1 juinst était censé marquer un jalon triste dans la pandémie de coronavirus. C'est le jour où le désormais célèbre modèle de l'Imperial College London (ICL) a prédit que la Suède atteindrait un pic à 95 000 décès par COVID-19 en l'absence de verrouillage. En réalité, la Suède compte actuellement 4 395 décès – une perte tragique à coup sûr, mais aussi moins grave que de nombreux autres pays d'Europe occidentale sous verrouillage total.
Le déficit de la Suède par rapport à ce nombre de morts prévu est une bonne nouvelle pour les partisans de son approche relativement modérée et volontaire de distanciation sociale face à la pandémie. Mais cela représente également un échec complet du modèle prédictif qui a incité une grande partie du monde, y compris les États-Unis et le Royaume-Uni, à imposer des politiques draconiennes de mise à l'abri sur place, qui persistent depuis plus de deux mois.
Début avril, une équipe d’épidémiologistes de l’Université d’Uppsala a adapté le modèle de l’Imperial College conçu par le physicien des cristaux Neil Ferguson à la Suède pour tenter de dissuader le gouvernement du pays de son approche sans intervention. Leurs résultats, comme les plus célèbres itérations américaines et britanniques du modèle ICL, prédisaient une catastrophe si le pays ne changeait pas de cap immédiatement.
Un graphique clé de l'étude est illustré ci-dessous, avec des marqueurs pour indiquer où il devait se situer le 1er juin.st. Le point A représentait ce qui se passerait si la Suède maintenait ses politiques plus douces sans verrouillage, faisant 95 000 morts. Le point B montre leur prédiction de ce qui se passerait si la Suède changeait de cap avant le 10 avrile et a adopté un verrouillage de style européen similaire à la stratégie employée par leurs voisins. En tant que retardataire relatif au jeu de verrouillage, la Suède n'encourrait «que» 40 000 décès d'ici le 1er juinst si son gouvernement s'alignait sur le reste du monde.
Dans l'état actuel des choses, la Suède se situe au point C, bien en deçà des deux scénarios et sur une courbe qui n'était même pas envisagée dans le modèle ICL.
Comment le modèleers est allé mal
L’étude ICL de Ferguson est l’exemple le plus célèbre et le plus influent d’un type de modèle d’épidémiologie relativement récent connu sous le nom de simulation basée sur les agents. En résumé, l’approche ICL prétend prendre des données connues ou approximatives sur les taux d’infection et de mortalité d’un virus et les soumet à une simulation de la transmission attendue dans un pays ou une région, calibrée en fonction de ses caractéristiques démographiques et des données démographiques connexes.
Le modèle exécute ensuite une succession de simulations informatiques qui calculeraient la vitesse de propagation du virus compte tenu de ce qu'ils supposent de la fréquence des interactions sociales humaines. Étant donné que les modèles sont probabilistes, ils sont généralement exécutés en répétition, de sorte que le résultat final reflète plusieurs exécutions de la simulation.
Pour rendre les simulations utiles aux décideurs, des modélisateurs tels que l'équipe ICL ajustent ensuite leurs analyses pour tenir compte d'une variété de scénarios proposés. Alors que la première série de prévisions pourrait refléter un cours de «ne rien faire» sans intervention et une pandémie incontrôlée, un deuxième scénario pourrait inclure ce qu'ils prévoient de se produire si les écoles et les grands événements sportifs sont fermés. Un tiers pourrait prévoir l'ajout d'une distanciation sociale volontaire au mélange. Et un quatrième pourrait prédire un verrouillage obligatoire complet.
Sous une connaissance parfaite d'un virus et du comportement humain en réponse au virus et une compréhension complète de la façon dont chacun affecte la transmission, une simulation informatique de ce type pourrait au moins – en théorie – se rapprocher d'une pandémie réelle. En effet, les modélisateurs tels que Ferguson et l'équipe ICL semblent croire qu'ils possèdent de telles connaissances et peuvent contrôler avec précision des scénarios aussi complexes au point qu'ils fournissent des informations prédictives précises sur les virus.
Dans un sens, c'est une approche épidémiologique qui traite le monde comme une version réelle de l'ancien jeu informatique SimCity, et rapporte ce qui se passe si vous jouez à ce jeu en répétition dans les conditions d'une pandémie.
L'approche de simulation présente cependant de graves lacunes, car les hypothèses et les données qu'elle tient pour acquises sont à la fois inconnues et suffisamment complexes pour les rendre inconnaissables. Les modélisateurs doivent combler des lacunes importantes dans leurs connaissances en imposant des hypothèses dans leur code – hypothèses sur la transmissibilité du virus, hypothèses sur sa durée et son taux de mortalité, hypothèses sur l'efficacité des réponses politiques, et même hypothèses sur le taux que les gens vont respecter ou respecter ces politiques.
Si nous regardons un tableau clé du modèle ICL COVID, nous constatons rapidement que ces hypothèses ne sont guère plus que des conjectures – en particulier en ce qui concerne l'efficacité des interventions politiques proposées. Le tableau montre quatre réponses politiques modélisées qui prétendent contenir COVID-19. Notez que tous les quatre adoptent de bons nombres ronds pairs comme paramètres pour modéliser l'intervention proposée: un taux de conformité de 70% avec X, un taux de conformité de 50% avec Y et une réduction de 25% du comportement Z, permettant tous des prédictions précises de comment la pandémie se déroulerait.
Curieusement, ces modèles semblent faire peu d'efforts pour tester et vérifier si les hypothèses sous-jacentes sont correctes. Ils font également très peu pour tenir compte des changements de comportement au cours de la pandémie qui modifieront presque certainement des facteurs tels que les taux de conformité aux directives politiques, ou même les comportements volontaires que les gens adoptent de leur propre chef pour atténuer les risques de la maladie (pensez à augmentation du lavage des mains). Au lieu de cela, nous avons des paramètres qui équivalent essentiellement à des suppositions, tous codés en dur dans le modèle. Et si l'une de ces hypothèses sous-jacentes finit par être erronée, elle annule potentiellement toute la capacité prédictive du modèle lui-même.
Comme le révèle l'application suédoise du modèle ICL, une ou plusieurs de ses hypothèses sous-jacentes sur le coronavirus et l'efficacité des interventions politiques proposées étaient clairement erronées. Ses prédictions étaient donc totalement invraisemblables, et ont déjà été invalidées par la réalité comme le 1er juinst les chiffres le démontrent.
En fait, nous pouvons voir des preuves que le modèle ICL était totalement inadapté au coronavirus en examinant son histoire. Ferguson et les autres auteurs de l'ICL ont d'abord développé ce modèle au milieu des années 2000 comme l'une des deux contributions majeures à l'approche de simulation informatique pour les pandémies. Le second est venu d'une équipe dirigée par Robert J. Glass, modeleur au laboratoire Los Alamos qui a adopté une approche similaire.
Ferguson et Glass ont tous deux été des figures majeures de la transition de la communauté épidémiologique des stratégies traditionnelles d'atténuation des maladies vers des fermetures à grande échelle, comme cela avait été proposé pour la première fois en 2006 à la suite d'une succession d'enquêtes de recherche gouvernementales sur les pandémies de grippe et la menace du bioterrorisme. L'introduction de leur approche de modélisation a précipité un débat parmi les épidémiologistes sur l'efficacité des stratégies non éprouvées telles que les fermetures à l'échelle de la société, ainsi que les interventions moindres telles que les fermetures d'écoles et les annulations d'événements.
Plusieurs personnalités de l'aile médicale de la discipline ont exprimé des doutes quant aux approches descendantes à l'échelle de la société telles que les blocages à l'époque, notant le manque de preuves empiriques derrière les hypothèses de modélisation ainsi que l'absence totale d'une stratégie d'identification causale pour les personnes revendiquées. l'efficacité de ses politiques. L'approche de modélisation de Ferguson et Glass a attiré l'attention des responsables de la santé publique à l'époque, et a depuis lors dominé la réponse COVID-19.
Pourtant, si nous regardons le document original de Ferguson de 2006 dans lequel il a présenté le modèle qu'il a ensuite adapté à la pandémie actuelle, nous trouvons une autre révélation étonnante dans son avant-dernier paragraphe:
Le manque de données nous empêche de modéliser de manière fiable la transmission dans les contextes importants des institutions résidentielles (par exemple, maisons de soins, prisons) et les établissements de soins de santé; une planification détaillée de l'utilisation des antiviraux, des vaccins et des mesures de contrôle des infections dans de tels contextes est toutefois nécessaire. Nous ne présentons pas de projections de l'impact probable des mesures de protection individuelle (par exemple, les masques faciaux) sur la transmission, là encore en raison d'un manque de données sur l'efficacité.
Parmi ses nombreuses lacunes, le modèle ICL original manquait d'un moyen de tenir compte de la transmission des virus dans les institutions résidentielles telles que les maisons de soins infirmiers et les établissements de soins de longue durée similaires.
Cependant, comme l'ont montré les derniers mois, les maisons de soins infirmiers sont extrêmement sensibles au coronavirus et peuvent être le principal facteur expliquant son taux de mortalité élevé. Dans de nombreux pays et États américains, les maisons de soins infirmiers représentent même plus de la moitié de tous les décès dus aux coronavirus. Dans les points chauds de virus tels que New York, le problème des maisons de soins infirmiers a été encore aggravé par le sous-dénombrement probable des décès et un scandale naissant à propos de l'ordre du gouverneur Andrew Cuomo forçant les maisons de soins infirmiers à admettre des porteurs de coronavirus connus comme moyen d'atténuer les contraintes de capacité hospitalière qui n'ont jamais été effectivement réalisé.
Revenant à la question de la modélisation épidémiologique, le problème des foyers de soins pourrait révéler une faille fatale dans les hypothèses sous-jacentes du modèle ICL. S'il ne disposait en effet d'aucun moyen de comptabiliser les transmissions virales dans les établissements résidentiels comme l'indique l'article de Ferguson en 2006, le modèle ICL a complètement raté ce qui se révèle être le plus grand point de vulnérabilité pour la pandémie de coronavirus (l'équipe ICL a jusqu'à présent résisté aux appels à publier son code d'origine à partir de la simulation COVID, et les versions publiques du même code sont truffées de bogues et d'erreurs. La version publiée de son document COVID ne donne aucun indicateur, bien qu'elles aient modifié l'étude de 2006 pour tenir compte des maisons de soins infirmiers).
Une telle omission impliquerait en outre que les scénarios prédictifs des interventions politiques du modèle ICL sont non seulement détournés des principaux points de vulnérabilité et sur la société dans son ensemble, mais également que les fourchettes de mortalité prévues de ses scénarios plus doux dans le cadre du verrouillage ont peu de fondement dans réalité.
Si les maisons de soins infirmiers représentent la part du lion de la mortalité par COVID, comme les statistiques le montrent maintenant, les taux de mortalité réalisés dans les pays qui ont été bloqués ne peuvent que suivre les scénarios plus doux du modèle ICL par coïncidence. Même lorsque le nombre total dans certains pays semble correspondre aux scénarios intermédiaires de l'ICL, les décès prévus par le modèle ne sont pas les mêmes types de décès que nous observons en réalité. Lorsqu'il s'agit de prédire les mécanismes réels de la pandémie, y compris le danger qu'elle représente pour les maisons de soins infirmiers, l'approche de modélisation semble être fonctionnellement inutile et catastrophique.
Phillip W. Magness
Phil Magness est chercheur principal à l'American Institute for Economic Research.
Il est l'auteur de nombreux ouvrages sur l'histoire économique, la fiscalité, les inégalités économiques, l'histoire de l'esclavage et la politique éducative aux États-Unis.
