Cargando…

Percovid : comment la percolation permet de mieux modéliser l’épidémie de COVID19

INTRODUCTION: L’épidémie de COVID19 se caractérise par son mode de diffusion combinant une diffusion inter individuelle linéaire et des accélérations subites liées aux situations super transmetteuses dont l'enchaînement va entrainer l'explosion du nombre de cas. Ceci nécessite de disposer...

Descripción completa

Detalles Bibliográficos
Autores principales: Mathiot, J-F., Gerbaud, L., Breton, V.
Formato: Online Artículo Texto
Lenguaje:English
Publicado: Published by Elsevier Masson SAS 2022
Materias:
Acceso en línea:https://www.ncbi.nlm.nih.gov/pmc/articles/PMC8907836/
http://dx.doi.org/10.1016/j.respe.2022.01.060
_version_ 1784665742113767424
author Mathiot, J-F.
Gerbaud, L.
Breton, V.
author_facet Mathiot, J-F.
Gerbaud, L.
Breton, V.
author_sort Mathiot, J-F.
collection PubMed
description INTRODUCTION: L’épidémie de COVID19 se caractérise par son mode de diffusion combinant une diffusion inter individuelle linéaire et des accélérations subites liées aux situations super transmetteuses dont l'enchaînement va entrainer l'explosion du nombre de cas. Ceci nécessite de disposer de modèles de diffusion prenant en compte les interactions sociales et capables de déterminer le seuil d'explosion du nombre de cas. MÉTHODES: Nous avons appliqué un modèle de percolation au risque d'hospitalisation pour COVID, seul indicateur ayant une validité constante et homogène depuis le début de l’épidémie. Ce modèle permet de séparer clairement le rôle des interactions sociales (en termes de densité, intensité et variété, données issues de la littérature scientifique), des paramètres purement épidémiologiques ou de mobilité géographique. Le facteur de reproduction R, qui rassemble tous les paramètres influençant la propagation du virus, est alors une prédiction du modèle. On identifie ainsi les paramètres les plus significatifs pour rester dans la zone de propagation contenue du virus (zone de non-percolation). RÉSULTATS: Les graphiques (présentés lors du congrès, y compris l’échappement immunitaire et l'impact du variant omicron) comparant les prédictions du modèle aux données françaises montrent une adéquation du modèle aux données sur toute la durée de l’épidémie. Sa flexibilité et sa capacité à suivre l'épidémie sur une échelle d'espace large est un atout majeur par rapport aux modèles de type SEIR. La comparaison entre des pays avec des intensités de relations sociales plus faibles ou plus fortes, comme en Allemagne ou en Italie permet de mettre en évidence l'importance des différences d'interactions sociales dans l'ampleur de la première vague. DISCUSSION/CONCLUSION: Nous avons pu établir un modèle de percolation intégrant les interactions sociales, capable de prédire l'intensification de l’épidémie par l'enchainement de situations super transmetteuses. Il permet, au-delà du seul franchissement de seuils épidémiques, de modéliser l'apparition d'une épidémie massive. Il est applicable à toute épidémie où les interactions sociales jouent un rôle majeur.
format Online
Article
Text
id pubmed-8907836
institution National Center for Biotechnology Information
language English
publishDate 2022
publisher Published by Elsevier Masson SAS
record_format MEDLINE/PubMed
spelling pubmed-89078362022-03-10 Percovid : comment la percolation permet de mieux modéliser l’épidémie de COVID19 Mathiot, J-F. Gerbaud, L. Breton, V. Rev Epidemiol Sante Publique A1-6 INTRODUCTION: L’épidémie de COVID19 se caractérise par son mode de diffusion combinant une diffusion inter individuelle linéaire et des accélérations subites liées aux situations super transmetteuses dont l'enchaînement va entrainer l'explosion du nombre de cas. Ceci nécessite de disposer de modèles de diffusion prenant en compte les interactions sociales et capables de déterminer le seuil d'explosion du nombre de cas. MÉTHODES: Nous avons appliqué un modèle de percolation au risque d'hospitalisation pour COVID, seul indicateur ayant une validité constante et homogène depuis le début de l’épidémie. Ce modèle permet de séparer clairement le rôle des interactions sociales (en termes de densité, intensité et variété, données issues de la littérature scientifique), des paramètres purement épidémiologiques ou de mobilité géographique. Le facteur de reproduction R, qui rassemble tous les paramètres influençant la propagation du virus, est alors une prédiction du modèle. On identifie ainsi les paramètres les plus significatifs pour rester dans la zone de propagation contenue du virus (zone de non-percolation). RÉSULTATS: Les graphiques (présentés lors du congrès, y compris l’échappement immunitaire et l'impact du variant omicron) comparant les prédictions du modèle aux données françaises montrent une adéquation du modèle aux données sur toute la durée de l’épidémie. Sa flexibilité et sa capacité à suivre l'épidémie sur une échelle d'espace large est un atout majeur par rapport aux modèles de type SEIR. La comparaison entre des pays avec des intensités de relations sociales plus faibles ou plus fortes, comme en Allemagne ou en Italie permet de mettre en évidence l'importance des différences d'interactions sociales dans l'ampleur de la première vague. DISCUSSION/CONCLUSION: Nous avons pu établir un modèle de percolation intégrant les interactions sociales, capable de prédire l'intensification de l’épidémie par l'enchainement de situations super transmetteuses. Il permet, au-delà du seul franchissement de seuils épidémiques, de modéliser l'apparition d'une épidémie massive. Il est applicable à toute épidémie où les interactions sociales jouent un rôle majeur. Published by Elsevier Masson SAS 2022-03 2022-03-10 /pmc/articles/PMC8907836/ http://dx.doi.org/10.1016/j.respe.2022.01.060 Text en Copyright © 2022 Published by Elsevier Masson SAS. Since January 2020 Elsevier has created a COVID-19 resource centre with free information in English and Mandarin on the novel coronavirus COVID-19. The COVID-19 resource centre is hosted on Elsevier Connect, the company's public news and information website. Elsevier hereby grants permission to make all its COVID-19-related research that is available on the COVID-19 resource centre - including this research content - immediately available in PubMed Central and other publicly funded repositories, such as the WHO COVID database with rights for unrestricted research re-use and analyses in any form or by any means with acknowledgement of the original source. These permissions are granted for free by Elsevier for as long as the COVID-19 resource centre remains active.
spellingShingle A1-6
Mathiot, J-F.
Gerbaud, L.
Breton, V.
Percovid : comment la percolation permet de mieux modéliser l’épidémie de COVID19
title Percovid : comment la percolation permet de mieux modéliser l’épidémie de COVID19
title_full Percovid : comment la percolation permet de mieux modéliser l’épidémie de COVID19
title_fullStr Percovid : comment la percolation permet de mieux modéliser l’épidémie de COVID19
title_full_unstemmed Percovid : comment la percolation permet de mieux modéliser l’épidémie de COVID19
title_short Percovid : comment la percolation permet de mieux modéliser l’épidémie de COVID19
title_sort percovid : comment la percolation permet de mieux modéliser l’épidémie de covid19
topic A1-6
url https://www.ncbi.nlm.nih.gov/pmc/articles/PMC8907836/
http://dx.doi.org/10.1016/j.respe.2022.01.060
work_keys_str_mv AT mathiotjf percovidcommentlapercolationpermetdemieuxmodeliserlepidemiedecovid19
AT gerbaudl percovidcommentlapercolationpermetdemieuxmodeliserlepidemiedecovid19
AT bretonv percovidcommentlapercolationpermetdemieuxmodeliserlepidemiedecovid19