planification participative et algorithmique pour des meilleures prises de décision

COVID-19: quelle simulation?

Déclarée par l'OMS comme urgence de santé publique de portée internationale en janvier 2020, l’épidémie de coronavirus 2019 (COVID-2019) a révélé la vulnérabilité des systèmes de santé, l’impuissance et le manque de préparation des gouvernements face à de nouvelles formes de pandémie.

Incertitudes 

L'absence de vaccin, le caractère inédit de certaines des caractéristiques de la maladie (longue période d'incubation asymptomatique), les doutes concernant l'efficacité des politiques de quarantaine ou encore les évolutions épidémiologiques et les impacts économiques, tous ces facteurs d'incertitude ont révélé la nécessité de conduire des simulations épidémiologiques poussées. Je ne sais pas si (en tout cas j'espère que) les conseillers aux gouvernements ont pu trouver des génies de la tech capables de créer des simulations précises et fondées scientifiquement pour guider correctement les décisions politiques. Dans tous les cas, en surfant simplement sur Internet en mars ou avril 2020, il est probable que vous soyez déjà tombé sur différentes simulations de l’évolution possible du COVID-19: tour d’horizon de ces initiatives.

Les limites de l'approche analytique

Une des simulations qui a connu le plus de succès sur Twitter est l’Epidemic Calculator, conçue par Gabriel Goh. Plutôt qu'une véritable simulation, il s’agit plutôt d’un modèle paramétrique (de nombreuses variables peuvent être modifiées grâce à des curseurs) aidant à prévoir l'évolution globale probable de la pandémie.

Le problème d'une telle approche analytique est qu'elle ne reflète pas la dynamique et la complexité de la réalité: la capacité du système hospitalier n'est pas prise en compte, les vagues secondaires d'infection, les changements de politiques publiques ne sont pas simulés etc. C'est pourquoi, plutôt que les modèles analytiques statiques, les modèles dynamiques à base d’agents (ABM: Agent-Based Models) sont récemment privilégiés pour la simulation épidémiologique.

Popularisation des simulations ABM

Si les modèles épidémiologiques à base d’agents sont souvent inclus dans les logiciels de simulation comme exemples ou didacticiels, ce fut une surprise de les retrouver dans les médias grand public, et notamment dans le Washington Post. L’article en question, daté du 14 mars (et actuellement traduit en 13 langues!), a retenu l'attention d'un grand nombre d'internautes. Comme le reconnait l’auteur de l’article, la simulation proposée ici est spatialement extrêmement simpliste (des balles qui se baladent librement et rebondissent dans un cadre abstrait). La complexité des contacts humains dans les espaces publics, les lieux de travail etc. est ici simplifiée à outrance pour des raisons de généralisation et de pédagogie.

Malgré l’extrême complexité des facteurs sociaux et comportementaux qui sont censés être traités et la simplification que s’accorde cette simulation, le travail d'éducation et de vulgarisation scientifique de cet article fonctionne bien et la simulation obtient des résultats tranchés en termes de courbes d'évolution différentes de l’épidémie selon la politique mise en œuvre (et le gagnant est bien sûr une distanciation sociale #restezchezvous).

Degré de complexité spatiale

Suite à l'article du Washington Post, la chaîne YouTube de vulgarisation scientifique 3Blue1Brown a publié une autre tentative de simulation à base d’agents de l'évolution de COVID-19 à travers des visuels séduisants. La présentation de la dynamique pandémique et de la méthodologie de simulation est véritablement maitrisée, mais la tentative à la fin de la vidéo d'ajouter une certaine complexité spatiale avec des "centralités partagées" est hasardeuse et ne donne pas de résultats exploitables (tous les agents fréquentent à un moment donné une même centralité...). Les tentatives d’ajout de complexité spatiale sont louables, mais elles peuvent se révéler contre-productives si elles ne sont pas réalisées correctement.

 

Simulations axées sur la recherche de solutions

La modélisation de centralités urbaines où les individus se rassemblent (et où ils risquent le plus de contracter le virus) a également été réalisée, mais avec un niveau de complexité et de réalisme plus élevé, dans la simulation à base d’agents EpiSim de notre ami et collègue Ira Winder (avec F. Catalang et D. Goldman). En effet, ici les différentes fonctions urbaines d'une ville sont recréées plus fidèlement avec la modélisation des logements, des lieux de travail, des écoles, des commerces, des hôpitaux, etc. ayant toutes leurs propres "degré de promiscuité potentielle" (risque d'infection plus ou moins important), évoluant en fonction du nombre d’agents s'y rassemblant à ce moment précis. Nous sommes déjà très loin des "balles rebondissantes errant au hasard" des autres simulations. Mais le principal atout de cette simulation est qu'elle intègre l’indicateur du dépassement ou non de la capacité du système hospitalier de la localité en question, ce qui pourrait rendre la simulation vraiment utile pour améliorer la prise de décision dans le déploiement en situation réelle.

Cette simulation est actuellement toujours en cours d'amélioration pour présenter plus de précision et de réalisme. Une prochaine étape importante serait de recréer différents modes de transport (avec leur propre taux de contagion du virus) dont la proportion pourrait être modifiée sous l'influence de certaines politiques. De plus, plutôt dans une ville générée aléatoirement, la mise en œuvre proactive de la simulation dans un véritable plan de ville serait véritablement inédite et permettrait de mieux préparer nos villes aux prochaines épidémies éventuelles. Peut-être qu'à ce moment là seulement nous pourrons nous enorgueillir d'avoir des villes effectivement intelligentes. 

Partisan de la simulation à base d'agents et fervent défenseur de l'ODD 3, Pragmetrics entend soutenir l'effort de simulation épidémiologique en lien avec la recherche de solutions dans le domaine de la planification urbaine.  

Le 16 avril 2020