VERSION A JOUR DANS : https://docs.google.com/document/d/1Xp3jWCPWZu4pn0lphD1R1gTnqZNJiDtRNiwBREQ0Ggk/edit
Depuis que ça dure, nous avons tous compris, qu’en faisant en sorte que les individus ne se rencontrent plus nous pouvions collectivement réduire l’encombrement des urgences (et donc implicitement ne pas forcer le personnel soignant à trier ceux qui peuvent vivre)! La logique est imparable pour agir face à toutes ces incertitudes quant aux facteurs de contagions.
Le confinement est donc là aussi, d’un point de vue collectif, pour que la recherche puisse mieux dessiner les contours des questions autour de la transmission, et à plus long terme peut-être trouver des méthodes curatives. Nous confiner n’est donc pas une solution sur le longterme, mais nous permet de gagner du temps.
Pour faire face à ces incertitudes, le modèle peut nous aider à plusieurs niveaux :
En utilisant le modèle avec lequel vous avez joué dans la question 6, nous avons donc cherché à explorer un peu plus en profondeur son comportement en faisant varier les paramètres. Pour le dire autrement, nous vous avons remplacé par un automate, lequel a testé toutes les conditions qui permettent de gagner dans la simulation.
via GIPHY
Pour explorer les circonstances qui conduisent à des situations gagnantes, il faut donc se mettre d’accord sur ce que nous considérons comme telles.
Ici, nous avons considéré qu’il y avait 3 objectifs :
Fort de ces trois objectifs, nous avons mis le modèle avec lequel vous avez joué dans un logiciel en charge de l’automatisation des paramétrages : OpenMole, et notamment l’alogruthme PSE .
Pour y voir un peu plus clair, nous avons commencé par chercher à définir les contours de la diversité des résultats que pouvait produire le modèle en tenant compte des 3 objectifs
On observe sur la figure plusieurs points intéressants :
Les zones vides, sans point, sont des zones dans lesquelles le modèle n’arrive pas à générer de résultats en gardant les 3 objectifs que nous lui avons fixés.
En nous intéressant à la partie en bas à droite du graphique, on voit que le modèle est capable de générer des résultats en minimisant les trois objectifs : maintenir un nombre de malades simultanés inférieur à 50%, un nombre de jours de confinement inférieur à 25, et un nombre de personnes non infectées supérieur à 50%.
Maintenant qu’on a identifié ces deux zones d’intérêt dans les résultats, on va chercher à comprendre quels sont les paramètres qui nous permettent d’atteindre ces deux différentes cibles.
En utilisant un autre algorythme (évolutionnaire), nous avons donc cherché à faire le chemin inverse, c’est-à-dire, à trouver tous les jeux de paramètres qui conduisent aux résultats qui nous intéressent.
Là une surprise, 7 jours de calcul plus tard (170 heures) une seule réponse !
Fort de ces paramètres, nous avons donc cherché à évaluer la stablité des résultats. Est-ce que c’est LA bonne réponse que vous deviez trouver en jouant avec le modèle ?
Pour tester ce jeu de paramètre, nous avons lancé 100 fois la simulation et récupéré les résultats au court du temps. Ce qui nous a permis de produire la figure suivante.
On constate que pour chaque pas de temps du modèle, les résultats pour chacun des indicateurs peuvent varier grandement. Par exemple, le pourcentage d’agents infectés au bout de 18 jours peut varier de 30% à 60%. Cette variabilité est liée au déplacement aléatoire des agents dans la simulation avant une mesure de confinement.
On touche alors du doigt la complexité du phénomène. D’un côté, le confinement a pour effet d’accroître le nombre d’infectés dans les premiers jours (contagions à l’intérieur du foyer), et dans un second temps de réduire l’ampleur spatiale du phénomène.
Par ailleurs, la grande variabilité des résultats montre aussi qu’il est très difficile de contruire une stratégie face à autant d’aléatoire.
Enfin, la grande variabilité des résultats donne à réflechir l’intéret d’un confinement total. En effet, l’ampleur de la contamination est très fortement liée aux conditions initiales, et donc au nombre de personnes infectées avant le confinement total.
la je voudrais dire que la stratégie de confinement total est une mesure qui semble disproportionner au regard des résultats.
Pour revenir rapidement sur les résultats de cette exploration automatique du modèle.
Ici, il est possible de confiner les gens chez eux sans qu’ils puissent sortir, pendant plus de 15 jours au besoin. Aucun ne contestera ou ne cherchera à enfreindre la règle.
Par ailleurs, notre petite communauté vit en autarcie et personne n’arrive de l’extérieur une fois le confinement terminé, ce qui peut donner l’impression à notre population saine, tout juste sortie du confinement, qu’elle est à l‘abri de toute reprise de l’épidémie.
Enfin, point important, notre population virtuelle est ici ridiculement petite, 200 personnes au total.
Aucune de ces hypothèses n’est viable !
Un modèle plus complet est capable d’explorer des scénarios alternatifs de confinement et de sortie de confinement est en cours de préparation. Restez connectés !
Rappel : les modèles développés sur ce site sont des modèles pédagogiques, bien plus simples que les modèles construits et mis en oeuvre par d’autres équipes scientifiques travaillant sur la COVID-19. Ils ne se substituent pas à ces modèles de référence et ne peuvent pas être utilisés à leur place pour mener des expertises, diagnostics ou pronostics. Notre objectif est de contribuer à la création, au sein de la population, d’une meilleure connaissance des moteurs de cette épidémie qui nous concerne toutes et tous.