationale des sciences et dirigé par des chercheurs de l'Université du Texas à Austin, intègre un élément essentiel de compréhension épidémiologique dans les modèles de prévision pour résoudre ces problèmes de longue date. Plutôt que de simplement extrapoler les tendances de l’épidémie actuelle, l’approche, connue sous le nom d’« épimodulation », donne aux modèles une idée plus intuitive de la façon dont les épidémies ont généralement tendance à évoluer.
« Cela indique au modèle, en effet, 'Nous nous attendons à ce que la courbe se courbe à mesure que l'immunité se développe', de sorte que le modèle peut rechercher les premiers signes de ce ralentissement tout en continuant à tirer des leçons des données », a déclaré Lauren Ancel Meyers, professeur Cooley Centennial au Département de biologie intégrative de l'UT et directeur d'epiENGAGE, un centre national d'excellence en matière de prévision et d'analyse des épidémies. « Le résultat est une meilleure prévision qui fournit des informations en temps réel aux hôpitaux et aux communautés lorsque cela est le plus important. »
L’équipe a testé son approche sur un large éventail de modèles et avec des données réelles provenant d’épidémies passées de grippe et de COVID-19. Ils ont constaté que l’approche augmentait la précision du modèle jusqu’à 55 % pendant les pics épidémiques pour les prévisions d’admissions à l’hôpital, sans réduire la précision en dehors des heures de pointe. L'épimodulation a également amélioré la précision des modèles d'ensemble, qui combinent plusieurs modèles en une seule prévision. Les résultats suggèrent que cela peut constituer un nouvel outil puissant permettant aux systèmes de santé de s’adapter à des épidémies en évolution rapide.
Selon Meyers, cette approche pourrait être appliquée à de nombreuses maladies infectieuses qui se propagent par vagues, notamment la grippe aviaire, Ebola, Mpox et même de nouveaux agents pathogènes qui n'ont pas encore émergé. De tels schémas de vagues apparaissent souvent à mesure que l’immunité se développe au sein d’une population, que les individus changent de comportement ou que les conditions environnementales changent.
« Les épidémies ont tendance à suivre des schémas reconnaissables. Elles se développent très rapidement au début, puis ralentissent à mesure que de plus en plus de personnes deviennent immunisées ou changent de comportement, pour finalement atteindre un sommet et s'estomper », a déclaré Meyers. « Ces dynamiques reflètent les principes épidémiologiques de base : comment les infections se propagent, comment l'immunité se construit et comment les gens réagissent lorsque le risque augmente. »
La plupart des modèles de prévision, en particulier ceux basés uniquement sur l’apprentissage automatique, ne « connaissent » aucun de ces principes épidémiologiques. Ils examinent essentiellement les données récentes et projettent la tendance vers l’avant, comme si elles prolongeaient une ligne sur un graphique. Ils obtiennent souvent de bons résultats lorsque les cas augmentent (ou diminuent), mais ratent le tournant lorsque la croissance ralentit ou s’inverse. L'épimodulation peut contribuer à rendre les prévisions autour du pic plus réalistes.
