Découvrez nos réseaux sociaux
Actualités

COVID-19 : Prédire sa propagation avec un nouveau modèle de viralité

Actualité publiée il y a 4 années 3 semaines 5 jours
PNAS
Cette théorie mathématique, basée sur la viralité de l’information, fait ici ses preuves sur des réseaux du monde réel.

Qui ou quoi, plus que l’information, pourrait mieux illustrer le principe de viralité ? Si cette étude de chercheurs de Université Carnegie Mellon (Pittsburg) n’apporte pas la solution miracle pour prédire la propagation du coronavirus, elle développe une théorie mathématique qui prédit plus précisément la probabilité d'émergence d'une épidémie que les modèles traditionnels et actuels qui ignorent les adaptations évolutives. Cette théorie mathématique, documentée dans les Actes de l’Académie des Sciences (PNAS) américaine et basée sur la viralité de l’information, fait ici ses preuves sur des réseaux du monde réel.

 

Ces travaux scientifiques interviennent alors que le nouveau coronavirus poursuit une propagation de mieux en mieux contenue avec une baisse d’incidence en Chine, mais se diffuse plus rapidement dans les autres pays. Ainsi, au 3 mars, le GISAID fait état de près de 91.000 cas confirmés, dont un peu plus de 80.000 en Chine et 10.000 dans les autres pays. 3117 décès sont recensés, dont 283 hors de Chine.

La circulation de l’information, un excellent modèle de viralité

 

Le concept défendu par l’étude repose sur la nécessité de prendre également en compte la situation et l’évolution en temps réel pour prévoir l'évolution du pathogène : en deux mots, pour prédire la propagation d’une épidémie, le modèle doit se nourrir en permanence de données en temps réel. Aujourd’hui, si de nombreuses études ont modélisé la propagation du nouveau coronavirus, les prévisions s’appuient sur des modèles mathématiques complexes, basés sur des taux souvent déjà dépassés.

 

Mais que se passe-t-il si un agent pathogène mute ou si les réponses évoluent, modifiant la vitesse et les directions de propagation ? L’équipe de recherche de Pittsburg montre pour la première fois l'importance de ces considérations : « Ces changements évolutifs ont un impact énorme », explique l’auteur principal, Osman Yagan, membre du CyLab et professeur agrégé de génie électrique et informatique : « Si vous ne considérez pas les changements possibles au fil du temps, vous serez dans l’incapacité de prédire le nombre cas d’infection ».

 

La circulation d’information, un modèle d’épidémie : tout comme un virus contagieux, l’information circule à toute vitesse sur les réseaux sociaux jusqu’à « devenir virale ». Le fait qu'une information devienne virale ou non peut dépendre de la façon dont le message d'origine est modifié ou évolue. Certains éléments de désinformation sont intentionnels, mais d’autres peuvent se développer de manière organique, un peu comme le glissement antigénique ou la mutation d’un virus. Ainsi, au cours de sa circulation, une donnée subit les infimes mais multiples modifications, au contact des nombreuses personnes qui la consultent et la transmettent. C’est exactement le même phénomène avec un virus, expliquent ici les chercheurs.

 

« Une information apparemment ennuyeuse peut évoluer en tweet viral, et nous devons être en mesure de prédire comment ces choses se propagent ».

 

La nouvelle théorie mathématique ici documentée prend en compte ces changements évolutifs. Testée avec des milliers de simulations utilisant les données de 2 réseaux du monde réel, un réseau de contact entre les étudiants, les enseignants et le personnel d'un lycée américain et un réseau de contact entre le personnel soignant et les patients (Lyon, France), la théorie se montre bien plus précise que les modèles actuels.

 

« Les modèles traditionnels qui ne prennent pas en compte les adaptations évolutives ne parviennent pas à prédire la probabilité d'émergence d'une épidémie. Nous sommes un peu plus près de la réalité ».