Des conditions météorologiques extrêmes à une autre vague de COVID-19, les prévisions donnent aux décideurs un temps précieux pour se préparer. En ce qui concerne le COVID, cependant, les prévisions à long terme sont un défi, car elles impliquent le comportement humain.
Bien qu’il puisse parfois sembler qu’il n’y ait aucune logique dans le comportement humain, de nouvelles recherches s’efforcent d’améliorer les prévisions COVID en incorporant ce comportement dans les modèles de prédiction.
Le chercheur UConn College of Agriculture, Health and Natural Resources Allied Health, Ran Xu, ainsi que ses collaborateurs Hazhir Rahmandad du Massachusetts Institute of Technology et Navid Ghaffarzadegan de Virginia Tech, ont publié un article aujourd’hui dans PLO Biologie computationnelle où ils détaillent comment ils ont appliqué des variables relativement simples mais nuancées pour améliorer les capacités de modélisation, avec pour résultat que leur approche a surpassé la majorité des modèles actuellement utilisés pour éclairer les décisions prises par les Centres fédéraux de contrôle et de prévention des maladies (CDC).
Xu explique que lui et ses collaborateurs sont des méthodologistes et qu’ils souhaitaient examiner quels paramètres avaient un impact sur la précision des prévisions des modèles de prédiction COVID. Pour commencer, ils se sont tournés vers le hub de prédiction du CDC, qui sert de référentiel de modèles à travers les États-Unis.
“Actuellement, il existe plus de 70 modèles différents, principalement issus d’universités et certains d’entreprises, qui sont mis à jour chaque semaine”, explique Xu. “Chaque semaine, ces modèles donnent des prévisions sur les cas et le nombre de décès au cours des deux prochaines semaines. Le CDC utilise ces informations pour éclairer ses décisions ; par exemple, où concentrer stratégiquement ses efforts ou s’il faut conseiller aux gens de faire de la distanciation sociale. “
Le facteur humain
Les données étaient le point culminant de plus de 490 000 prévisions ponctuelles pour les incidents de décès hebdomadaires dans 57 sites américains au cours d’une année. Les chercheurs ont analysé la durée de la prédiction et la précision relative des prédictions sur une période de 14 semaines. Après une analyse plus approfondie, Xu dit avoir remarqué quelque chose d’intéressant lorsqu’ils ont classé les modèles en fonction de leurs méthodologies :
“Pour les modèles purement basés sur les données, comme les modèles d’apprentissage automatique et d’ajustement de courbe, nous avons constaté qu’ils font un meilleur travail de prédiction à court terme, tandis que les modèles basés sur la théorie font un meilleur travail de prédiction à plus long terme.”
Au début, cela peut sembler étrange, mais Xu explique que la différence se résume au comportement humain.
“C’est bizarre et pas bizarre en soi”, dit Xu. “Si vous n’avez pas de théorie et que les modèles fonctionnent simplement avec un tas de données et d’apprentissage automatique, ils feront bien sûr du bon travail à court terme. Mais ce qui compte vraiment à moyen et long terme, c’est vous devez avoir une théorie expliquant pourquoi les gens font les choses qu’ils font.”
L’intégration de la composante comportementale dans le modèle était relativement simple, dit Xu.
“Lorsque nous avons examiné tous ces modèles 60-70, nous avons eu l’impression qu’il manquait un mécanisme de comportement clé. Ce mécanisme est lorsque les gens voient plus de morts ou perçoivent les infections à COVID comme dangereuses, puis ils réduisent volontairement leur mobilité ou font une distanciation sociale Cependant, une fois que le taux de mortalité diminue, les gens reprennent leur activité normale. En parcourant les modèles, peu d’entre eux modélisent cette boucle de rétroaction endogène.
Perspectives pour l’avenir
Les chercheurs soutiennent que cette boucle de rétroaction, bien que largement ignorée par d’autres modèles, offre le plus grand avantage pour les prévisions à moyen et à long terme.
Rahmandad dit que la recherche suggère que la clé de la modélisation pour les prévisions à long terme n’est pas nécessairement la création de modèles plus compliqués, mais l’incorporation stratégique des bons éléments.
“Pour créer un modèle prédictif qui réussisse à long terme, nous pouvons commencer petit, en utilisant un modèle simple et mécaniste”, explique Rahmandad. “Nous pouvons alors incorporer des caractéristiques mécanistes clés, en particulier la représentation endogène du comportement humain en interaction avec l’évolution de la pandémie.”
Lors de l’examen des modèles sur le hub du CDC, certains ont des composants comportementaux, dit Xu, mais peu considèrent comment ils changent avec le temps ou changent en fonction de la progression de la maladie.
« Je pense que l’intégration des comportements dans la modélisation des maladies infectieuses et le développement de théories comportementales pertinentes est encore un domaine qui nécessite plus de recherche et nous n’avons actuellement pas de théories complètes expliquant comment les gens se comportent lors d’une pandémie/épidémie de maladie infectieuse », a déclaré Xu. “Cela nécessite une collaboration entre plusieurs disciplines, telles que les spécialistes des sciences sociales, les épidémiologistes et les méthodologistes.”
Après avoir intégré la boucle de rétroaction, les chercheurs ont découvert que le modèle fonctionne très bien pour prédire la trajectoire du COVID, et Xu souligne que cela montre à quel point il est important d’intégrer la dynamique comportementale dans la modélisation des maladies infectieuses.
“Le but du développement de ce modèle n’est pas d’offrir des prédictions en temps réel, mais il peut offrir des informations pour les futurs modèles de prédiction. Ce modèle simple fait encore mieux, surtout à plus long terme.”
