New York ne l'a pas fait «correctement» – AIER

Après une lutte de plusieurs mois pour contenir le COVID-19, le gouverneur de New York, Andrew Cuomo, semble confiant d'avoir enfin mis l'État en sécurité. Il n'a guère hésité à exprimer sa fierté face à sa politique en matière de pandémie, suscitant des manchettes qui tournaient en dérision son «gaslighting» et son «tour de victoire digne de ce nom».

Et Cuomo a atterri carrément dans les bonnes grâces du conseiller en santé de la Maison Blanche, le Dr Anthony Fauci, qui, le 18 juillet, a salué la gestion de la crise par l’État de New York.

Fauci a déclaré: « Ils l'ont fait correctement. »

Cette interprétation est curieuse, étant donné que les efforts de prévention de la pandémie de l’État ont été entachés d’erreurs graves (que l’AIER a déjà couvertes).

Ces erreurs ont fait l'objet d'un examen approfondi dans un article académique récent intitulé «Une étude de cas sur l'échec d'un modèle? Décès quotidiens COVID-19 et prévisions d'utilisation des lits de soins intensifs pour l'État de New York. »

Rédigé par une équipe de mathématiciens, de biostatisticiens et de scientifiques des données de l'Université de Stanford, de l'Université du Texas à El Paso, de l'Université Northwestern et de l'Université de Sydney, cet article vise directement les outils d'aide à la décision –– modèles –– qui étaient influent dans l'élaboration de la réponse politique de l'État de New York à la propagation de la maladie.

Les quatre modèles examinés sont ceux produits par l'Institute for Health Metrics and Evaluation (IHME), Youyang Gu, l'Université du Texas à Austin et le Los Alamos National Laboratory. Bien qu'ils aient été largement cités et mis en œuvre avec enthousiasme, ces modèles ont échoué:

Les modèles de prévision ont joué un rôle déterminant dans la prise de décision dans la pandémie de COVID-19. Cependant, on craint que leurs prédictions aient été trompeuses. Ici, nous disséquons les prédictions faites par quatre modèles pour les décomptes quotidiens de décès par COVID-19 entre le 24 mars et le 5 juin dans l'État de New York, ainsi que les prédictions d'utilisation des lits de soins intensifs faites par l'influent IHME (Institute of Health Metrics and Évaluations) modèle. Nous avons évalué la précision des estimations ponctuelles et la précision des estimations de l'incertitude des prédictions du modèle… Pour la précision des prévisions, tous les modèles se sont très mal comportés. Seulement 10,2% des prévisions se situaient à moins de 10% de leur vérité sur le terrain d'entraînement, quelle que soit la distance dans le futur… Pour l'utilisation des lits en USI, le modèle IHME était très imprécis; les estimations ponctuelles n'ont commencé à correspondre à la vérité sur le terrain qu'après que la vague pandémique ait commencé à décliner.

Alors que le COVID-19 a commencé à se propager, les prévisions de lits en USI étaient en effet désastreuses. En mars, le Gouverneur Cuomo a déclaré que New York aurait besoin de 18 600 à 37 200 lits de soins intensifs pour traiter la vague imminente de cas de COVID-19. Comparez cela à la réalité de New York: 3 000 lits de soins intensifs disponibles au moment de l’évaluation de Cuomo. Si ces horribles prophéties se réalisaient, le système médical de l’État aurait été complètement débordé. Ce sont ces préoccupations, motivées par les prédictions des modèles, qui ont éclairé la stratégie connue sous le nom d '«aplatir la courbe»: tenter de préserver les ressources médicales en atténuant l'afflux de tous les cas de COVID-19, sauf les plus graves, vers les hôpitaux et les établissements de santé. .

Comment les modèles soutenant l'aplatissement de la courbe se sont-ils comportés?

La précision des estimations ponctuelles – c'est-à-dire les prévisions quotidiennes réelles du nombre de décès générées par chaque modèle – est évaluée à l'aide de deux mesures: l'erreur en pourcentage absolue moyenne et l'erreur en pourcentage maximale autorisée. Le premier, de manière simple, calcule la différence en pourcentage entre la prédiction d'un modèle donné pour un jour spécifique et le résultat réel de ce jour-là. Ce dernier prend le maximum des erreurs en pourcentage absolues pour chaque prévision et chaque modèle.

Les auteurs de l'article constatent que «si certains modèles peuvent avoir des performances meilleures ou moins bonnes sur des sous-ensembles de la période d'intérêt, aucun modèle ne domine clairement tout au long (de la période) en ce qui concerne l'une ou l'autre des mesures.» À travers eux, seulement 10,2% des prédictions quotidiennes de décès se situent à moins de 10% des résultats réels.

Parmi les deux principales conclusions de l’article, l’une n’est pas triviale, mais sans surprise: les méthodes de collecte de données et de vérification de la qualité des données exercent une grande influence sur les modèles. De mauvaises données rendent les bons modèles mauvais et les mauvais modèles pires. Un problème connexe se pose:

(e) arly sur, le Dr Anthony Fauci, directeur du NIAID, a déclaré que: «Comme je vous l'ai dit dans l'émission, les modèles ne sont vraiment aussi bons que les hypothèses que vous mettez dans le modèle. Mais quand on commence à voir des données réelles, on peut modifier ce modèle… »Une question ouverte se pose… comment peut-on s'attendre à des prédictions de qualité, si les données sont défectueuses? … De toute évidence, si les données sont suspectes, les projections peuvent également être sous-optimales.

La deuxième conclusion, d'une gravité bien plus grande, mérite d'être répétée:

Les modèles doivent être soumis à des tests de performance en temps réel, avant que leurs résultats ne soient fournis aux décideurs et aux responsables de la santé publique. Dans cet article, nous fournissons des exemples de tels tests, mais quels que soient les tests adoptés, ils doivent être spécifiés à l'avance, comme on le ferait dans un essai clinique bien mené.

Seul le modèle du Laboratoire national de Los Alamos «s'est avéré approcher la couverture nominale de 95%», mais il n'était pas disponible lorsque Cuomo forgeait ses décisions politiques de mars. De plus, un modèle qui devient progressivement plus précis n’a pas de pertinence fonctionnelle, étant donné que c’est au tout début d’une pandémie que des décisions judicieuses et opportunes sont primordiales.

Ces terribles prédictions d'utilisation des lits en USI ne se sont jamais réalisées, du moins pas dans la mesure qui était si largement redoutée, mais le sentiment d'urgence qui les entourait a obligé les dirigeants de l'État de New York à se préparer en conséquence. Les modèles ont été exécutés, leurs fournisseurs ont été informés et les décideurs ont écouté.

Des milliers de patients atteints de coronavirus en convalescence ont été envoyés dans des maisons de soins infirmiers, atterrissant dans des milieux que même Cuomo a appelés «le terrain d'alimentation optimal pour ce virus». Le retour des patients âgés de COVID-19 dans les maisons de soins infirmiers –– qui a produit un effet de contagion qui a été comparé à «le feu à travers l'herbe sèche» –– a été fait au nom de l'aplatissement de la courbe, empêchant les lits d'hôpitaux et d'autres ressources d'être submergés comme la propagation initiale s'est poursuivie. Mais la dévastation a suivi. Au 15 juillet, 42 pour cent de tous les décès aux États-Unis étaient liés aux maisons de soins infirmiers, soit plus de 57 000 vies perdues – plus de 6 000 d'entre elles à New York.

Inutile de dire qu'il n'y aura aucune reconnaissance du rôle que les modèles terribles ont joué dans la formulation de pratiques qui ont éteint tant de vies innocentes. L'évaluation en temps réel des modèles de prédiction permettrait aux décideurs politiques et aux experts médicaux d'arriver à de meilleures méthodes de prévention si leur plan d'attaque établi se révélait inexact – ou à tout le moins, ils pourraient adapter la rigidité des réponses politiques à l'exactitude démontrée des résultats . Mais une telle approche était manifestement absente dans l'État de New York. Pour ce qui est des prévisions d'utilisation des ressources hospitalières, le degré d'erreur entre les prévisions et la réalité était si grand qu'il aurait pu contrebalancer la ferveur avec laquelle les résidents des maisons de soins infirmiers étaient renvoyés dans ces établissements pour préserver les lits d'hôpitaux.

Peu de temps après cette décision, ajoutant une insulte profonde à une blessure insondable,

(e) n les jours chaotiques de fin mars, alors qu'il devenait clair que New York faisait face à une épidémie catastrophique de coronavirus, les assistants du gouverneur Andrew M. Cuomo ont discrètement inséré une disposition sur la page 347 du projet de loi budgétaire final et volumineux de New York . De nombreux législateurs ne connaissaient pas le langage lorsqu'ils ont approuvé le budget quelques jours plus tard. Mais il a fourni des protections juridiques inhabituelles à une industrie influente qui a été dévastée par la crise: les exploitants de maisons de retraite.

À la lumière de ces résultats, il est difficile de déterminer lequel est le plus un affront aux familles des milliers et des milliers de victimes de la gestion du COVID-19 par l’État de New York. Est-ce l'auto-glorification éhontée et la célébration de Cuomo, dont les politiques ont conduit à la dévastation des personnes âgées dans les établissements de soins de longue durée? Est-ce la louange du Dr Anthony Fauci pour ces politiques? Ou est-ce la protection juridique des entités qui a encouragé une telle disparition généralisée?

En fin de compte, il y a beaucoup de blâme à faire. Mais une chose est sûre: les coûts humains profonds de ce virus et de ses politiques correspondantes ont été exacerbés par un orgueil aveugle et une fierté infondée – qui, dans une large mesure, ont vu leur expression dans la vanité de gouverner par des modèles. Bien qu'il soit peut-être trop peu trop tard, une réflexion et un réajustement diligents des futurs efforts de lutte contre la pandémie seront le seul moyen d'honorer ceux qui ont été perdus si inutilement.

Fiona Harrigan

Fiona Harrigan

Fiona a rejoint l'AIER en 2020 en tant que stagiaire de recherche.

Elle est actuellement collaboratrice associée pour Young Voices. Son écriture a été présentée dans le le journal Wall Street, les Registre du comté d'Orangeet divers autres points de vente nationaux et locaux. Avant de rejoindre l'AIER, elle a travaillé pour la Fondation pour l'éducation économique.

Soyez informé des nouveaux articles de Fiona Harrigan et AIER. SOUSCRIRE

Peter C. Earle

Peter C. Earle

Peter C.Earle est un économiste et écrivain qui a rejoint l'AIER en 2018 et a passé plus de 20 ans en tant que trader et analyste sur les marchés financiers mondiaux à Wall Street.

Ses recherches portent sur les marchés financiers, les questions monétaires et l'histoire économique. Il a été cité dans le Wall Street Journal, Reuters, NPR et dans de nombreuses autres publications.

Pete est titulaire d'une maîtrise en économie appliquée de l'Université américaine, d'un MBA (finance) et d'un BS en ingénierie de l'Académie militaire des États-Unis à West Point. Suis-le sur Twitter.

Soyez informé des nouveaux articles de Peter C. Earle et AIER. SOUSCRIRE

Vous pourriez également aimer...