Context

Pour trouver les bons moyens de faire face à une épidémie, il est nécessaire de faire des prévisions sur le comportement futur.

Cela a donné naissance à une grande variété d'outils mathématiques et informatiques de précision et de complexité variables.

Beaucoup de ces modèles sont analogues à ceux utilisés dans d'autres domaines. Les modèles SIS, utilisés pour les maladies qui ne procurent pas une immunisation durable, comme la grippe, peuvent servir à prédire la variation des populations qui sont liées par un réseau alimentaire au sein d'un écosystème, auquel cas nous les appelons systèmes Lotka-Volterra.

De ce point de vue, il n'est pas surprenant de penser que de nombreux comportements manifestés par la propagation d'une épidémie sont également caractéristiques d'autres systèmes que nous modélisons également.

Par exemple, la "percolation" ou la "capacité à traverser un système" tel qu'un incendie de forêt peut traverser une forêt (la percolation existe) ou peut s'éteindre d'elle-même (aucune percolation) selon la distribution de la masse forestière ou de sa composante de libération d'énergie, est analogue à la propagation d'une maladie, selon sa virulence, la structure de la population et la distance sociale, la connaissance que nous en avons, etc.

Ou encore "hystérésis" ou "dépendance de l'état antérieur", qui détermine que les décisions prises à un certain moment pendant la gestion de l'épidémie n'ont pas d'effets visibles avant un certain temps. Le concept d'hystérésis est commun à un nombre infini de domaines, mais l'un des plus connus est peut-être celui de la science des matériaux.

Mais s'il y a quelque chose qui différencie la propagation d'une épidémie d'un incendie ou de l'écoulement de l'eau dans un sol granuleux, c'est bien sa composante humaine, qui est difficile à paramétrer.

Cette situation est compliquée si l'on considère que la réponse du système à nombre de ces facteurs est approximativement sigmoïdale. De très légères variations de certains de ses paramètres peuvent déterminer la différence entre une holoendémie avec un taux d'infection de 100% ou l'auto-extinction de l'épidémie.

Dans ce projet, nous avons généré des populations synthétiques de millions d'individus virtuels. Chacun d'entre eux a des contacts sociaux, avec des degrés de proximité différents et appartient à des communautés qui interagissent de manière variable.

Nous simulons une épidémie qui se propage dans cette communauté, également avec différents paramètres. L'objectif final est de reconstruire, grâce à des méthodes d'apprentissage automatique et aux données accumulées dans ces simulations, les paramètres de l'infection et de son environnement lors d'une véritable épidémie.

Plus précisément, les données que vous fournissez nous aideront à modéliser le flux d'informations sur les mesures de prévention et d'endiguement au sein du réseau d'individus.

C'est important en ce qui concerne l'adoption de mesures de prévention et de contrôle, car une adoption très précoce, dans laquelle la perception du risque est faible par rapport à la sévérité des mesures, entraînera des taux d'adhésion très faibles qui entraveront l'adoption de mesures ultérieures. D'autre part, un retard dans la prise de décision, même sur une échelle de temps de quelques heures, peut faire une grande différence dans le résultat final.