Mesure, démesure et modèles en épidémiologie : le cas de la Covid-19 - Anton Camacho

Description

Mesurer l’inconnu, quantifier l’incertitude, anticiper l’avenir : telles sont les ambitions des modèles mathématiques en épidémiologie. Pourtant, la pandémie de Covid-19 a mis en lumière tout à la fois leur puissance et leurs limites. Cinq ans après le début de cette crise mondiale, nous reviendrons sur la place occupée par ces outils dans notre appréhension de la démesure de l’événement, entre vertige des chiffres et nécessité de la décision. Que nous ont-ils permis de comprendre ? Où nous ont-ils induits en erreur ? À travers un regard critique, nous démystifierons ces modèles, explorerons leurs succès et leurs échecs, et interrogerons leur rôle dans les futures crises sanitaires.

Hébergé par Ausha. Visitez ausha.co/politique-de-confidentialite pour plus d'informations.

Transcription

Speaker #0
Bienvenue sur la chaîne des podcasts de l'Institut d'Hydro. Depuis sa création, l'Institut d'Hydro s'est affirmé comme un lieu de réflexion libre, indépendant et exigeant, ouvert aux grands enjeux de notre temps. Présidé par Hélène Béjuit-Hugues et dirigé par André Comtes-Ponville, l'Institut d'Hydro réunit des penseurs, des scientifiques, des économistes, des philosophes ainsi que des acteurs de la société civile pour analyser avec rigueur et ouverture les mutations profondes de notre époque. En 2025, nous poursuivons notre exploration. autour du thème « Mesures, démesures et modèles » à travers une série de podcasts qui prolongent les échanges tenus lors de nos conférences. Dans cet épisode, nous vous invitons à réfléchir avec nous, en compagnie d'Antoine Camacho, sur « Mesures, démesures et modèles en épidémiologie, le cas de la Covid-19 » . Bonne écoute, Institut Lydraud, partageons nos idées pour un avenir éclairé. Bonjour à tous, bonjour à toutes. J'ai le plaisir de vous accueillir à nouveau au sein de l'Institut d'Hydro, notre think tank, dont l'objectif premier, j'aime bien le rappeler, est de favoriser une approche multidisciplinaire et de proposer une vision prospective sur les grands thèmes qui préoccupent les sociétés contemporaines. C'est pourquoi, dans le cadre du thème qui a été retenu cette année, il nous a semblé judicieux, je dirais même pertinent, de nous pencher sur le sujet de l'épidémiologie. En prenant l'exemple de cet ennemi implacable qui a surgi en 2020 et qui a sidéré le monde et l'a complètement paralysé, dont nous sortons depuis 4 jours, entre guillemets, il y a 5 ans, de ce confinement dû, j'ai parlé bien sûr, du Covid-19. Alors classiquement, si je ne me trompe, l'épidémiologie s'étudie à partir de modèles mathématiques dont initialement, les ambitions, je cite, sont de mesurer l'inconnu, quantifier l'incertitude et anticiper l'avenir. Vaste programme, aurait dit quelqu'un. Alors, cinq ans après cette crise mondiale, qu'est-ce qu'on peut dire sur la place occupée par ces outils dans l'appréhension de la démesure de l'événement ? Que nous ont-ils permis de comprendre ? Où nous ont-ils induit en erreur ? Ce sont des questions auxquelles, j'espère, va répondre Antoine Camacho, que je laisse à André Le Soin de présenter. Merci.
Speaker #1
Bien, bonjour à tous. Donc, comme vous le savez, le thème... que notre Conseil d'Orientation a choisi pour l'année 2025, c'est le thème « Mesures, démesures et modèles » . Ces trois mots au pluriel, « mesures, démesures et modèles » . Et lors de la réunion du Conseil d'Orientation qui a choisi ce thème, Ronnie Broman, ici présent, membre du Conseil d'Orientation, a suggéré qu'on applique entre autres ces trois notions au problème de l'épidémiologie. avec évidemment en arrière-fond l'expérience relativement récente du Covid-19. Ça nous a paru une excellente idée, et donc j'ai demandé à Rony de traiter lui-même le sujet qu'il proposait. Il se trouve que Rony Broman, avec la modestie exagérée qui le caractérise, a jugé qu'il n'était pas capable de traiter valablement ce sujet, mais il m'a dit « je vais te trouver quelqu'un » . Et donc je dois deux remerciements. le premier à renier pour avoir proposé Le sujet est trouvé le conférencier et bien sûr à Anton Camacho d'avoir eu la gentillesse d'accepter. En s'agissant d'Anton Camacho, c'est un ingénieur de formation spécialisé en bioinformatique et titulaire d'une thèse de modélisation des maladies infectieuses. Donc là on est au cœur de la compétence souhaitée. Il m'explique dans un mail qu'il m'avait envoyé que lors de son poste doctorat à la London School en hygiène et médecine tropicale, il a développé un modèle de prévision à court terme pour l'épidémie d'Ebola en Afrique de l'Ouest en 2014-2016 dans le cas d'une collaboration avec Epicentre qu'il a rejoint en 2016. Alors, Episante, c'est une filiale ou un satellite de MSF, Médecins sans frontières, que René... a présidé pendant des années, donc ONG bien connue, qui a obtenu le prix Nobel de la paix, je crois que c'est en 1999, si mes souvenirs sont bons. Et dans le mail qu'il m'envoyait, donc Antoine Camacho m'expliquait que ses travaux... porte principalement sur la construction et l'analyse de modèles mathématiques visant à mieux comprendre la dynamique des maladies infectieuses. Je n'en dis pas plus sur son parcours, je le remercie simplement très chaleureusement d'avoir accepté notre invitation et donc Antoine, encore merci, vous avez la parole pour 45 minutes.
Speaker #2
Merci. Bonjour à tous et à toutes. Donc, effectivement, le thème qui m'a été proposé et que j'ai essayé de développer dans cette présentation, c'est celui des mesures, des mesures et modèles en épidémiologie. Et le cas, non pas du Covid-19, mais de la Covid-19. Je suis désolé, je n'ai pas pu passer la coquille dans le premier titre, puisque effectivement, c'est la maladie et le virus. Donc, c'est le SARS-CoV-2 et la Covid-19. Donc effectivement, comme vous l'avez rappelé, les modèles en épidémiologie ont pour ambition de mesurer l'inconnu, quantifier la certitude, anticiper l'avenir, ce qui peut paraître peut-être présomptueux. Mais en fait, aujourd'hui, on va un peu décortiquer ces modèles ensemble et puis regarder à quoi ils ont servi. Mais pour commencer, je vais juste vous parler d'autres modèles. qui en fait s'attache à faire ces trois choses. et qui vous sembleront peut-être tout à fait raisonnables. Le premier, c'est ce système, la Lune. C'est un système, on peut mesurer avec une très grande précision son poids, sa distance à la Terre, et on peut prédire où elle sera dans les 100 prochaines années, ce qui est très pratique pour connaître les marées à l'avance. Et donc du coup, ça c'est typiquement... des modèles derrière qui nous donnent cette connaissance. Un autre modèle, cette fois-ci, un encore modèle physique, qui est un magnifique ouragan, et qui là aussi, pour le coup, on peut très bien mesurer sa position, sa vitesse, mais quand on veut faire des prédictions, on a quand même une certaine incertitude quant à la trajectoire à quelques jours. Donc ça reste un système physique parfaitement, enfin, qu'on arrive à quand même caractériser, mais avec quand même une institute dans la prédiction. Et je sais qu'il y a des assureurs dans la salle, donc a priori, c'est des systèmes qui vous intéressent, ces ouragans. Mais moi, le système dans lequel je vais vous parler, c'est celui-ci, qui est en fait un système qui a à la fois... un système physique puisqu'on est quand même fait d'atomes, mais qui a une dimension supplémentaire qui est la dimension du vivant. C'est-à-dire que pour pouvoir comprendre comment une épidémie se propage dans une population, voire la mettre sous forme mathématique, il faut essayer un peu comprendre comment ces populations, les gens, rentrent en contact les uns avec les autres. Et en fait c'est un peu la la difficulté du vivant, c'est qu'il ne se laisse pas facilement mettre sous forme d'équations. Il y a des choses qui sont beaucoup plus contingentes que ce qu'on peut trouver en physique et qui rend difficile justement cette mise en équation. Donc c'est toute l'ambition des modèles mathématiques et vous verrez que le but aussi de la conférence c'est un peu de démystifier ces modèles. On s'imagine qu'il y a des choses très très complexes Et en fait, c'est beaucoup plus simple qu'on ne le pense. Et typiquement, les modèles les plus simples considèrent que tous les gens se rendent compte de manière complètement aléatoire, ce qui est évidemment faux, sauf peut-être si vous passez votre vie sur le carrefour de Shibuya à Tokyo, où évidemment, ça a peut-être plus de chances que vous croisiez à peu près tout le monde à la fin de l'année. Donc, avant de... Parler de ces modèles et de leur application pendant la pandémie, je vais faire un petit détour historique et aussi explicatif sur ce que sont en fait ces modèles mathématiques en épidémiologie. Et évidemment, comme je suis dans ces murs, je n'ai pas pu résister à l'envie d'ouvrir l'encyclopédie de Diderot et d'Alembert pour aller chercher ce que je pouvais trouver sur la modélisation mathématique en épidémiologie. Évidemment, je n'ai rien trouvé. En tout cas, pas le terme modélisation mathématique en épidémiologie. Mais on trouve quand même des choses assez intéressantes, à commencer par une très bonne section, définition de ce que c'est qu'une épidémie, donc au XVIIIe siècle. C'est un peu petit pour moi pour lire, mais en gros, ce qui est intéressant de voir, c'est qu'à l'époque, on considère que les maladies se propagent via l'air et que c'est l'air en rentrant dans votre corps. qui vous inocule des miasmes, qui derrière vous a développé des symptômes. Et en fait, de manière assez surprenante, la notion de transmission de personne à personne n'est pas considérée comme quelque chose de très important, c'est même plutôt rare, et ça a plutôt à voir avec l'air. Vous connaissez probablement la malaria, qui est cette maladie de l'air mauvais. Et donc... C'est assez intéressant de se plonger là-dedans, puisque aujourd'hui, vraiment, les modèles mathématiques cherchent vraiment à modéliser ce contact entre les gens. On sait à quel point c'est important pour les maladies qui nous intéressent. Et puis, il y a aussi cette deuxième partie de la section où ils engagent, en fait, les médecins à vraiment décrire de manière poussée, en fait, ces épidémies qu'ils voient. Et il se réfère à... Hippocrate comme étant le modèle dans cette description de ces épidémies afin de mieux les comprendre. Donc en fait, à cette époque du 8e siècle... L'épidémiologie, elle n'est pas vraiment encore une branche à part, c'est partie de la médecine, et c'est principalement empirique. Donc ça fait des centaines d'années que c'est comme ça. Mais dans l'encyclopédie, ce qui est intéressant, c'est que l'encyclopédie, elle se situe dans un endroit, une période, qui n'est plus la période de la science empirique. On est déjà dans la science théorique. On a changé de paradigme, et il y a un autre chapitre dans l'encyclopédie qui est très intéressant. puisqu'en fait, elle va parler des fondements de la modélisation mathématique en épidémiologie. Et ces fondements, cette base mathématique, on l'appelle le calcul différentiel, et c'est une méthode mathématique qui a été co-inventée par deux géants, Newton et Leibniz. Et alors, il y a toujours un conflit entre les deux. On attribue la première publication à Leibniz. qu'il appelle le calcul différentiel, et Newton, qui appelle ça la méthode des fluxions, mais en fait c'est la même chose. Et donc il y avait ce conflit entre les deux, et si vous allez au muséum du sang naturel d'Oxford, vous pouvez voir les deux statues de Leibniz et Newton, ils ne l'ont pas mis à côté quand même, ils les ont un peu séparés, et c'est vrai que Newton a l'air un peu vexé, mais en fait ce n'est pas du tout ça, il regarde juste la pomme qui vient tomber à ses pieds, ce qui va lui donner une idée assez révolutionnaire. qui lui procurera bien du plaisir, puisque une dizaine d'années plus tard, il inventera les lois de la gravitation universelle, qui lui permettront notamment, par exemple, d'écrire la rotation de la Lune autour de la Terre, et les marées, si on veut. Donc ça, en fait, le calcul différentiel, c'est vraiment la base de la modélisation mathématique, Et ça a été inventé. un siècle à peu près avant l'encyclopédie, donc fin milieu du 7e, et en fait l'épidémiologie va mettre beaucoup de temps à se développer. C'est qu'au début du 20e siècle, donc plus de presque deux siècles et demi après l'invention de ce calcul différentiel, que va naître la théorie mathématique de l'épidémiologie. Et c'est un papier publié en 1927. par deux écossais, Carmack et McKendrick, qui posent toutes les bases de la modélisation mathématique en épidémiologie. Dans ce papier, vous pouvez voir plusieurs choses. Des équations, c'est une équation différentielle, ça part de la théorie de Leibniz et Newton. Et en fait, ces équations différentielles, c'est ce qu'on appelle les modèles à compartiment. C'est le fameux modèle SIR, vous avez peut-être entendu parler. Et donc ça, on va les voir juste après. Mais donc ça, c'est là. Ici, à partir de ces équations, ils vont les étudier et ils vont dériver certaines propriétés. Donc ça, il y a une petite phrase ici qui explique qu'il faut qu'il y ait certaines conditions pour que derrière, il y ait une épidémie. Et cette condition, en fait, c'est le fameux R0, le nombre de reproductions de base, lequel je pense que vous avez entendu parler encore et encore pendant la pandémie. Donc c'est le nombre de personnes qu'on va infecter le temps qu'on est infectieux, au début d'une épidémie. Il y a une deuxième propriété de ces équations, qui est hyper intéressante, c'est qu'elles vont permettre d'expliquer pourquoi, à la fin d'une épidémie, tout le monde n'a pas été infecté. Pourquoi il y a cette personne qui échappe à la maladie ? Et donc ça aussi, mathématiquement, ils le démontrent. Et la troisième chose qu'ils font, et qui est encore, à mon sens, encore plus, enfin très forte, c'est qu'ils prennent une épidémie de peste à bomber, et ils vont ajuster le modèle aux données. Donc ils prennent les points, et ils arrivent à ajuster, aujourd'hui on fait ça avec des ordinateurs, eux ils font ça à la main, et à retrouver les paramètres du modèle qui font que la courbe passe par les points des données. Donc ça c'est très très fort et il y a tout ici. C'est-à-dire que depuis on n'a fait qu'améliorer mais il n'y a pas eu de grande révolution. Donc on va voir un peu ensemble cette modélisation en fait, alors sans parler des équations, mais cette modélisation qu'on appelle la modélisation mécaniste. C'est un mot qui est très important puisqu'en fait il s'attache à... modéliser les mécanismes s'assant à la propagation de l'épidémie. Donc évidemment, un modèle, c'est une simplification. Et ce modèle est très simple. Vous allez voir qu'il est... Particulièrement intéressant. Donc ce modèle SIR, il divise la population en trois. On a les susceptibles, les infectieux et ce qu'on appelle les retirés. C'est soit ceux qui sont morts ou soit ceux qui sont guéris. Ils sont retirés du processus de propagation. Et donc on représente ça avec des boîtes. Et puis on met des flèches qui correspondent aux transitions, c'est-à-dire comment les individus passent d'un groupe à l'autre. Et sur ces flèches, on va mettre des... des termes mathématiques. Et ces termes mathématiques, ils peuvent paraître arbitraires ici, mais en fait, ils ont une signification biologique. Chaque paramètre ici a une interprétation biologique claire. Donc c'est pour ça que c'est un modèle mécaniste. C'est parce qu'on peut relier ces paramètres à des concepts très concrets. Typiquement, le bêta ici, vous voyez, c'est le taux de contact effectif. C'est-à-dire ? C'est le nombre de contacts que je vais faire dans la journée, multiplié par la probabilité que si je rencontre quelqu'un qui est infecté, il me transmette la maladie. C'est peut-être un petit peu abstrait, mais c'est quand même quelque chose qui a une réalité. Il est multiplié par I sur N. I, c'est les infectieux, divisé par N, c'est tout simplement la proportion d'infectieux dans ma population. L'hypothèse derrière, c'est que j'ai autant de chances de rencontrer un infectieux que n'importe qui d'autre. La probabilité que je rencontre quelqu'un au hasard, s'il y a I personnes, c'est I sur N. C'est vraiment une façon très simple de modéliser la façon dont les gens se rencontrent. Et puis 1 sur D, c'est un taux de guérison. Et c'est 1 sur la durée d'infectiosité. Ça, on connaît bien aussi. C'est en général combien de temps on est malade, combien de temps on va... infectés, toussés par exemple. Donc ça, c'est des paramètres qui ont une vraie réalité. Et en fait, ce fameux R0, qui est le nombre de cas secondaires générés par un cas primaire dans une population totalement susceptible, donc ça ne vaut que au début de la pandémie, c'est tout simplement le produit de bêta fois D, donc le taux de contact effectif fois la durée d'infectiosité.
Speaker #3
Ce R0,
Speaker #2
voici sa valeur pour quelques virus. C'est la contagiosité. Il va pour des maladies comme Ebola, entre 1,3 et 2. C'est une maladie très mortelle, mais qui n'est pas la plus transmissible. Jusqu'à la rougeole, qui est une maladie extrêmement transmissible, et qui va jusqu'à entre 12 et 18. C'est-à-dire qu'en moyenne, une personne va infecter 15 personnes. Donc pourquoi est-ce que c'est important de quantifier ce R0 ? On va le voir juste après. Mais d'abord, regardons comment se comporte ce modèle. Très simple, en termes de trajectoire, vous allez tout de suite voir l'analogie avec une épidémie. On est dans une situation où au début, tout le monde, toute la population est susceptible, et puis il y a un infectieux, donc ils sont en rouge, et les infectieux vont forcément, si R0 est plus grand que 1, l'épidémie va démarrer. ils vont transmettre la maladie, donc les susceptibles vont diminuer en proportion. Et puis, après avoir été infectieux, ils vont guérir, ou être retirés, et donc la courbe bleue va monter. Ce qui fait qu'on a une belle épidémie en cloche, qui est ici en rouge, et à la fin de l'épidémie, on voit que la majorité des gens sont retirés, ils sont guéris ou décédés, et puis il reste un petit morceau du susceptible, à la fin, qui a échappé. à l'épidémie. Donc il y a toujours une proportion qui échappe à l'épidémie. Et si on veut connaître cette proportion, en fait ce qui est assez élégant avec ce modèle de Kamak et McKendrick, c'est qu'il y a une équation très simple comme celle-ci, avec le z, 1 égale 1 moins exponentielle de moins z fois R0, et z c'est la proportion de la population qui va être infectée. Donc il suffit de résoudre cette équation, et donc si on la résout, on trouve pour chaque R0 Combien de personnes vont être affectées ? Donc il y a une relation directe entre la contagiosité de ma maladie et à la fin de l'épidémie, combien de personnes j'ai infectées. Donc cette courbe, elle est ici en bleu. Et ce qui est assez intéressant, c'est qu'elle monte très rapidement. C'est-à-dire qu'en gros, entre R0, entre 1 et 2, on voit que la population affectée, elle passe de 0 à 80%. Donc une maladie, si c'est 1,1 ou 1,6, c'est extrêmement différent. Par contre, une fois qu'on dépasse 2, on est entre 80 et 100. Donc si mon R0, c'est 18 ou 10, ce n'est pas une grosse différence. sur la taille finale de l'épidémie. Ça va jouer sur la rapidité de l'épidémie et la difficulté à la contrôler, mais en termes de taille finale, ça n'a pas un grand impact. Donc ça, c'est des petites choses mathématiques qui sont assez simples, mais qui ont une grande résonance parce que ça permet vraiment de comprendre ce qui se passe malgré toutes ces approximations que fait le modèle. Donc, évidemment, l'idée, ce n'est pas que l'épidémie se propage... comme ça sans qu'on fasse rien. Et donc, qu'est-ce qui se passe en général quand l'épidémie démarre ? C'est qu'on va essayer de la contrôler. Et pour la contrôler, ce n'est pas tellement le R0 qui va être intéressant, c'est ce qu'on appelle le nombre de reproductions effectives, on l'appelle RT, qui est en fait le produit de R0 fois la proportion de susceptibles qu'il me reste dans la population au cours du temps. Donc au plus mes susceptibles diminuent, au plus mon RT diminue. Vous voyez ? et on va voir comment est-ce qu'on peut faire diminuer ce RT autrement qu'en laissant les gens se faire infecter. Donc, si on a une épidémie qui démarre, on voit qu'à un moment donné, si RT continue à être plus grand que 1, l'épidémie continue sa croissance exponentielle. Si j'arrive à mettre mon RT à 1, je vais voir un plateau, et si je fais descendre RT en dessous de 1, on dit que l'épidémie est sous contrôle, ça descend. Vous voyez déjà un peu le lien avec ce qui va nous arriver. Et donc toute la question c'est de bien mesurer RT et d'essayer de bien trouver les stratégies qui vont le faire passer en dessous de 1. Pour ça, il faut que je vous en dise un petit peu plus sur ce RT, puisque l'équation β fois d fois st sur n, elle est déjà intéressante, mais elle ne vous dit pas tout parce que dans ce β, il y a des choses qui sont un peu cachées. Donc qu'est-ce que c'est ce RT ? C'est en fait le produit de... d'une probabilité qui correspond à la probabilité d'avoir un contact avec quelqu'un, qui est la probabilité qu'aujourd'hui j'ai des contacts dans ma journée avec quelqu'un d'autre, fois la probabilité que si je rencontre quelqu'un qui est infecté, il y a une transmission, parce que je rencontre quelqu'un qui est infecté, que je vais forcément avoir le virus, multiplié par la durée d'infectiosité, multiplié par la proportion. Deux susceptibles. Donc ça, c'est un peu la forme étendue de RT. Et elle nous permet de réfléchir où est-ce qu'on va pouvoir agir pour le faire diminuer en dessous de 1. La première chose qu'on peut faire, c'est au niveau de la distanciation sociale. C'est-à-dire faire en sorte que cette probabilité de contact, elle diminue. Si elle diminue, RT diminue. Donc typiquement, l'espace entre les gens. L'autre façon de faire, c'est de... Mettre des masques. Si on met des masques, même si j'ai des contacts, il y a moins de chances que je transmette. Donc on joue sur ce terme. Si on a des traitements, typiquement des antiviraux, on va pouvoir jouer sur la durée d'infectiosité. Bon, on n'avait pas beaucoup au début du Covid, mais pour la grippe, il y en a. Et puis, avec la vaccination, je vais pouvoir aussi faire diminuer ma proportion de susceptibles en les vaccinant. avant qu'ils soient infectés. Donc vous voyez qu'on a des outils et en fait on peut voir sur le modèle mécaniste où est-ce qu'on va les intégrer. C'est-à-dire que quand on va demander à des modélisateurs de simuler telle stratégie, ils vont modifier tel paramètre. Et donc c'est des choses très simples, c'est des multiplications, il n'y a pas de formule mathématique extrêmement compliquée. Et donc c'est ça qu'ils vont faire. Alors, il y a plusieurs types de modèles, je vous en ai présenté un jusqu'à présent, c'est les modèles à compartiment. Et en fait, ces modèles, ils s'attachent à ne suivre que le statut des populations. On a trois populations, trois sous-populations, les S, les I, les R. Bon, ça c'était ce qu'on faisait dès 1927. A partir de 1945, on a développé les ordinateurs, et notamment les calculs de Monte Carlo et les simulations. Bon, voilà, c'était pas peut-être pour les bonnes raisons, mais c'est des outils qui sont arrivés et qui se sont développés extrêmement rapidement à partir des années 40. Et puis, les modèles épidémiologiques ont commencé à utiliser les simulations pour ce qu'on appelle modéliser à base d'agents. C'est-à-dire que là, on a... Ce n'est plus des équations, c'est du code. Et on a comme des agents qui vivent dans un espace virtuel et se rendent compte. Et ça permet d'avoir un contrôle au niveau de l'individu. Je peux vraiment, là, avoir beaucoup plus de flexibilité sur ce que je peux modéliser. Mais ça reste des règles mathématiques quand ils se rencontrent. Il y a toujours une probabilité d'infecter, une probabilité de transmettre, etc. Et puis, à l'inverse, il y a des modèles qui sont plus efficaces. qui sont beaucoup plus simples. On a simplifié ces modèles pour finalement ne garder que les personnes infectées. On considère qu'on est au début de l'épidémie, qu'il y ait 1 000, 1 000 000 de personnes susceptibles, ça n'a aucune importance, de toute façon je vais toujours en trouver. Donc je vais modéliser juste les personnes infectées. Et ça en fait c'est un formalisme qui est assez puissant, qui est beaucoup plus simple. Je réduis mon problème à une équation et je vais pouvoir simuler très rapidement et faire des choses. plus simplement même des choses papier crayon pour comprendre comment ça se passe. Donc évidemment ces modèles sont pas pareils et ils ont des avantages et des inconvénients. Au plus on monte, au plus c'est compliqué, au plus il faut de paramètres et de données pour calibrer le modèle. Et au plus on descend, au plus c'est simple et au plus on peut les faire tourner avec un minimum d'infos et assez rapidement. Donc là, vous avez les trois grands types de modèles qui ont été utilisés pendant la Covid-19. Et évidemment, les modèles sans données, ça a moins d'intérêt. Et donc aujourd'hui, on a vraiment de plus en plus de données utilisées par les modèles. Et en fait, la fiabilité d'un modèle dépend de la fiabilité des données. Si on n'a pas de données, on ne va pas forcément avoir des bons résultats avec le modèle. Et en fait, les questions, c'est toujours... Enfin, le nerf de la guerre, c'est... J'ai une question, est-ce que j'ai les données pour y répondre ? Et est-ce que j'ai le modèle qui est approprié aux données que j'utilise ? Donc ça c'est le savoir-être du modélisateur, c'est de pouvoir dire non ça on ne pourra pas répondre, ça on pourra, il faut utiliser tel modèle. Ça c'est le nombre de papiers publiés en modélisation mathématique des maladies infectieuses depuis l'année 90. Donc on a une croissance, je ne sais pas si c'est de l'exponentiel, mais ça a vraiment... augmenté très fortement. Et vous voyez qu'en 2020, avec la Covid, on a encore une explosion supplémentaire. Et ça, c'est le nombre de papiers sur le R0. Donc vraiment, ce R0, c'est un peu le nombre fétiche des modélisateurs. Et au début d'une épidémie, d'une pandémie, de ce que vous voulez, il y a toujours beaucoup de papiers qui vont essayer de mesurer le R0. Donc ça, c'est un... c'est très bien parce qu'il y a besoin qu'il y ait plein de gens qui regardent les données de manière indépendante le petit souci c'est que si on regarde pour la Covid-19 on s'est retrouvé quand même avec des estimations qu'elle est de 1 à 6 donc évidemment il y a une grande incertitude et tout ça c'est juste des données qui venaient de Chine donc on était vraiment au tout début et ça montre en fait que il y a quand même des méthodes une hétérogénéité dans les savoirs, dans les méthodes, dans la façon de carrer les données, qui fait qu'on n'a pas toujours des réponses très précises sur des questions aussi cruciales que ce que vaut le R0. Donc, ça c'était le premier point. Je ne sais pas combien de temps il me reste, mais on va essayer un peu de... Ok, bon, ça va. Donc, le point qui nous intéresse maintenant... c'est que pour comprendre les épidémies, il faut bien comprendre que c'est une cible mouvante, c'est dynamique. Et les questions qu'on va se poser et les modèles qu'on va utiliser pour y répondre, ça va être aussi dynamique. Il n'y a pas un modèle comme ça qui nous donne toutes les réponses à toutes nos questions. Donc pour ça, j'ai besoin de replonger un petit peu dans ce qu'a été la pandémie de Covid-19. Je vous avoue que quand j'ai préparé cette présentation, Je ne savais même plus combien il y avait de confinement. Tout ça, c'était très flou, très, très, très loin. Et donc, j'ai dû aller chercher des données qui, heureusement, sont archivées pour retracer un petit peu cette pandémie en France. Donc, j'espère que ça vous parlera. Donc, la pandémie de Covid-19 en France, si je regarde le nombre de cas confirmés au cours du temps, Et je regarde depuis le début, c'est-à-dire début 2020, on voit qu'on a des vagues successives. Donc ici, les vagues successives, on les voit. On a une première vague, deuxième, troisième, quatrième. En gris, j'ai mis les confinements. Donc c'est les périodes où il y a eu les confinements. Donc il y a eu trois confinements qu'on voit très bien ici. Donc ces confinements, effectivement, c'était des situations assez exceptionnelles. Et ce qu'on voit, c'est qu'effectivement, on a un premier confinement, puis un deuxième qui permet d'expliquer un peu cette baisse du nombre de cas assez drastique au niveau du deuxième confinement. Le fait qu'il y ait beaucoup plus de cas au deuxième vague que la première, c'est surtout parce qu'on avait des tests disponibles. à la deuxième qu'on n'avait pas à la première. Il ne faut pas se laisser avoir par les données là. Et puis, au deuxième confinement, qui est un peu moins drastique que le premier, ça diminue, et là, pas de bol, un nouveau variant, le premier variant, le alpha, qui fait que la pente remonte, jusqu'au moment où il faut reconfiner. On verra pourquoi. Et le nombre de cas redescend. Et puis, ça descend très bas. Et puis le variant Delta arrive et à chaque nouveau variant, il y a un échappement immunitaire. Et donc c'est ça qui va faire que les gens vont se faire réinfecter et l'épidémie va repartir. Et en fait, le R0, il était peut-être de 2,3 au début. A la fin, on va le voir, il va monter jusqu'à 8. Donc c'est des virus qui sont extrêmement... contagieux mais comme la population est déjà immunisée le RT reste autour de 1-2 et donc au final ça se transmet pas non plus comme si la population était complètement susceptible donc ça c'est le nombre de cas confirmés donc on voit ces différentes vagues et pourquoi est-ce qu'on a confiné et bien en fait le baromètre c'était vraiment la capacité maximale en soins critiques Donc on avait une limite à 8000 lits en France et toute l'idée c'était de ne pas dépasser ce nombre. Et donc on voit la première vague, on s'est rapproché dangereusement de ce seuil. Et en fait ce qui a motivé principalement les confinements, c'était de réduire la pression sur le manque de lits et pour ces soins critiques. Donc là, effectivement, on voit les... les quatre vagues aussi. Et en termes de décès, on va commencer à observer quelque chose d'intéressant. C'est-à-dire qu'on a ces vagues successives où effectivement, il y a des décès. Et puis, on voit au troisième confinement, le nombre de décès, finalement, il descend, il n'est plus en train de monter. Donc la vague, elle est atténuée. Il y a comme un découplage entre les infections et les décès. Et on voit aussi Merci. en octobre 2021, quand il y a la variante Delta, que les décès font une petite remontée, mais pas énorme. Et ce découplage est dû à quoi ? Eh bien, il est grandement dû à la vaccination. C'est-à-dire qu'on a commencé à vacciner en janvier 2021, et puis ça a augmenté jusqu'à arriver autour de 70% en fin 2021. Et donc, c'est vraiment le fait que... Alors, cette vaccination, malheureusement, elle n'empêchait pas la transmission, mais elle empêchait les formes sévères. et de potentiellement mourir. Donc ça permet un découplage entre les décès et les cas. Et en fait, ce qui s'est passé juste après, ça a été l'arrivée d'Omicron. Et Omicron, ça a été un variant extrêmement... qui se transmettait de manière très intense. et la vague au micron, vous voyez, la méthode vague, on ne les voit même plus. C'est-à-dire qu'on a une augmentation x7 avec un pic à 350 000 cas. Donc il y a aussi beaucoup de tests, tout le monde a pris l'habitude de se faire tester, donc ça joue aussi. Mais ce qui est intéressant de voir, c'est qu'on a une augmentation x7 des cas, mais on n'a pas une augmentation x7 des essais, des soins intensifs. Donc en fait, on a ce découplage qui continue à s'opérer avec des petites remontées. en grande partie grâce à la vaccination, mais aussi à l'immunité acquise, puisque tout le monde a plus ou moins été infecté aussi. Donc ça a joué énormément. Voilà, donc ça c'est pour se remettre un peu dans les grandes lignes de cette pandémie. Et évidemment, les questions ne vont pas être les mêmes si on n'a pas de vaccin disponible. Donc là on est au début, on est sur les deux premières vagues, il n'y a même pas encore de variant. Et les questions c'est... À quoi faut-il s'attendre ? On est en mars 2020, qu'est-ce qui va se passer ? Et quelles stratégies il va falloir adopter, sachant qu'on n'a pas de vaccin et pas de traitement ? Pendant ces vagues, les questions vont être plutôt de vouloir essayer de faire des prévisions à court-moyen terme pour essayer de piloter la façon dont l'épidémie évolue, pour essayer de piloter les besoins en ligne, quand est-ce qu'il va falloir peut-être réactiver des mesures drastiques. ou bien quand aura lieu le pic épidémique. Et puis, après une vague, les questions qu'on se pose, c'est bon, maintenant qu'on a fait des interventions, la vague Derrière nous, est-ce qu'on peut demander au modèle de nous dire quel a été l'effet de ces interventions ? Et comme il y en a plusieurs, est-ce qu'on arrive à dire laquelle a eu le plus d'impact ? Et puis effectivement, s'il y a une prochaine vague, quand est-ce qu'elle aura lieu ? Donc ça, c'est des questions très différentes qui dépendent du moment où on est dans l'épidémie. Quand un nouveau variant arrive, les questions qu'on va poser, c'est ce nouveau variant, c'est quoi ses caractéristiques, sa transmission, est-ce qu'il est plus mortel ? Est-ce qu'il échappe à l'immunité ? Et puis aussi, comment il va interagir avec les autres variants ? Est-ce qu'il va coexister avec les autres ? Est-ce qu'il va remplacer ? Tout ça, c'est des questions aussi qu'on pose aux modèles. C'est un modèle un petit peu différent de ceux que je vous ai présentés. Mais tout ça, c'est des questions auxquelles on pose aux modélisateurs. Et puis, une fois que le vaccin est disponible, quelque part, on est dans un problème, on va dire, plus traditionnel, où c'est plutôt de l'optimisation. Quelle est la meilleure stratégie ? Est-ce que je dois donner d'abord aux personnes les plus à risque ou aux personnes qui transmettent le plus, les enfants en général ? Et puis si je dois gérer une pénurie, puisque c'était le cas au début, est-ce que je dois adapter la stratégie ? Par exemple, je n'ai donné qu'une dose à plus de gens et je vais retarder la deuxième dose. Donc ça, c'est des choses qu'on fait pour la Covid, mais on fait pour plein d'autres maladies où il y en a de vaccins. Et donc, vraiment, les questions les plus importantes, on va dire que j'ai traité aujourd'hui parce que je... je ne peux pas tout faire, c'est vraiment ces questions au début. Au début, ces premiers modèles, parce qu'ils nous ont tous marqués et donc je me suis repenché là-dessus. Donc on est le 16 mars 2020, on a l'annonce présidentielle du premier confinement en France et on a en tout environ 6000 cas confirmés, 285 personnes en réanimation et 161 personnes qui sont officiellement décédées de la Covid. C'est à ce moment-là que, dans les médias, on a du coup ces premières annonces de ces prédictions alarmantes des modèles. On notera que la photo n'est pas celle d'un modèle, mais d'un isoloir, puisqu'on était aussi censé aller voter pour les municipales, pour le premier tour. Et donc ce premier modèle qui sort, c'est un modèle qui est un modèle de Imperial College de Londres. où il y a une énorme équipe de modélisation. Et c'est un modèle qui date de 2005. Et pour vous le représenter, c'est un modèle à base d'agents, que j'ai parlé juste avant avec ce monde virtuel. Donc il n'est pas aussi sympathique que SimCity, mais c'est un peu la même idée. Il y a des hôpitaux, il y a des écoles, il y a des maisons, et puis une population synthétique qui va interagir. Et on va là-dedans infecter des gens et voir comment ça se propage. Donc ce premier modèle, c'est un modèle qui date de 2005. Donc vous voyez, c'est un modèle qui a déjà été éprouvé, mais qui est aussi un peu ancien. Et donc le premier chiffre qui sort même dans l'article du Monde, c'est effectivement ces centaines de milliers de morts qu'on annonce. Donc on est sur un choc avec ce modèle qui a simulé l'épidémie au Royaume-Uni et aux États-Unis, et qui prévoit 500 000 morts d'un côté et 2,2 millions de l'autre. Et effectivement, c'est quelque chose qui fait beaucoup de bruit, mais en fait ce résultat, il est marquant, mais il n'est pas du tout surprenant, et vous allez voir qu'on va le retrouver très facilement avec notre modèle de Carmack et McKendrick, qui nous disent que la taille finale de l'épidémie, c'est cette équation. Donc je prends le même R0 que l'équipe d'Imperial College, 2.4, j'arrive à une donnée, l'équation me dit que 88% de la population sera infectée si rien n'est fait. Ensuite, je multiplie par la population des États-Unis ou du Royaume-Uni. Ce n'est pas la même. Et ensuite, j'ai besoin du risque de décès. C'est quoi le risque de décès pour une infection ? Et ça, en fait, c'est une donnée qu'heureusement, on a réussi à extraire des données de Wuhan. Donc, il y a une publication à l'époque qui nous dit que ramener la population du Royaume-Uni, c'est 0,9. Et donc, si je fais juste ce produit, je retiens les mêmes nombres à peu de choses près que le modèle très compliqué à base d'agents. Et ça, ça veut dire quoi ? C'est-à-dire qu'on a juste un virus qui se transmet très rapidement, et peu importe un peu le modèle qu'on utilise, avec ses subtilités, c'est énorme en fait, 2.4. Donc, ce résultat, il a beaucoup marqué les médias, mais il n'était vraiment pas surprenant, et ce n'est pas pour ça que ce modèle est intéressant, c'est pour une autre raison. Ah oui, alors, il se trouve aussi qu'il a été beaucoup critiqué en disant qu'on avait beaucoup surestimé la létalité, donc j'ai retrouvé les données, et je vous les montre ici. Donc en vert, vous avez effectivement les données de létalité par infection en fonction de l'âge. Vous voyez que ça augmente énormément entre un enfant et une enfant. Une personne âgée, on n'a pas du tout le même taux de létalité. On monte jusqu'à 10% chez les personnes de plus de 80 ans. Et donc ça, c'est la base, c'est sur une étude. Et ensuite, en rouge, vous avez l'étude la plus complète, qui combine des données de 22 études sur 45 pays. C'est vraiment magnifique. Et ce que vous voyez, c'est effectivement, cette courbe rouge, elle est un peu en dessous de la courbe verte, ce qui montre qu'effectivement, c'était surestimé. Mais on n'est pas non plus dans un facteur 10. on est dans un facteur 1,2 voire 2, pardon. Et donc, en fait, on est parfois dans l'intérêt de confiance en pointillés. Donc, ça n'aurait pas changé la face du résultat du modèle si on avait utilisé ces données qu'à l'époque on n'avait pas. Et ce qui est intéressant, c'est que si on zoome chez les personnes de moins de 50 ans, on voit qu'on a aussi cette différence. Mais juste pour montrer, entre un enfant de 10 ans et une personne de 80 ans, la létalité est multipliée par 8000, le risque de mourir. Donc c'est énorme, il n'y a pas beaucoup de maladies qui ont un spectre aussi énorme en termes de létalité en fonction de l'âge. Mais ce modèle n'est pas intéressant pour ça en fait, ce modèle est intéressant pourquoi ? Parce qu'il y a suffisamment de précision pour pouvoir aller tester des stratégies assez différentes. et en fait il y a le pire Il y a deux stratégies qui vont être testées. La stratégie d'atténuation qui consiste à, on va dire, pas confiner et essayer juste d'atténuer l'épidémie. Et la stratégie 2 qu'on appelle suppression qui, elle, va impliquer des mesures drastiques. Et en fait, ce modèle, on revient dessus, mais au début, il prévoyait plutôt que l'atténuation allait marcher. Et c'est... avec les données qui sont arrivées d'Italie quelques jours avant la publication du modèle, qui se sont rendus compte que ça ne passerait pas, qu'il fallait être très limite. Et c'est pour ça que cette stratégie d'atténuation, vous voyez, cette courbe bleue, elle passe en Angleterre la capacité de soins critiques. Et donc c'est pour ça qu'ils disent que leur conclusion la plus importante est sans doute qu'il est un peu probable que des mesures d'atténuation puissent être prises. sans que les limites de capacité des systèmes de soins de santé du Royaume-Uni, États-Unis, mais aussi la France, ne soient dépassées à plusieurs reprises. Donc voilà, c'est ça le premier résultat important. Et le deuxième, c'est que malheureusement, si on relâche ces interventions, les gens sont toujours susceptibles, et donc la transmission redémarre, et il faut attendre à avoir un rebond, une deuxième vague. Et en fait, là, on voit que... La deuxième vague dans la stratégie de suppression, elle est beaucoup plus haute que l'atténuation. Et c'est pour ça que la stratégie d'atténuation est intéressante, de se dire, on va atténuer sans dépasser la capacité, pour que les gens s'immunisent et que quand on relâche, on n'ait pas une vague aussi importante que si on avait confiné tout le monde. Donc c'est vraiment une stratégie intéressante, c'est juste que là, elle ne passe pas. Donc, il y a ce premier résultat. Et en fait, dans le papier, ils disent, bon, si l'épidémie repart, il va falloir refaire des interventions. Et donc, ils ont cette figure-là, qui finalement, qualitativement, est assez proche de ce qu'on a vécu, qui est de... faire une suppression, relâcher, remettre, relâcher, donc confiner, déconfiner si on veut, pour maintenir la capacité en soins critiques au-dessus du nombre de patients. Donc ça effectivement, ça ressemble beaucoup à ce qu'on a vécu, et ce papier il a beaucoup percolé dans les milieux politiques, dans les discussions, et c'était quelque chose qui a fait parler les gens. Ce n'est pas la seule raison pour laquelle on a, je pense, choisi de faire le confinement. Enfin, ils ont choisi de faire le confinement parce qu'il y avait quand même le modèle de la Chine, il y avait l'Italie juste avant. Donc ce n'est pas juste un modèle qui a dicté à tout le monde ce qu'il devait faire. Mais ça, en tout cas, ça a été assez percutant pour motiver une réponse rapide au moment où ça a été présenté. Donc ce modèle, en fait, ce n'est pas du tout un modèle qui fait des prédictions. Ce n'est pas un modèle qui a la... qui a l'ambition de vous dire exactement combien il va y avoir de personnes en soins critiques si vous faites telle ou telle stratégie, ça donne plutôt un ordre de grandeur et des grandes lignes. C'est en fait ce qu'on appelle des scénarios. Donc ces scénarios sont importants pour permettre aux décideurs de se projeter. que les épidémies, c'est quand même un peu difficile à intuiter. Et quelque chose qui est très important aussi, c'est que ces modèles, ces scénarios, ils ne prennent pas du tout en compte le coût social et économique des interventions. Là, on cherche juste à faire que le nombre de patients en soins critiques, ils soient en dessous d'un seuil. C'est la seule chose qu'on essaie d'optimiser. Donc, évidemment, ça a été fait dans l'urgence. On aimerait que pour la prochaine pandémie, avec tout ce qu'on a appris sur ce coût social et économique, que ce soit pris en compte. dans les modèles, si possible. Mais ça, ça demande à ce que des gens qui ont des compétences en économie de la santé travaillent avec des modélisateurs, et ça n'a pas été le cas pendant la pandémie. Voilà, donc effectivement, ça a créé beaucoup de tensions, ces modèles. Les modélisateurs ont été extrêmement exposés. Ça a été très compliqué à gérer pour ces gens qui n'étaient pas du tout habitués à être nécessairement dans la lumière, et parfois même... on va dire un peu jeté en pâture par les politiques qui se servaient des modèles pour un peu justifier aussi toutes les décisions. Et là, ce qui est intéressant, c'est qu'en Angleterre, ils ont vraiment un système très important, une histoire d'interaction entre modélisateurs et politiques. Et il y a cette phrase de Graham Medley, qui est un peu le responsable de toute l'équipe modélisation qui va travailler pour le gouvernement. Donc on parle de 60 personnes. les plus grandes universités anglaises, qui présentent les preuves de manière régulière, un peu comme le conseil scientifique qu'on a eu chez nous, mais en beaucoup plus gros. Et donc lui, il dit, idéalement, la science est un processus qui consiste à élaborer des hypothèses et à les réfuter. Donc on n'a aucun souci à dire qu'on avait tort. Dans la pratique, la politique consiste à décider d'un plan d'action, puis à prouver que la décision était correcte. Donc effectivement, ce n'est pas du tout la même façon de penser. Et du coup, ça peut créer des tensions. Et donc, il a écrit un papier où il explique un petit peu comment c'est passé. C'est extrêmement documenté et c'est assez passionnant. Combien de temps il me reste ?
Speaker #1
Une minute ? Ok.
Speaker #2
Très bien. Alors, je vais avancer. On va parler un petit peu de ça quand même. Donc, en fait, quand ce modèle est sorti, on a eu vraiment une forte demande qui est menée de tous les pays pour avoir des modèles. Tout le monde voulait des modèles. Tout le monde voulait adapter les modèles à leur contexte et aussi que les modèles s'ajustent aux données. Dans ce cas-là, ce qu'on a dû faire, c'est que ce modèle initial n'était pas du tout adapté pour être... comme ça, passer à l'échelle sur plein de pays. Donc, on a opéré des simplifications, modèle à compartiment, process de branchement, comme je vous ai dit, et ce modèle, en fait, il n'a plus vraiment été utilisé. On a aussi, les modélisateurs, ont commencé à automatiser la modélisation. On peut trouver des sites web où vous alliez pouvoir, pour tous les pays, qu'est-ce que le modèle disait, quelle était la projection, quelle était l'intervention. Ça a été, comme ça, passé à l'échelle, automatisé. Et ça, c'était assez nouveau. Donc évidemment, ça a posé aussi des soucis. Nous, à Epicentre, on avait tous les terrains MSF qui nous demandaient, on veut des projections pour passer commande, s'il faut de l'oxygène et tout. Et en fait, nous, on savait que les modèles, c'était plus des scénarios, que ça allait être vraiment très, très, très imprécis. Mais face à la demande, c'est soit tu fournis quelque chose et t'essayes aussi d'expliquer, soit la personne, elle va aller chercher ailleurs. Et là, tu ne sais pas ce qui va se passer. Donc, on a aussi créé un peu des outils comme ça. Ce qui est intéressant, c'est parce que nous, évidemment, on travaillait plutôt avec des pays en Afrique. C'est d'aller à ce qui s'est passé là-bas. Est-ce que les modèles ont pu dire ou pas dire ? Et effectivement, là, ils sont pas mal trompés. Donc, en fait, l'Afrique est relativement épargnée au début de la pandémie. Chez nous, il y a beaucoup de cas. Mais on sait aussi que même si la population est plus jeune, ce qui peut expliquer... peut-être une létalité apparente moins grande, enfin un nombre de morts moins grand. Il y a aussi des connexions avec la Chine, et donc il y a des cartes de risque qui sont publiées, ça c'est d'autres types de modèles, pour voir où va peut-être commencer l'épidémie. Et donc la question, ce qu'on se pose, c'est, une fois que la transmission démarre, qu'est-ce qui va se passer ? Et là, en fait, il y a ce modèle qui est assez simple, mais qui part vraiment d'un bon sentiment, c'est de se dire, il faut qu'on puisse prédire, par exemple, quand est-ce que vont être... vont arriver les 1 000 premiers cas ou les 10 000 premiers cas pour que les gens puissent se préparer, avoir une échéance. Et en fait, ce modèle simple, il est paramétré sur des données européennes. Et il est appliqué aux données africaines, qui remontent aussi via la collecte de données. Et en fait, ce qu'on voit, c'est que... Là, vous avez une carte de l'Afrique avec l'épidémie telle qu'elle part. Et tout ce qui est vert, c'est quand le modèle est fiable. Et tout ce qui est rouge, c'est quand ça ne marche pas. Et vous voyez que, grosso modo, ça ne marche pas. C'est un modèle qui, en Europe, donne 80% de fiabilité, mais qui, en Afrique, ne donne que 20%. Et donc ça, ça montre que prendre des modèles et les appliquer de manière un peu automatique à d'autres contextes, en changeant 2-3 paramètres, ça n'a pas forcément marché. Ici, en fait, les différences... on ne sait pas trop en fait. C'est encore un peu une énigme de pourquoi est-ce que, enfin qu'est-ce qui s'est vraiment passé en Afrique. Il y a des pays où on sait, mais d'autres où on sait moins. C'est probablement un mélange de plusieurs choses. Le fait que peut-être les populations avaient déjà plus d'expérience avec les épidémies. Il semblerait qu'il y ait une réaction assez rapide d'autorités pour faire des mesures aussi de prévention quand peut-être la transmission n'était pas arrivée au même niveau qu'en Europe. On a une densité de population plus faible, un climat différent. et peut-être aussi et surtout une sous-estimation des cas des décès. Donc il y a quand même aussi un gros problème de surveillance. Et c'est pour ça aussi que si on n'a pas des bonnes données, c'est quand même compliqué de faire de la bonne modélisation. Mais n'empêche que le modèle avait aussi son intérêt pour éveiller les consciences. Ça, j'ai passé très rapidement et je vais juste vous, très brièvement, parce que c'est quelque chose qui est, je pense, et que vous avez entendu et qui vous intéresse, c'est quand on veut prendre les modèles pour expliquer le passé. Donc il n'y a pas que prédire l'avenir, il y a aussi expliquer le passé. Quel a été l'effet d'intervention ? Donc ça, c'était une question très importante après la première vague. Comment mesurer l'effet d'intervention ? Donc il y a eu pas mal de différentes interventions. On a limité les rassemblements à 1000, puis à 100, puis à 10 personnes. On a fermé les commerces à risque. puis tous les commerces non essentiels, on a fermé les écoles, les universités, et enfin l'intervention la plus forte qui était l'obligation de rester chez soi. Et donc ce qu'ont fait les chercheurs ici, c'est qu'ils ont pris les dates à lesquelles sont passées toutes ces interventions dans tous les pays. Donc là j'en montre quelques-uns. Ce qu'on voit pour la France, c'est que grosso modo c'est groupé, ça arrive tout au même moment. Mais il y a d'autres pays qui ont un peu espacé l'intervention. Donc, quelle est la meilleure façon de mesurer l'impact ou l'effet d'une intervention ? Idéalement, on fait un essai contrôlé randomisé. C'est-à-dire qu'on dit, tel pays, tu vas faire telle intervention, tel autre comme ça, et puis on va faire ça aléatoirement. Évidemment, ce n'est pas du tout possible de faire ça dans un contexte de pandémie. Donc, c'est là qu'on utilise la modélisation pour faire ce qu'on appelle une étude observationnelle. C'est beaucoup moins puissant qu'un essai randomisé, évidemment. Mais l'idée c'est que comme il y a plusieurs interventions à différents moments, si je suppose que la même intervention a le même effet dans n'importe quel pays, je peux commencer à grouper et à utiliser toute l'information de tous ces pays pour estimer l'effet de chaque intervention. Donc on met tout ensemble et on va avoir des effets discriminants. Donc dans ce papier qui a été publié dans Science, ils ont pris des données de 41 pays. Pendant la première vague, ils ont fait un énorme travail. Et ce qui est très intéressant, c'est qu'aucun des co-auteurs ici n'est épidémiologiste. C'est-à-dire qu'en fait, la pandémie, ça a été aussi l'occasion pour plein de gens très brillants, dans d'autres types de modèles, de se pencher sur des questions d'épidémiologiste, et peut-être aussi d'avoir moins de biais, ou peut-être d'avoir moins de préconceptions. Et ça, on l'a vu beaucoup. Parfois pour le pire aussi, parce qu'il y avait plein de gens qui faisaient pas n'importe quoi. Mais c'était en tout cas quelque chose de... Et ce papier est vraiment très intéressant, très joli. Et ce qu'ils montrent en fait, c'est pas le résultat, c'est un effet limité de l'obligation de rester chez soi. Donc en fait quand ils prennent toutes les mesures et qu'ils les passent à la moulinette, ce qu'on voit ici c'est les différentes mesures que j'ai énoncées précédemment, et puis au plus la tâche est dirigée à droite, au plus l'effet est fort. Ce qu'on voit c'est qu'en premier ce qui arrive c'est pas le rassemblement de plus de 10 personnes, en deuxième c'est la formation des écoles, universités, et puis ensuite... en dernier, c'est le bénéfice additionnel d'obligation de rester chez soi. Donc ce papier, il a fait quand même du bruit, puisqu'il allait un peu à l'encontre de stratégies qui avaient été décidées par la plupart des pays. Et donc, moi je l'ai lu, je le trouve très bien, je n'ai pas grand-chose à redire, mais ce n'est pas le seul papier qui a cherché à faire ça. Et donc c'est pour ça aussi que c'est important dans ce domaine, surtout de regarder avec tous les autres résultats. Et donc, il y a eu cette, ce qu'on appelle une méta-analyse, qui a cherché à compiler tous les papiers qui ont cherché à regarder. Il y a quand même 338 études qui ont été trouvées juste sur cette question-là, à différents types, différents niveaux, différents contextes. Et en fait, la méta-analyse, en termes de preuves, c'est plus fort que l'étude randomisée et c'est plus fort que l'étude observationnelle. Alors évidemment, une méta-analyse d'étude observationnelle, ça n'a pas la même force qu'une méta-analyse d'essai randomisé. Mais c'est juste pour dire que cette méta-analyse, qu'est-ce qu'elle dit ? Elle dit qu'en gros, il y a des effets substantiels des mesures les plus drastiques, donc confinement, interdiction des rassemblements, fermeture des écoles. Mais en fait, quand on regarde la part de l'obligation de rester chez soi, elle dit qu'en gros, il y a 51 études qui ont cherché à mesurer ça. On a une réduction substantielle d'environ 50% sur le nombre de reproductions. pour la plupart, avec une gamme entre 6 et 80%. Donc en gros, si on regarde toute l'évidence, ce n'est pas clair clair. Donc eux, ce qu'ils disent en gros, c'est que les effets individuels et les combinaisons optimales, malheureusement, doivent faire l'objet d'études plus poussées. Et donc, c'est juste pour dire que même si c'est un papier publié dans Science, même s'il est très solide, Ça reste un papier parmi plein et donc il faut aussi être prudent sur ses conclusions. Parce que le risque, c'est un peu d'aller choisir ce qu'on cherche. Je vais terminer rapidement. Je vais parler de la Suède. Juste pour dire que les modèles ne prennent pas bien en compte les changements de comportement spontanés des populations. Ça, c'est quelque chose... On est un peu toujours avec la simplification que tout le monde se rend compte avec tout le monde, même s'il y a des variantes. Mais on a du mal à comprendre. Ce ne sont pas des modèles. Il y a beaucoup de psychologie, des choses comme ça. Donc ça, c'est vraiment un domaine qu'il faut améliorer. Et typiquement, si on regarde... Donc ça, c'est l'index de qui était chez soi au cours du temps entre la France et la Suède. Ce qu'on voit, c'est que même si en Suède, il n'y avait pas de... Donc en France, il y a tout le monde qui est resté chez soi pendant le confinement. Et en Suède, même s'il n'y avait pas de confinement, il y a quand même des gens qui ont fait ce choix aussi. Et donc effectivement, c'est moindre en première vague. Mais en deuxième vague, on voit qu'on est à peu près à des niveaux similaires entre la France et la Suède sur cette échelle. Ce qui montre que... Les modèles qui disent « Ok, on va prendre toutes les mesures, on va regarder les mesures et leur attribuer le même effet » , au final, l'effet, c'est ce que les gens décident de faire. Et ça, c'est très difficile à mesurer. Ces index Google, c'était quelque chose qui était extrêmement nouveau dans le domaine et qui ont été vraiment très bien accueillis parce que ça permet de poser une métrique sur quelque chose d'extrêmement qualitatif, qui reste à la maison et tout, et ça, avec les smartphones, on sait maintenant. Donc ça, c'est juste pour dire que... donner quelques pistes pour les prochaines crises sanitaires. Donc il y a eu un effort monumental des modélisateurs qui se sont mis ensemble, qui ont travaillé énormément pendant deux ans pour faire progresser le domaine et construire des infrastructures plus solides pour leurs modèles. On est passé d'équipes qui travaillaient un peu dans leurs coins à des modèles en open source, à des... des façons de travailler en collaboration beaucoup plus efficaces. Et donc, il faut, et c'est ce qu'on est en train de faire, de capitaliser sur ces développements pour continuer à préparer l'avenir. Et au niveau des avancées qui pourraient être majeures, c'est comment prendre en compte les changements de comportement spontanés dans les populations, comment avoir des modèles plus fins à ce niveau-là. Et là, il y a un potentiel de ce qu'on appelle l'intelligence artificielle, puisque, alors ce ne sont plus des modèles mathématiques, mais des modèles type agent. Plutôt que d'avoir des agents, on va dire, très bêtes qui font pas toujours la même chose, on pourrait avoir des agents pseudo-intelligents qui pourraient jouer des rôles différents. Et en fait, ils font déjà ça, c'est-à-dire qu'ils simulent des épidémies sur des populations composées d'agents qui sont dotés d'une intelligence artificielle. Et donc ça, l'idée, c'est peut-être qu'on arrivera à reproduire des comportements plus réalistes. Donc ça va demander beaucoup de sources de calcul. Là, on est très loin de notre joli modèle. de Kamak et McKendrick. Et aussi, ces réseaux artificiels peuvent aussi servir à guider les modèles en temps réel, c'est-à-dire en allant regarder tout ce qui se passe sur le web, ce qui se passe sur les réseaux sociaux, essayer aussi de construire un peu des métriques qui évaluent les changements de comportement dans les populations. Bon, ça c'est très un peu science-fiction, mais on y est déjà, donc c'est des choses qui sont développées. Et enfin, Quelque chose qui est très important et qui est rappelé aussi par ce travail qui a été fait en Angleterre. Et si on lit ce qu'écrit Graham Medley, c'est vraiment ça qu'il propose. C'est que, en fait, dans l'urgence, on ne leur a pas demandé de regarder les impacts économiques. Il n'y avait pas le temps. Et ça, c'est quelque chose, même en termes de stratégie en santé publique, les modélisateurs, au tout début de la pandémie, étaient un peu laissés à l'heure, on va dire... Libre choix de ce qu'ils proposaient, ce qui leur semblait bien comme stratégie. Et donc ça, ils ont reproduit des choses qu'ils faisaient pour la grippe, mais avoir des décideurs qui viennent dès le début avec une idée assez claire de quelles sont les deux, trois stratégies à tester, et que les modèles puissent se concentrer là-dessus, et inclure des dimensions supplémentaires comme le coût économique, le coût social, c'est beaucoup plus efficace que de dire qu'est-ce qui va se passer. Et laisser les modélisateurs essayer de trouver des stratégies qui tiennent la route parce que ce n'est pas leur boulot à eux de proposer des stratégies en santé publique. Eux, leur boulot, c'est de les tester et de les comparer. Donc voilà, je vais m'arrêter ici et je vous remercie pour votre attention.
Speaker #1
Un immense merci Antoine, sur un sujet aussi technique, d'avoir été aussi clair, aussi pédagogique, aussi vivant, aussi passionnant. Un immense merci. Donc la parole va être à la salle, bien sûr. Je vous rappelle la règle, nos propos sont enregistrés, resteront disponibles sur le site de l'Institut indéfiniment. Et donc il apporte que chacun ou chacune, avant de prendre la parole, où au début de son intervention commence par se présenter, son nom, éventuellement sa fonction. La parole est à la première personne qui est la demande. Je vois que Jean de Carvadoué se jette sur le micro, ce que je comprends bien.
Speaker #4
Bonjour et merci, c'était formidable. Et bravo Jean de Carvadoué, économiste de la santé. Et je voudrais d'abord donner une information, votre historique. Il y a un livre absolument merveilleux de Gérard Jorland qui s'appelle « Une société à soigner, la France du XIXe siècle » . Malheureusement, Gérard Jorland est mort. Il a eu pour ce livre le prix d'histoire. C'est vraiment un livre formidable. Ceci pour dire qu'en France, le créateur d'un santé publique s'appelle Lavoisier. Et donc, entre les Anglais de 1920 et le 18e siècle, Il y a ce type formidable que la France a oublié et que les Anglais ont lu et copié. Alors ma question n'est pas là et je ne sais pas si vous allez vouloir en parler, mais je suis critique de l'usage de l'épidémiologie en santé publique, non pas pour ce que vous faites, mais sur, par exemple, l'allégation de Santé publique France que la pollution atmosphérique... tuent 40 000 personnes en France. Je pense que c'est ridicule. Je pense que ce n'est pas le cas pour des tas de raisons que je pourrais expliquer. Est-ce que vous pouvez sortir des maladies infectieuses et parler de ce genre de propos qui ont de lourdes conséquences à commencer par les conséquences sur les LFE, les zones où on limite aux plus pauvres de circuler dans les villes et qui sont basées sur ces chiffres infelus.
Speaker #1
Je voudrais gentiment remarquer à Jean que la question est hors sujet. Et donc, je signale à Antoine qu'elle est libre d'y répondre, mais de préférence brièvement.
Speaker #2
Je veux bien que vous me redonniez la référence du livre à la fin de la conférence. Mais pour la question, malheureusement, je ne vais pas pouvoir être compétent. Et en fait, juste pour dire que les modèles qui vont être utilisés pour ce genre de questions n'ont rien à voir avec ceci, puisque... la pollution atmosphérique n'est pas une maladie transmissible. Donc, a priori, on ne va pas apprendre grand-chose de ce genre de modèle. Je pourrais juste dire que je crois qu'il y avait juste des modèles qui ont cherché à regarder l'impact de la qualité de l'air, de la pollution sur la transmission du Covid. une des variables explicatives qu'on essaie parfois de mettre dans les modèles, mais plus comme variable explicative que variable à expliquer. Donc voilà,
Speaker #1
malheureusement, je ne peux en dire plus. Nickel, micro. Ben voilà, Ronny qui a si bien choisi notre conférence. Et encore merci à toi.
Speaker #5
Oui, bonjour. Donc, Rony Broman, membre du Conseil d'orientation de l'Institut d'Hydro et membre de Médecins sans frontières également. Merci, Antoine, pour cette présentation très rigoureuse, très précise. Je voudrais rebondir sur tes propos terminaux, ceux avec lesquels tu as donc conclu. préciser les limites de la modélisation et je voudrais insister là-dessus. Il me semble qu'on peut aussi voir dans l'épidémie de Covid un gradient de réaction correspondant à des cultures de la répression et de la police entre, par exemple, les pays riverains de la Méditerranée qui ont été extrêmement sévères et les pays nordiques qui ont été extrêmement libéraux. c'est-à-dire les mesures de retenue, de comptabilité, de la population ont été beaucoup plus coercitives au sud qu'elles n'ont été au nord. De même, les changements de comportement attendus par les autorités pour réguler, enfin selon les modèles que tu as, enfin selon les indications que tu as données, ont eu une réception très différenciée. Il y a un très beau livre qui a été écrit sur l'épidémie de Covid, qui s'appelle L'attestation fait par deux... de sociologues qui ont une étude purement en sciences humaines, en sciences sociales de l'épidémie, mais qui ne reculent pas devant le quantitatif. Je vous recommande la lecture de ce livre de Nicolas Mario et Théo Boucalial, dans lequel on voit aussi que les comportements de la population sont très variables, entre des réfractaires, des protestataires, des légalistes, etc. Enfin, il crée six catégories de réception. me demander est-ce qu'il est simplement pensable d'imaginer qu'un modèle puisse prendre en compte une variété de réceptions des changements de comportement, si ils en ont répertorié 6 pour ce qui concerne le Covid, pour Ebola ça pourrait être différent, pour le Sida encore autre chose et pour d'autres épidémies encore d'autres... Donc est-ce que il est possible que la modélisation par exemple avec l'IA par prennent en charge cette question-là qui me paraît, moi, totalement échappée. Mais c'est l'avis d'un non-mathématicien.
Speaker #2
Oui, effectivement, j'avais assisté à cette conférence qu'ils avaient donnée. Effectivement, je m'étais promis d'aller voir le papier de Science sur lequel ils se... quand même, ils se basent très fortement. Mais oui, ils parlent aussi de beaucoup d'autres choses, notamment cette étude qui est extrêmement intéressante, qu'ils n'ont pas pu répliquer dans d'autres pays, malheureusement, donc on n'a que la version franco-française. En fait, si on a une idée de ce que ces comportements impliquent en termes de transmission, on peut très bien diviser Merci. ma population en sous-groupe et déjà avec des modèles très simples regarder un peu ce qui se passe sans faire appel à nécessairement de l'IA quoi donc si les gens sont dans des catégories bien définies et qu'ils n'en bougent pas on peut tout à fait modéliser ça avec l'arsenal des modèles à compartiments que j'ai présenté Pour peu qu'on sache c'est quoi leur transmission, mais il suffit d'avoir des infos par exemple sur le nombre de cas par exemple chez ces personnes-là, et de comparer ça avec une idée de leur risque par rapport à leur comportement, du risque qu'ils prennent et de l'incidence de la maladie chez eux. On peut tout à fait calibrer des modèles assez simples. Ce qui va être plus compliqué, c'est si ces comportements évoluent dans le temps. Qu'est-ce qui fait que hier... J'étais, je ne sais pas, pro-vaccin et aujourd'hui je suis anti-vaccin. Qu'est-ce qui fait que je décide à ce coup, bon c'est fini, je remplis plus ou moins les stations. Donc ça c'est ces changements au cours du temps qui sont une réaction au passé, à l'épidémie, aux mesures. Ça c'est quelque chose qui est, voilà, le côté dynamique, c'est quelque chose qui doit être peut-être plus difficile à mesurer. Et il y a des papiers en fait qui s'amusent à... avec des modèles très très simples, mais ça reste des modèles, on va dire, un peu théoriques. à regarder ce qui se passe en mettant des petites équations qui correspondent à des choses très simples, de type dilemme du prisonnier, typiquement. Donc je suis le confinement ou pas. Et si je suis seul à ne pas être confiné, super, je peux me balader tranquille. Mais si tout le monde fait ça, du coup, l'épidémie repart. Donc il y a des choses comme ça où on essaie d'intégrer ce qu'on appelle la théorie des jeux, qui est une façon aussi de... je ne connais pas très bien, mais qui est une façon aussi de modéliser les comportements de manière rationnelle. Et donc ça, c'est utilisé, mais ce n'est pas des modèles comme ça qu'on va comparer aux données. Je pense qu'il y a tout un pan de la modélisation qui s'intéresse à ça, mais ce n'est pas cela qui... qui sont mis en première ligne quand il y a ces questions-là. Il y a tout un pan de la modélisation qui est quand même très théorique et qui ne joue pas du tout avec les données. Donc il faudrait essayer de faire converger plus ces domaines. Je ne sais pas si j'ai répondu à ta question, mais... Qui a le micro ? Ah, cher monsieur.
Speaker #6
Laurent Degos, de l'Académie des sciences, merci beaucoup, ça fait beaucoup plaisir. Cette belle conférence nous fait comprendre beaucoup de choses. J'aimerais bien parler sur l'inattendu, malgré les modèles. Un côté plutôt négatif, au début du Covid, on pensait que ce n'était pas une maladie extrêmement mortelle, au vu de toutes les données venant de Chine. Et c'est quant à Bergam, en Italie, qu'on a vu qu'il y a eu un débordement magistral, puisque les gens mouraient même au... porte de l'hôpital, on ne pouvait même plus rentrer dans l'hôpital, que nos services de réanimation ont été tous abasurdis. Et c'est là où il a fallu prendre de grandes précautions ensuite, quand c'est arrivé chez nous. Mais donc, on a été surpris, malgré, en fin de compte, les données primaires qu'on avait auparavant, dont on faisait des modèles qui étaient une maladie relativement bénigne ou pas très méchante. Inversement, dans un autre pan, quand on a eu la vache folle, Souvenez-vous, le crossfait de Jacob, dû au prion, on nous avait prédit qu'on aurait 100 000 cas d'encéphalite mortelle en Angleterre, 10 000 cas en France, lorsqu'on a fait un abattage des vaches, puisque c'était une maladie, enfin, avec une incubation qui mettait 5 à 10 ans. Or, on n'a vu aucun crossfait de Jacob, ni en Angleterre, ni en France. Donc les prédictions que peuvent nous donner les modèles, quelquefois, ont des inattendus. Donc à la fois positifs et à la fois négatifs. Donc c'est sûr que, malgré les modèles, on a encore beaucoup d'inattendus, je pense.
Speaker #2
Alors oui, écoute, je suis d'accord avec vous. On est encore loin de pouvoir prédire la trajectoire des épidémies comme on fait avec la Lune. Mais la vache folle, c'était... Quelle année, vous pouvez me rappeler ? 2000, oui. J'étais encore à l'école. Mais du coup, ce que je veux dire, c'est que je ne sais pas ces modèles-là. Je n'ai pas étudié en précisément. Mais ce qu'il faut savoir, c'est que pendant longtemps, les modèles ont... On les paramétrait un peu en se disant, bon, j'ai montré les paramètres, ils ont une signification biologique. Donc on se disait, bon, on va aller, on va voir après comment ça se passe dans les bouquins. Donc on va essayer de paramétrer au mieux en fonction de la connaissance. Et puis, si les paramètres qu'on ne connaît pas trop, on va les faire varier. Et puis ensuite, on va comparer ça aux données. Et en fait, à l'époque, on n'a pas encore développé tout l'arsenal statistique pour bien comparer les modèles aux données. Et donc, il y a beaucoup de papiers à l'époque. qui en fait font ça à l'œil nu. En gros ça ressemble aux données, on les superpose, ça ressemble. Et c'est qu'à partir des années 2010 qu'on a commencé vraiment rigoureusement à savoir comment ajuster ces modèles qui sont des modèles de simulation aux données pour vraiment dire, voilà mon paramètre je pense qu'il vaut tant et c'est qu'une fois qu'on a bien identifié le paramètre qu'on peut faire une... une projection raisonnable. Donc je ne sais pas à quel point le fait que ce soit peut-être un modèle ancien a joué, mais ce qui est sûr, c'est que de toute façon, ça se reproduira parce qu'on n'a jamais toute l'info. Je ne connais pas très bien ce modèle, mais effectivement, quand on regarde ce qui s'est passé en Italie, en fait, le modèle d'Imperial College supposait que Merci. Il y avait 15% des cas hospitalisés qui termineraient en... Soin critique. Et ça, ça venait des données de Chine, où en Chine, ils n'avaient pas 15%, ils avaient 30%. Sauf que les médecins ont regardé, et ils ont vu que sur les 30%, il y en avait 15 qui étaient en réanimation, et 15 qui avaient un autre traitement, au sujet de pressuriser, je ne connais pas très bien, mais en gros, les médecins se sont dit, il n'y aura pas besoin de les mettre en réanimation, donc ils ont dit aux modélisateurs, prenez pas 30%, prenez 15%. Et quand on prend 15%, la stratégie d'atténuation commence à être intéressante. On ne tape pas au niveau du... Et c'est quelques jours avant que les médecins italiens ont dit en fait, ça ne marche pas du tout cette méthode-là, on est obligé de mettre tout le monde en réanimation. Et donc, en changeant le paramètre, ça a pas mal changé les résultats. Donc, il y a évidemment ce... ce besoin de cette nécessité de paramétrer au mieux sachant qu'il ya aussi plein plein d'inconnus dans le modèle c'est pas c'était pas le seul inconnu quoi mais voilà des petits changements peuvent avoir des grands effets et c'est pour ça que c'est ces modèles il faut vraiment pas les les comment dire les voir comme des comme des choses extrêmement sophistiqués qui vont enfin il faut vraiment se dire c'est quand même assez bête et méchant quoi et Et ça se joue à pas grand-chose. Et parfois, il faut prendre du recul. On a entendu pendant la pandémie, ah oui, le modèle, on l'a refait tourner, on n'a pas trouvé 500 000, on a trouvé 500, 5000. Ça n'a aucune importance. Donc il faut plutôt même voir ça parfois comme même des métaphores. C'est vraiment... Et ça, c'est quelque chose qu'il faut communiquer, de ne pas être là à regarder à décimale près. Il y a des modèles qui permettent de prédire à court terme, eux ça va, mais dès que c'est un peu du temps long, c'est des scénarios.
Speaker #3
Oui. Jean-Paul Crivin, rédacteur en chef de Science et Pseudosciences, édité par l'Association française pour l'information scientifique. Merci pour l'exposé. Moi, je voudrais revenir sur des sujets qui ont été pas mal évoqués sur l'aspect du comportement. Je crois me souvenir qu'au Royaume-Uni, il y a une cellule de sciences comportementales qui en appuie au gouvernement. depuis sur plein de sujets et qui était beaucoup intervenu sur la question de la Covid en particulier en disant faut pas prendre des mesures coercitives trop tôt parce qu'elles seront mal acceptées par la population. Elles seront plus acceptées un peu plus tard quand les gens constateront autour d'eux que ça évolue beaucoup. Donc visiblement. On a vu, je veux dire, ça a contribué à la décision anglaise et à une gestion peut-être un peu moins bonne de la pandémie au début. Et est-ce que vous avez des éléments sur cette cellule comportementale ? Je crois qu'il en existe une aussi aux États-Unis. Et les liens, visiblement, n'ont pas été établis avec les modélisateurs un peu plus statistiques et mathématiques, notamment sur une dynamique exponentielle qui fait qu'attendre un peu plus a des conséquences qu'on ne peut pas voir. et Deuxième question un petit peu liée, j'avais lu aussi sur les retours d'expérience, je crois que c'est le Danemark, mais que jouait beaucoup le fait qu'on prenne des mesures de manière anticipée, c'est-à-dire plus on attend, moins elles sont efficaces, et que c'est beaucoup lié, la possibilité de prendre ces mesures anticipées, à la confiance qu'a la population vis-à-vis du système du gouvernement, du système politique en place, et que ça a pu être, j'ai cru comprendre par exemple au Danemark, plus facile, parce que les gens acceptaient. Et on imagine bien en France, si on avait pris des mesures encore plus tôt, les gens auraient dit « mais il se passerait un jour de mois, c'est quoi ? C'est une atteinte aux libertés » . Est-ce que vous avez des éléments sur ces deux questions-là ?
Speaker #2
Merci. Très bonne question et difficile aussi. Je vais essayer d'y répondre, mais je n'aurai pas tous les éléments. Pour la première, effectivement, la structure qui fait dialoguer les modélisateurs avec le gouvernement. En Angleterre, elle existe depuis une quinzaine d'années. C'est le SAGE, Strategic Advisory Government. Mais en gros, c'est le SAGE. Ils vont parler avec le gouvernement et ils récupèrent l'info de différents sous-groupes. Et parmi ces sous-groupes, effectivement, il y a les modélisateurs et puis il y a les sciences comportementales, il y a la médecine clinique, il y a plusieurs sous-groupes. Je ne sais pas à quel point il y a des interactions entre ces sous-groupes. Si je n'étais pas venu à Epicentre, peut-être que je saurais, puisque je bossais là-bas avant à London School. Ce qui est effectivement le cas, par rapport à ce que vous disiez, c'est qu'au début, quand la Covid se propage, peut-être l'autre maladie à laquelle on pense, c'est la grippe. Et effectivement, la grippe, il y a pas mal de théories sur comment l'atténuer et de faire ça plutôt près du pic, c'est-à-dire de casser la vague une fois qu'elle est partie. Le souci, effectivement, c'est que la Covid, il n'y avait déjà pas de test. Donc, on était un peu à l'aveugle. Et même si, pour pouvoir voir ce qui se passe et pouvoir le mesurer, ce n'était pas le cas. Et puis, les décès qu'on observe, il y a un certain temps, entre le moment où on est infecté, le moment où on décède, il y a plusieurs semaines. Donc, ça veut dire qu'on a toujours ce lave-temps de retard sur l'infection. Ce qui fait qu'effectivement, on se dit « ça va » , et en fait, ça ne va pas du tout. Parce que même quand on appuie sur le frein, derrière, ça va continuer à monter, Donc, effectivement, je ne connais pas les détails des conversations, mais effectivement, l'impression que j'ai eue au début, c'est qu'au niveau de l'Angleterre, ils étaient plutôt dans une position de laisser partir un peu l'unité collective pour stopper plus tard. Et en fait, on regardait les courbes, il y avait l'Italie, une semaine après il y avait la France, et une semaine après il y avait l'Angleterre. Donc a priori, les mêmes causes font les mêmes effets. C'est vrai que moi j'étais un peu étonné qu'ils ne confinent pas plus rapidement. Finalement ils ont confiné quelques jours après la France, mais ensuite effectivement ça leur a été un peu reproché de ne pas avoir fait plus tôt, et des vies qui auraient pu être sauvées, etc. Mais effectivement, je pense qu'il y a eu beaucoup de discussions très intenses, mais je n'ai pas les détails de ces discussions. Je sais qu'il y a eu une enquête en Angleterre, ils ont fait une enquête très grande et approfondie, où tous les modélisateurs, comme ils n'étaient pas membres du gouvernement, ils ont dû donner tous leurs mails, leurs WhatsApp. Donc il y a eu toute une enquête qui a été faite pour savoir exactement quelle information avait été communiquée à qui, quand. Donc c'est vraiment un gros travail qui a eu lieu et je pense que là-dedans, c'est une mine d'or pour aller comprendre comment fonctionne peut-être le pays le plus avancé en termes de dialogue entre les modélisateurs et les politiques. C'est en commune mesure avec les autres pays, mais il faut avoir un peu le temps quand même pour se pencher là-dessus. Et la deuxième question... Oui, on a beaucoup parlé. Angela Merkel, elle a une formation scientifique. Quand elle parle, ça permet aux gens de comprendre. Peut-être que d'autres politiques ont pas ce background et du coup utilisent d'autres façons pour interpeller. Il faut se rappeler aussi qu'on sort des Gilets jaunes, des grèves. On est quand même à la France fin 2019, début 2020. il y a une tension très grande. Donc oui, j'imagine que la confiance n'était pas au plus Ausha ce moment-là. Mais tout ça, c'est vraiment pertinent d'avoir des gens qui ont ces... dans la science sociale, et de les faire dialoguer. Et c'est vrai que souvent, on dit qu'on va le faire. On dit oui, il faut qu'on mette tout le monde autour de la table. Et en fait, c'est quand même... Enfin, c'est plus difficile à faire qu'à dire, parce que c'est... C'est des compétences très différentes et souvent dans le modèle, on part bien en tête dans un truc et on ne va pas forcément toujours aller parler avec... Je pense qu'il y a une culture aussi interdisciplinaire à créer plus. J'imagine que c'est déjà le cas dans certains endroits. Je suis assez loin maintenant de ces milieux-là.
Speaker #0
Je suis conseiller d'entreprise à la retraite. J'ai une question toute simple à poser. Le débat était passionnant. Mais est-ce qu'on peut demander dans la salle quels sont les gens qui ont été infectés par le virus, par la Covid, la méchante Covid ? Moi, je l'ai attrapé à l'hôpital, je pense, lors d'une réunion. Je n'avais pas de masque. Mais quels sont les gens qui l'ont eu aussi en levant la main pour voir si votre résultat... Oui, pour voir qui l'a pas eu.
Speaker #1
Avec les variants, ça compte pas, par contre.
Speaker #0
Alors, on baisse les mains. Et qui l'a pas eu ? Vous levez les mains.
Speaker #1
C'est ça, oui.
Speaker #0
Est-ce que ça justifie votre étude ?
Speaker #1
Vous parliez de la petite courbe au début. Avec 2.4, on monte à 80%. Donc, effectivement, est-ce que 10% de la population... Non,
Speaker #0
mais c'est bien, oui. Mais non, tu n'es pas testé, ce n'est pas grave.
Speaker #1
Il y a aussi la question de ce qu'on a à faire à un échantillon rebondatif et la population française. Mais c'était pour ça. En tout cas, il y a des gens qui, a priori, n'ont jamais été... Quand on l'a eu,
Speaker #0
ce n'était pas méchant, en fin de compte.
Speaker #1
Moi, je l'ai eu deux semaines après la vaccination, donc c'était parfait.
Speaker #0
Moi, j'ai plané une journée, c'est tout. Merci, au revoir.
Speaker #2
Je me permets de poser à mon tour une question. J'étais vivement frappé par ce que vous disiez sur la sous-estimation, ou plutôt la non prise en compte, du coût social et économique des différentes mesures, spécialement du confinement. Et en un sens, c'était inévitable, dès lors qu'il s'agissait d'épidémiologie. Et donc, ma question, c'est de savoir, est-ce qu'il n'y a pas eu... Une espèce d'émission du politique, c'est trop sévère, mais à force de se cacher derrière un comité scientifique, qui en l'occurrence comportait surtout des épidémiologistes et quasiment aucun économiste ou sociologue, est-ce qu'on n'était pas condamné en effet à sous-estimer le coût social et économique, comme vous disiez, du confinement ? Moi, c'est ce qui m'avait le plus inquiété à l'époque. J'avais toujours dit qu'il fallait bien sûr respecter le confinement, ce que j'ai fait, mais... Je m'inquiétais de son coût social et économique et je m'étonnais que cette inquiétude semble si peu partagée. Et d'ailleurs j'avais choqué parce que parler d'argent au sujet de la santé, ça paraissait scandaleux. Non, c'était une vraie question. Et de même, aussi dans votre belle exposé, vous évoquiez la différence entre un auteur britannique qui évoquait la différence entre une science qui émet des hypothèses et qui les teste et la politique qui prend des décisions. Et évidemment, on ne peut jamais déduire une décision politique d'une donnée scientifique. Vous savez, le grand mathématicien Henri Poincaré, au début du XXe siècle, disait « Une science parle toujours à l'indicatif, jamais à l'impératif » . Et c'est pourquoi je disais à l'époque que la formule de communauté scientifique « Restez chez vous » , elle pouvait être tout à fait légitime comme décision politique, c'était le confinement, mais elle ne pouvait en aucun cas être scientifique, parce que « Restez chez vous » , c'est de l'impératif. Ça ne peut pas être de la science. Et donc, voilà, ma question porte au fond sur les limites de l'épidémiologie. Un, elle ne tient pas lieu des autres sciences. Donc, elle n'a pas grand chose à dire en matière d'économie. Mais s'agissant du confinement, l'économie faisait partie majeure du problème. Et deux, en tant que science, et justement parce que les scientifiques, elle ne peut en aucun cas tenir lieu de décisions politiques. Et donc, est-ce qu'on n'a pas surévalué ? Cette dimension épidémiologique en oubliant les limites de l'épidémiologie qui sont les limites de toute science.
Speaker #1
Question difficile. Alors, je n'étais pas au conseil scientifique, donc je ne sais pas exactement comment ça s'est passé. Alors, juste pour rappeler, un point, c'est que les modèles épidémiologiques sont aussi beaucoup utilisés pour tout ce qui est calcul de coût-efficacité pour les stratégies en santé publique. C'est-à-dire que, par exemple, en fait, et ça, ça se fait sur du temps long, avec les consultations nécessaires, mais... Quand on veut étendre, par exemple, le vaccin de la grippe des personnes âgées, est-ce qu'on vaccine les enfants aussi ? Est-ce que ça vaut le coup ? On fait beaucoup de simulations, on fait beaucoup de coûts-efficacité, c'est-à-dire qu'on transforme les cas en coûts. Il y a vraiment des formules pour transformer ça. Et c'est un domaine très riche et qui s'appuie sur les modèles mathématiques de propagation de maladies infectieuses. Donc il y a vraiment des interactions qui existent et qui se font dans le cadre de ces comités de décision gouvernementaux au Royaume-Uni. Mais ça se fait sur des temps longs. C'est-à-dire que là et en France... Je pense que ça existe aussi, mais je ne connais pas très bien. Mais effectivement, dans l'urgence, je pense que le plus pressant, c'était ces histoires de capacité hospitalière. Et ensuite, sur l'impact, ça aurait pu être mieux. Il y a eu plusieurs vagues, donc il y avait peut-être moyen de... d'apprendre. Mais je pense que ça demanderait de... En fait, le truc, c'est que sur une pandémie, avec les variants, en fait, c'était hyper difficile de... Quand on veut faire du coût-efficacité, on regarde sur du temps long. Quand on fait des coûts-efficacités, on regarde sur des périodes de 10 ans, pour pas se laisser influencer peut-être par cette épidémie cette année qui est plus importante que la suivante. Donc on a besoin d'avoir un temps long. Et sur une pandémie, un virus qu'on ne connaît pas du tout, c'est très difficile. Donc je dis ça à la fin en disant oui, il faut mieux intégrer l'économie de la santé dans ces modèles. Je pense qu'il y a quand même une grosse difficulté majeure d'un point de vue technique. Mais je pense qu'on a quand même énormément appris dans cette pandémie pour au moins faire cet effort. Mais je ne sais pas quel serait le... Il y aura toujours une part de jugement. Le politique sera toujours obligé de prendre une décision avec d'autres éléments. Mais oui, en tout cas, vu qu'il n'y a rien qui a été fait, on aurait pu faire un peu plus. Ça pourrait être pour une prochaine fois.
Speaker #3
Oui, Jean-Philippe Margueron, administrateur Covea, GMF. Je reviens sur un sujet. J'hésite à poser ma question, mais je vais vous la poser quand même parce que j'ai une anecdote en tête qui m'avait beaucoup marqué. C'est le lien qui a été déjà fait. Vous l'avez d'ailleurs dans un des points le plus passionnant de votre exposé. C'est le lien entre le politique, effectivement, et nos scientifiques. J'estime qu'en France, on a des scientifiques de grande qualité. Ça a été le cas pendant la Covid, sans doute d'ailleurs. Et les décisions que le politique, qui est garant de la survie de la population... politiques de santé publique, etc., des décisions qui peuvent être amenées à prendre. Ma question est très franco-française. Il y a sans doute manqué une interpasse dans la chaîne de valeur entre vous et eux. Je vais vous citer un exemple. J'étais comme vous tous devant, où on était confinés d'ailleurs, devant mon poste de télévision, on n'était pas confinés. Et notre Premier ministre, que je ne citerai pas parce que ce n'est pas une attaque à Dominem, nous dit à un moment donné, avec le doigt de l'exécutif, à partir de demain, vous n'avez plus le droit de prendre un café debout. dans les bistrots, mais assis. Je ne sais pas si vous vous souvenez, quand j'ai entendu ça, j'ai cru que c'était un humoriste qui avait imité la voix de notre... Non, non, non, c'était vraiment vrai, comme dirait mon fils. On n'avait plus le droit de prendre un café debout, mais il fallait le prendre assis. Alors, la première question, pardonnez mon humour, mais qu'est-ce que les pédagogistes que vous êtes pensent de cette décision stratégique pour la survie de la population française ? Et ma deuxième question, c'est comment peut-on annoncer des mesures, pardonnez-moi, aussi ridicules ? Quelle interface a-t-il manqué en France ? Alors on dit que c'est notre administration qui a failli. Entre eux, n'a pas joué le rôle de traduction politique de tout ce qui venait d'une chaîne scientifique quand même bien étayée. Je l'ai compris encore ce matin. Voilà, donc quel est le maillon faible ? Est-ce qu'on en a tiré des enseignements qu'il faudrait... peut-être créé comme en Grande-Bretagne, si j'ai bien compris, ou chez nous, pour qu'on ait un vrai dialogue politico-scientifique, notamment en situation de crise.
Speaker #1
Alors je ne pense pas que c'est un modélisateur qui a suggéré ça. Après je me dis qu'effectivement, en général dans un café, on met moins de gens assis que de gens debout, donc peut-être qu'il y a une arrière-pensée pour réduire justement juste le nombre de personnes dans le café, mais voilà, il fallait peut-être... C'est sûr que ça paraît... Si c'est reçu comme ça, c'est que ça ne va pas marcher. Mais par rapport à l'interface, oui, j'ai voulu mettre plus de slides sur cette partie-là. Malheureusement, j'ai vu que j'allais manquer de temps. Mais il faut lire un peu ces papiers qui sont sortis en Angleterre sur cette interface et tout ce qui s'est passé. C'est extrêmement intéressant. En fait, ils ont un interface. C'est pas le modélisateur qui parle au gouvernement. Ils ont un secrétariat entre les deux. Leur rôle est de traduire le consensus de preuve en quelque chose d'intelligible pour le politique. et il y a plein de dimensions à prendre en compte, notamment l'incertitude. Ce n'est pas quelque chose qui est facile à communiquer, à appréhender. Donc vraiment, le... Le modélisateur est là pour apporter la preuve, mais il a besoin d'une traduction. Donc peut-être que je ne sais pas comment ça s'est passé en France. Est-ce qu'il y avait un lien beaucoup plus étroit ? Il faut qu'il y ait du dialogue, évidemment. Mais c'est bien qu'il y ait aussi un intermédiaire pour aussi garantir l'indépendance et le travail. Parce qu'il y a aussi eu beaucoup ça. C'est-à-dire que si les mobilisateurs parlent aux politiques... On dit que les politiques vont influencer les médiateurs, et puis s'ils ne leur parlent pas, ils vont dire « Ah ouais, en fait, ils sont en train de manipuler les politiques » . Donc il faut qu'il y ait un dialogue, mais il faut qu'il se passe dans un cadre qui puisse garantir le bon travail. Mais voilà, j'avoue, je ne sais pas du tout comment ça se passe en France. C'était aussi pour moi assez facile de vous parler beaucoup d'Angleterre, parce que je ne suis pas trop au courant des détails de comment ça a marché en France. C'est beaucoup moins documenté, je crois, quand même.
Speaker #4
René ? Deux remarques plutôt en rapport avec le débat que directement avec la présentation. Ma première remarque concerne cette notion de crédit, de confiance qui a été abordée. déjà et qui a été quand même assez largement sabotée, minée par un certain nombre de remarques qui soit étaient scientifiquement ridicules soit étaient socialement grotesques comme celle qui vient d'être nommée et Il me semble que ça joue un rôle dans les réactions collectives. Alors je ne sais pas de façon différenciée dans quelle catégorie de réaction particulière, mais que ça joue un rôle. Et par rapport aux questions de modélisation, là on est vraiment dans l'inattendu, dans l'improvisé, dans le difficilement calculable en tout cas. Donc la mathématisation du social et du politique, là, touche sa limite, parce que ce genre de réaction est quand même très difficile à apercevoir. puis maintenant, Deuxième remarque concernant ce que tu disais, André, à partir de cette... Cette remarque de Poincaré, l'indicatif et l'impératif, il me semble que la médecine se situe entre les deux, car la médecine prescrit. Donc la médecine parle à l'impératif à partir d'un savoir scientifiquement informé. Donc là, en l'occurrence, il me semble que les politiques ont peut-être aussi abusé ou en tout cas se sont saisis de cet impératif-là pour... prescrire à partir d'un discours médical. Donc là, il me semble qu'on touche à la limite de la remarque de Poincaré.
Speaker #2
C'est vrai que tu as raison, la médecine de ce point de vue est un cas particulier, mais c'est qu'aussi elle est plus qu'une science. Il y a la question que c'est un art, mais c'est surtout dans ce pouvoir de prescription. Il faut rappeler quand même que le patient doit être informé et décidé en dernier recours. Autrement dit, il est exclu que le pouvoir prescriptif de la médecine abolisse la liberté individuelle. On va le voir dans le débat sur la fin de vie qui est en cours aujourd'hui. Mais le rafforcierie, non seulement la médecine, On ne peut pas abolir ma liberté individuelle, mais elle peut encore moins abolir la souveraineté du peuple, c'est-à-dire notre liberté collective de peuple. Et donc c'est pour ça que j'étais un peu gêné, surtout au début, pendant le premier confinement, par cette espèce de pouvoir qu'avait pris le comité scientifique, tellement grand par sa surface médiatique, on ne parlait que d'eux, on les voyait à l'étévision tous les soirs. qu'on avait le sentiment que nos politiques n'avaient plus en vérité de liberté de choix. Il fallait impérativement qu'ils se soumettent à l'avis du comité scientifique. Or, la politique ne peut pas relever de la médecine. Il n'y a pas d'ordonnance qui puisse tenir lieu de la souveraineté populaire ou du pouvoir de ses représentants. Et donc, je continue à penser que là, il y a une difficulté. Dernier mot, ce qui m'avait frappé aussi, c'est à quel point le confinement a été bien reçu en France. Il n'y a pas eu de manif importante. Alors qu'en Allemagne ou en Suisse, où il était beaucoup moins rigoureux que chez nous, il y a eu des manifestations de protestation. Donc à quel point le confinement a été bien accepté et à quel point le pass sanitaire a été vigoureusement combattu. Ce qui est paradoxal parce que le confinement est une réduction de liberté considérable qu'on n'avait jamais vue pour les gens de notre génération. Le pass sanitaire, pour ceux qui étaient vaccinés, il n'y avait aucun problème. Pour ceux qui ne l'étaient pas, il y avait de petites réductions de liberté. Alors comment se fait-il qu'on ait si bien accepté le confinement qui réduisait drastiquement la liberté, et beaucoup moins bien le pass sanitaire qui réduisait beaucoup moins la liberté ? Ma réponse que je soumets à votre réflexion, c'est que le confinement était très réducteur de liberté, pour ne pas dire liberticide malgré tout, mais très réducteur de liberté, mais parfaitement égalitaire. On était tous confinés de la même façon. Le pass sanitaire était beaucoup moins réducteur de liberté, mais rigoureusement inégalitaire, puisqu'il y avait ceux qui étaient vaccinés et ceux qui n'étaient pas vaccinés. Et j'en ai conclu qu'en France, on préférait l'égalité à la liberté. Et que dans certains pays anglo-saxons ou nordiques, c'est l'inverse. Et j'ai trouvé que pour la France, c'était un petit peu inquiétant. Mais j'aimerais avoir votre avis.
Speaker #1
Comment les choses ont été vécues ? Moi, j'ai du mal à avoir une vision globale, objective. Après, je me souviens de choses... Je vais ramener ça à la méditation, mais après la première vague, quand on est déconfiné, on est en septembre. Je ne sais pas si vous vous souvenez, c'était la période où il y avait tous les rassuristes. Il y avait deux camps. Il y avait ceux qui disaient « il n'y aura pas de deuxième vague, la première elle est passée, une épidémie ça fait qu'une vague » . Et moi j'étais assez surpris de voir à quel point des gens d'horizons différents, et j'avais même des gens à Epicentre, qui pourtant ils travaillent sur les épidémies, qui se disaient « oui, non, mais ça paraît logique, les épidémies font qu'une vague » . Donc, en fait, je veux dire, les... Face à ça, les modèles, effectivement, on peut les critiquer sur plein de choses, mais ça permet aussi de comprendre pourquoi est-ce qu'une deuxième vague va arriver, assez simplement. Et donc, comment accepter des mesures si déjà on se dit, non mais c'est du pipeau, et s'il y a des gens qui sont quand même de certaine notoriété, qui propagent ces informations à longueur de journée ? Mais voilà, je me demandais juste si dans l'assistance, parce que moi j'ai mon biais de modélisateur évidemment, mais si pour vous, à la fin de la première vague, ça coulait de souche qu'il y allait y avoir une deuxième, ou si vraiment vous vous disiez, non, ça paraît quand même peu probable. Je ne sais pas, c'est juste une question ouverte, on peut faire un vote à main levée. qui à la fin de la première vague était persuadé qu'il y aurait une deuxième. Ok. Oui !
Speaker #4
La grippe de 1918-1919 avait évolué en trois vagues de gravité d'ailleurs croissante. La peste dans son histoire a évolué aussi par vagues. Donc il y avait quelque chose d'assez ridicule finalement à contester par avance l'idée qu'il allait y avoir une deuxième vague. Sur quoi on se fondait ? Sur une idée d'immunité de horde ? Je pense que c'était la raison pour laquelle on se fondait. Mais enfin, elle est très fragile cette raison.
Speaker #5
Bonjour, Maxence Jeunesse, directeur scientifique de l'intelligence artificielle du groupe Covea. Il s'avère que j'ai travaillé dans le cadre du projet Covepn avec la NIH sur l'initiative Radix. J'avais une question, vous n'avez pas trop parlé de tout ce qui pouvait tourner autour de la stratégie de testing, et du fait que par le test, on devient informé de son statut, ce qu'on n'est pas. En étant informé de son statut, on peut se... quelque part s'auto-confiner, éviter des contacts sociaux puisqu'on sait qu'on est malade. C'était peut-être un angle que je n'ai pas vu dans la présentation, du coup je serais intéressé d'avoir votre avis.
Speaker #1
Effectivement, il y a eu tellement de questions qu'à un moment donné je me suis dit comment je vais essayer de ne pas perdre tout le monde et résumer. Donc c'est vrai que j'ai vraiment dû élaguer et aller un peu retourner à ces premiers modèles. mais effectivement quand on a commencé à avoir des tests il y a des stratégies qui se sont mises en place en utilisant ces tests on se teste on s'isole et puis si on a l'application on se signale pour que derrière les contacts soient prévenus. Donc ça c'était un papier qui avait été sorti dans Science pendant la première vague qui démontrait euh la capacité d'un système basé sur le contact tracing numérique à potentiellement stopper l'épidémie, contrôler l'épidémie. Et évidemment, les tests étaient hyper importants. Donc ça montre qu'il y a du travail de modélisation qui ont intégré comment quantifier combien de tests il faudrait, combien de... combien de personnes qui doivent avoir l'application pour que ça marche. Et ensuite, ils ont aussi estimé rétrospectivement combien de personnes avaient pu éviter d'être contaminées grâce à cette app. Donc, effectivement, la stratégie de testing, elle a été aussi... Il y a eu beaucoup de questions sur... quels tests, est-ce que les tests antigéniques sont pertinents, plus que les tests PCR. Il y a eu plein de choses qui ont été faites là-dessus en modélisation, mais effectivement, je n'en ai pas du tout parlé. Mais voilà, c'est un autre pan. En fait, il y a eu tellement de choses qui ont été faites. J'étais hyper impressionné de revoir tous ces travaux qui sont sortis et qui touchent à des sujets très, très différents. Et pour chaque sujet, vous allez avoir trois, quatre équipes qui travaillent dessus et qui sont aussi en compétition pour publier en premier. Donc, c'était vraiment très intéressant. On va devoir accélérer un petit peu. Donc,
Speaker #2
il y a trois questions finalement. Je vais vous demander de les grouper comme ça. Antoine pourra répondre aux trois successivement. Ça lui permettra de conclure. Commençons par monsieur qui l'avait demandé il y a longtemps, me dit-on.
Speaker #6
Oui, bonjour. Constance Afonklitzing, j'étais banquier d'affaires. J'ai l'impression qu'un autre débat sera nécessaire pour les coûts sociaux économiques, auxquels on ne peut pas répondre avec ce dont vous avez parlé aujourd'hui. Mais c'est quand même très intéressant parce qu'il y a beaucoup de différences entre les pays. Je parle de l'Allemagne. En Allemagne, on a par exemple fermé les écoles et tout le monde dit que ça a eu un effet désastreux sur la population scolaire. Et en Allemagne, par exemple, on a aussi eu un problème. Contrairement à la France où la reconnaissance des mesures de l'État était beaucoup plus élevée qu'en Allemagne, parce qu'en Allemagne, il y a un système décentralisé par l'ENDA, donc il y a eu un sentiment de l'arbitraire parce qu'un land... décidait ceci, et un autre l'un décidait cela. Jusqu'au fait qu'Angela Merkel s'est même excusée publiquement devant la population pour avoir suggéré un shutdown à Pâques, et que tout le monde était tellement contre ceci qu'elle s'est excusée publiquement à la télévision le soir. C'est vraiment très intéressant de voir ce que ça a donné comme... comme dégâts socio-économiques. Et donc, est-ce que vous savez quelque chose sur la recherche qui se fait dans ce domaine ? Et puis, troisième... Et deuxièmement, une question technique, statistique. Vous aviez montré une slide avec un tableau par pays et par mesure. Donc c'était très compliqué, on ne pouvait pas le voir pendant la conférence. Mais est-ce qu'il y a des statistiques, et je pense à la Suède par exemple, par rapport à tous les autres pays qui ont eu des mesures beaucoup plus drastiques, est-ce qu'on a des statistiques de mortalité liées à l'épidémie ? pays et en tenant compte la façon dont les pays ont réagi face à cette épidémie. Voilà, merci.
Speaker #2
Deuxième question, brièvement,
Speaker #7
s'il vous plaît. Jean-Baptiste Féline, conseiller d'anticipation au secrétariat général de la Défense et de la Sécurité nationale. Sous réserve d'acceptabilité de ce type de mesures, est-ce qu'on a eu un retour quantitatif des mesures de suivi électronique Merci. via les téléphones portables qui, je crois, ont été faits en Corée du Sud. Et c'est peut-être un élément de réponse, l'acceptabilité à votre question sur la perception des mesures entre confinement chez soi et suivi électronique par les téléphones portables. Parce que je pense que la notion de surveillance sous-jacente a été soulevée par les contestataires. Merci.
Speaker #2
Jean ?
Speaker #8
Oui, juste pour prolonger votre commentaire sur le lien entre science et politique et dire justement deux mots très brefs de la France. Nous avons eu la chance d'avoir Agnès Buzyn qui a vu venir tout de suite l'importance de l'épidémie et Jérôme Salomon. Mais nous avons la malchance d'être incapables d'organiser de manière stable la relation entre les scientifiques et les politiques. Il n'y a pas d'experts au ministère de la Santé qui s'occupent de ça. Et vous voyez qu'on a créé un conseil scientifique ad hoc. On n'a pas fait appel à l'Académie des sciences. On n'a pas fait appel à l'Académie de médecine. Et pour ceux que ça intéresse, il y a une très grande analogie entre ce débat-là, et je vais m'arrêter là, et celui sur l'énergie. Vous avez vu qu'il y a un papier de quelqu'un que vous avez, que nous avons reçu, qui est Marc Fondecave, qui a un papier tout à fait formidable. Et Marc, au nom de l'Académie des sciences, est intervenu. pour dire que la politique de l'énergie du gouvernement n'avait ni queue ni tête. Et dans le domaine qui nous concerne aujourd'hui, tout ça, c'est parti dans la nature. Le Conseil scientifique a disparu et on est incapable de traiter des problèmes que j'évoquais tout à l'heure, que ce soit celui de la pollution atmosphérique ou de tel ou tel sujet. et des allégations politiques qui sont absolument sans fondement scientifique. Donc on a un vrai problème collectif que les Anglais, que je connais assez bien, n'ont pas, et qui ont su organiser au cours du temps. Alors nous, nos rois l'ont fait en créant l'Académie des sciences, mais voilà.
Speaker #2
Merci à vous tous. Antoine, 5 minutes pour répondre à 3 questions et pour conclure.
Speaker #1
J'ai un peu un point commun parce que... Sur la première question de monsieur, sur la main, je n'ai pas trop de réponses, mais sur les données, que ce soit les données de téléphone portable ou les données de mortalité, effectivement, une des caractéristiques de cette pandémie, ça a été la quantité de données qu'on a récupérées de partout, sur des données, même sur des choses qu'on n'avait pas idée que ça pouvait exister. donc Pour ce qui est de la mortalité, effectivement, il y a eu des travaux qui ont été faits sur la surmortalité. Donc là, ce que je vous ai présenté, c'est juste les cas décédés qu'on a testés et qui étaient positifs au Covid. Mais il y a plein de gens qui sont décédés en dehors des structures hospitalières et qu'on a enterrés sans avoir testé. Donc il y a ces travaux qui sont faits ensuite, qui regardent la surmortalité. Donc ils estiment quelle était la mortalité attendue et quelle est la surmortalité pour essayer de corriger les données. quand on n'utilise que les tests, notamment la première vague où il n'y avait pas beaucoup de tests. Donc oui, tout ça, il y a eu beaucoup de travaux qui ont été faits pour essayer justement d'avoir l'estimation la plus précise et fiable de combien de personnes ont été infectées, parce qu'au final, c'est ça qu'on cherche. Si on veut ramener le nombre de morts à quelque chose, il faut le ramener au nombre de personnes infectées pour connaître vraiment la dangerosité. Et donc, pour revenir sur les données de téléphone portable, à mon avis, si la Corée du Sud a collecté ces données, c'est qu'ils ont d'ailleurs les analysées. Je sais que Singapour aussi était très fort sur ça. Quand c'est arrivé en France, il y a eu tout ce débat sur est-ce qu'on n'ouvre pas la porte aux... à l'espionnage à grande échelle de toute la population. Et c'est intéressant de voir par exemple qu'en Angleterre, où ils ont vraiment été les précurseurs de cette idée et qu'ils ont fait ce papier et qu'ils ont implémenté la solution, ils ont choisi un système décentralisé. C'est-à-dire qu'il n'y avait pas de serveur central qui avait toutes les données. Donc c'était un système décentralisé qui est beaucoup plus acceptable d'un point de vue respect de la vie privée. Et en France, je pense pour plusieurs raisons, peut-être pas juste des mauvaises raisons, mais c'est un système centralisé qui a été choisi. Donc je sais que ça c'est aussi quelque chose qui compte dans l'acceptabilité, au-delà de juste l'efficacité de l'outil, c'est qu'elle garantit en termes de vie privée. Et en fait ces systèmes-là peuvent marcher en total décentralisé, donc c'est assez robuste.
Speaker #2
Très bien. Un très grand merci à Antoine Camacho. Et merci à vous tous d'être venus et je vous souhaite une excellente fin de journée. Au revoir.
Speaker #9
Merci d'avoir écouté cet épisode. Abonnez-vous pour faire grandir notre communauté et n'hésitez pas à partager. Vous pouvez nous retrouver sur Youtube, LinkedIn et Instagram pour encore plus de contenu. A bientôt avec l'Institut d'Hydro pour de nouvelles conférences.

Description

Hébergé par Ausha. Visitez ausha.co/politique-de-confidentialite pour plus d'informations.

Transcription

Speaker #0
Bienvenue sur la chaîne des podcasts de l'Institut d'Hydro. Depuis sa création, l'Institut d'Hydro s'est affirmé comme un lieu de réflexion libre, indépendant et exigeant, ouvert aux grands enjeux de notre temps. Présidé par Hélène Béjuit-Hugues et dirigé par André Comtes-Ponville, l'Institut d'Hydro réunit des penseurs, des scientifiques, des économistes, des philosophes ainsi que des acteurs de la société civile pour analyser avec rigueur et ouverture les mutations profondes de notre époque. En 2025, nous poursuivons notre exploration. autour du thème « Mesures, démesures et modèles » à travers une série de podcasts qui prolongent les échanges tenus lors de nos conférences. Dans cet épisode, nous vous invitons à réfléchir avec nous, en compagnie d'Antoine Camacho, sur « Mesures, démesures et modèles en épidémiologie, le cas de la Covid-19 » . Bonne écoute, Institut Lydraud, partageons nos idées pour un avenir éclairé. Bonjour à tous, bonjour à toutes. J'ai le plaisir de vous accueillir à nouveau au sein de l'Institut d'Hydro, notre think tank, dont l'objectif premier, j'aime bien le rappeler, est de favoriser une approche multidisciplinaire et de proposer une vision prospective sur les grands thèmes qui préoccupent les sociétés contemporaines. C'est pourquoi, dans le cadre du thème qui a été retenu cette année, il nous a semblé judicieux, je dirais même pertinent, de nous pencher sur le sujet de l'épidémiologie. En prenant l'exemple de cet ennemi implacable qui a surgi en 2020 et qui a sidéré le monde et l'a complètement paralysé, dont nous sortons depuis 4 jours, entre guillemets, il y a 5 ans, de ce confinement dû, j'ai parlé bien sûr, du Covid-19. Alors classiquement, si je ne me trompe, l'épidémiologie s'étudie à partir de modèles mathématiques dont initialement, les ambitions, je cite, sont de mesurer l'inconnu, quantifier l'incertitude et anticiper l'avenir. Vaste programme, aurait dit quelqu'un. Alors, cinq ans après cette crise mondiale, qu'est-ce qu'on peut dire sur la place occupée par ces outils dans l'appréhension de la démesure de l'événement ? Que nous ont-ils permis de comprendre ? Où nous ont-ils induit en erreur ? Ce sont des questions auxquelles, j'espère, va répondre Antoine Camacho, que je laisse à André Le Soin de présenter. Merci.
Speaker #1
Bien, bonjour à tous. Donc, comme vous le savez, le thème... que notre Conseil d'Orientation a choisi pour l'année 2025, c'est le thème « Mesures, démesures et modèles » . Ces trois mots au pluriel, « mesures, démesures et modèles » . Et lors de la réunion du Conseil d'Orientation qui a choisi ce thème, Ronnie Broman, ici présent, membre du Conseil d'Orientation, a suggéré qu'on applique entre autres ces trois notions au problème de l'épidémiologie. avec évidemment en arrière-fond l'expérience relativement récente du Covid-19. Ça nous a paru une excellente idée, et donc j'ai demandé à Rony de traiter lui-même le sujet qu'il proposait. Il se trouve que Rony Broman, avec la modestie exagérée qui le caractérise, a jugé qu'il n'était pas capable de traiter valablement ce sujet, mais il m'a dit « je vais te trouver quelqu'un » . Et donc je dois deux remerciements. le premier à renier pour avoir proposé Le sujet est trouvé le conférencier et bien sûr à Anton Camacho d'avoir eu la gentillesse d'accepter. En s'agissant d'Anton Camacho, c'est un ingénieur de formation spécialisé en bioinformatique et titulaire d'une thèse de modélisation des maladies infectieuses. Donc là on est au cœur de la compétence souhaitée. Il m'explique dans un mail qu'il m'avait envoyé que lors de son poste doctorat à la London School en hygiène et médecine tropicale, il a développé un modèle de prévision à court terme pour l'épidémie d'Ebola en Afrique de l'Ouest en 2014-2016 dans le cas d'une collaboration avec Epicentre qu'il a rejoint en 2016. Alors, Episante, c'est une filiale ou un satellite de MSF, Médecins sans frontières, que René... a présidé pendant des années, donc ONG bien connue, qui a obtenu le prix Nobel de la paix, je crois que c'est en 1999, si mes souvenirs sont bons. Et dans le mail qu'il m'envoyait, donc Antoine Camacho m'expliquait que ses travaux... porte principalement sur la construction et l'analyse de modèles mathématiques visant à mieux comprendre la dynamique des maladies infectieuses. Je n'en dis pas plus sur son parcours, je le remercie simplement très chaleureusement d'avoir accepté notre invitation et donc Antoine, encore merci, vous avez la parole pour 45 minutes.
Speaker #2
Merci. Bonjour à tous et à toutes. Donc, effectivement, le thème qui m'a été proposé et que j'ai essayé de développer dans cette présentation, c'est celui des mesures, des mesures et modèles en épidémiologie. Et le cas, non pas du Covid-19, mais de la Covid-19. Je suis désolé, je n'ai pas pu passer la coquille dans le premier titre, puisque effectivement, c'est la maladie et le virus. Donc, c'est le SARS-CoV-2 et la Covid-19. Donc effectivement, comme vous l'avez rappelé, les modèles en épidémiologie ont pour ambition de mesurer l'inconnu, quantifier la certitude, anticiper l'avenir, ce qui peut paraître peut-être présomptueux. Mais en fait, aujourd'hui, on va un peu décortiquer ces modèles ensemble et puis regarder à quoi ils ont servi. Mais pour commencer, je vais juste vous parler d'autres modèles. qui en fait s'attache à faire ces trois choses. et qui vous sembleront peut-être tout à fait raisonnables. Le premier, c'est ce système, la Lune. C'est un système, on peut mesurer avec une très grande précision son poids, sa distance à la Terre, et on peut prédire où elle sera dans les 100 prochaines années, ce qui est très pratique pour connaître les marées à l'avance. Et donc du coup, ça c'est typiquement... des modèles derrière qui nous donnent cette connaissance. Un autre modèle, cette fois-ci, un encore modèle physique, qui est un magnifique ouragan, et qui là aussi, pour le coup, on peut très bien mesurer sa position, sa vitesse, mais quand on veut faire des prédictions, on a quand même une certaine incertitude quant à la trajectoire à quelques jours. Donc ça reste un système physique parfaitement, enfin, qu'on arrive à quand même caractériser, mais avec quand même une institute dans la prédiction. Et je sais qu'il y a des assureurs dans la salle, donc a priori, c'est des systèmes qui vous intéressent, ces ouragans. Mais moi, le système dans lequel je vais vous parler, c'est celui-ci, qui est en fait un système qui a à la fois... un système physique puisqu'on est quand même fait d'atomes, mais qui a une dimension supplémentaire qui est la dimension du vivant. C'est-à-dire que pour pouvoir comprendre comment une épidémie se propage dans une population, voire la mettre sous forme mathématique, il faut essayer un peu comprendre comment ces populations, les gens, rentrent en contact les uns avec les autres. Et en fait c'est un peu la la difficulté du vivant, c'est qu'il ne se laisse pas facilement mettre sous forme d'équations. Il y a des choses qui sont beaucoup plus contingentes que ce qu'on peut trouver en physique et qui rend difficile justement cette mise en équation. Donc c'est toute l'ambition des modèles mathématiques et vous verrez que le but aussi de la conférence c'est un peu de démystifier ces modèles. On s'imagine qu'il y a des choses très très complexes Et en fait, c'est beaucoup plus simple qu'on ne le pense. Et typiquement, les modèles les plus simples considèrent que tous les gens se rendent compte de manière complètement aléatoire, ce qui est évidemment faux, sauf peut-être si vous passez votre vie sur le carrefour de Shibuya à Tokyo, où évidemment, ça a peut-être plus de chances que vous croisiez à peu près tout le monde à la fin de l'année. Donc, avant de... Parler de ces modèles et de leur application pendant la pandémie, je vais faire un petit détour historique et aussi explicatif sur ce que sont en fait ces modèles mathématiques en épidémiologie. Et évidemment, comme je suis dans ces murs, je n'ai pas pu résister à l'envie d'ouvrir l'encyclopédie de Diderot et d'Alembert pour aller chercher ce que je pouvais trouver sur la modélisation mathématique en épidémiologie. Évidemment, je n'ai rien trouvé. En tout cas, pas le terme modélisation mathématique en épidémiologie. Mais on trouve quand même des choses assez intéressantes, à commencer par une très bonne section, définition de ce que c'est qu'une épidémie, donc au XVIIIe siècle. C'est un peu petit pour moi pour lire, mais en gros, ce qui est intéressant de voir, c'est qu'à l'époque, on considère que les maladies se propagent via l'air et que c'est l'air en rentrant dans votre corps. qui vous inocule des miasmes, qui derrière vous a développé des symptômes. Et en fait, de manière assez surprenante, la notion de transmission de personne à personne n'est pas considérée comme quelque chose de très important, c'est même plutôt rare, et ça a plutôt à voir avec l'air. Vous connaissez probablement la malaria, qui est cette maladie de l'air mauvais. Et donc... C'est assez intéressant de se plonger là-dedans, puisque aujourd'hui, vraiment, les modèles mathématiques cherchent vraiment à modéliser ce contact entre les gens. On sait à quel point c'est important pour les maladies qui nous intéressent. Et puis, il y a aussi cette deuxième partie de la section où ils engagent, en fait, les médecins à vraiment décrire de manière poussée, en fait, ces épidémies qu'ils voient. Et il se réfère à... Hippocrate comme étant le modèle dans cette description de ces épidémies afin de mieux les comprendre. Donc en fait, à cette époque du 8e siècle... L'épidémiologie, elle n'est pas vraiment encore une branche à part, c'est partie de la médecine, et c'est principalement empirique. Donc ça fait des centaines d'années que c'est comme ça. Mais dans l'encyclopédie, ce qui est intéressant, c'est que l'encyclopédie, elle se situe dans un endroit, une période, qui n'est plus la période de la science empirique. On est déjà dans la science théorique. On a changé de paradigme, et il y a un autre chapitre dans l'encyclopédie qui est très intéressant. puisqu'en fait, elle va parler des fondements de la modélisation mathématique en épidémiologie. Et ces fondements, cette base mathématique, on l'appelle le calcul différentiel, et c'est une méthode mathématique qui a été co-inventée par deux géants, Newton et Leibniz. Et alors, il y a toujours un conflit entre les deux. On attribue la première publication à Leibniz. qu'il appelle le calcul différentiel, et Newton, qui appelle ça la méthode des fluxions, mais en fait c'est la même chose. Et donc il y avait ce conflit entre les deux, et si vous allez au muséum du sang naturel d'Oxford, vous pouvez voir les deux statues de Leibniz et Newton, ils ne l'ont pas mis à côté quand même, ils les ont un peu séparés, et c'est vrai que Newton a l'air un peu vexé, mais en fait ce n'est pas du tout ça, il regarde juste la pomme qui vient tomber à ses pieds, ce qui va lui donner une idée assez révolutionnaire. qui lui procurera bien du plaisir, puisque une dizaine d'années plus tard, il inventera les lois de la gravitation universelle, qui lui permettront notamment, par exemple, d'écrire la rotation de la Lune autour de la Terre, et les marées, si on veut. Donc ça, en fait, le calcul différentiel, c'est vraiment la base de la modélisation mathématique, Et ça a été inventé. un siècle à peu près avant l'encyclopédie, donc fin milieu du 7e, et en fait l'épidémiologie va mettre beaucoup de temps à se développer. C'est qu'au début du 20e siècle, donc plus de presque deux siècles et demi après l'invention de ce calcul différentiel, que va naître la théorie mathématique de l'épidémiologie. Et c'est un papier publié en 1927. par deux écossais, Carmack et McKendrick, qui posent toutes les bases de la modélisation mathématique en épidémiologie. Dans ce papier, vous pouvez voir plusieurs choses. Des équations, c'est une équation différentielle, ça part de la théorie de Leibniz et Newton. Et en fait, ces équations différentielles, c'est ce qu'on appelle les modèles à compartiment. C'est le fameux modèle SIR, vous avez peut-être entendu parler. Et donc ça, on va les voir juste après. Mais donc ça, c'est là. Ici, à partir de ces équations, ils vont les étudier et ils vont dériver certaines propriétés. Donc ça, il y a une petite phrase ici qui explique qu'il faut qu'il y ait certaines conditions pour que derrière, il y ait une épidémie. Et cette condition, en fait, c'est le fameux R0, le nombre de reproductions de base, lequel je pense que vous avez entendu parler encore et encore pendant la pandémie. Donc c'est le nombre de personnes qu'on va infecter le temps qu'on est infectieux, au début d'une épidémie. Il y a une deuxième propriété de ces équations, qui est hyper intéressante, c'est qu'elles vont permettre d'expliquer pourquoi, à la fin d'une épidémie, tout le monde n'a pas été infecté. Pourquoi il y a cette personne qui échappe à la maladie ? Et donc ça aussi, mathématiquement, ils le démontrent. Et la troisième chose qu'ils font, et qui est encore, à mon sens, encore plus, enfin très forte, c'est qu'ils prennent une épidémie de peste à bomber, et ils vont ajuster le modèle aux données. Donc ils prennent les points, et ils arrivent à ajuster, aujourd'hui on fait ça avec des ordinateurs, eux ils font ça à la main, et à retrouver les paramètres du modèle qui font que la courbe passe par les points des données. Donc ça c'est très très fort et il y a tout ici. C'est-à-dire que depuis on n'a fait qu'améliorer mais il n'y a pas eu de grande révolution. Donc on va voir un peu ensemble cette modélisation en fait, alors sans parler des équations, mais cette modélisation qu'on appelle la modélisation mécaniste. C'est un mot qui est très important puisqu'en fait il s'attache à... modéliser les mécanismes s'assant à la propagation de l'épidémie. Donc évidemment, un modèle, c'est une simplification. Et ce modèle est très simple. Vous allez voir qu'il est... Particulièrement intéressant. Donc ce modèle SIR, il divise la population en trois. On a les susceptibles, les infectieux et ce qu'on appelle les retirés. C'est soit ceux qui sont morts ou soit ceux qui sont guéris. Ils sont retirés du processus de propagation. Et donc on représente ça avec des boîtes. Et puis on met des flèches qui correspondent aux transitions, c'est-à-dire comment les individus passent d'un groupe à l'autre. Et sur ces flèches, on va mettre des... des termes mathématiques. Et ces termes mathématiques, ils peuvent paraître arbitraires ici, mais en fait, ils ont une signification biologique. Chaque paramètre ici a une interprétation biologique claire. Donc c'est pour ça que c'est un modèle mécaniste. C'est parce qu'on peut relier ces paramètres à des concepts très concrets. Typiquement, le bêta ici, vous voyez, c'est le taux de contact effectif. C'est-à-dire ? C'est le nombre de contacts que je vais faire dans la journée, multiplié par la probabilité que si je rencontre quelqu'un qui est infecté, il me transmette la maladie. C'est peut-être un petit peu abstrait, mais c'est quand même quelque chose qui a une réalité. Il est multiplié par I sur N. I, c'est les infectieux, divisé par N, c'est tout simplement la proportion d'infectieux dans ma population. L'hypothèse derrière, c'est que j'ai autant de chances de rencontrer un infectieux que n'importe qui d'autre. La probabilité que je rencontre quelqu'un au hasard, s'il y a I personnes, c'est I sur N. C'est vraiment une façon très simple de modéliser la façon dont les gens se rencontrent. Et puis 1 sur D, c'est un taux de guérison. Et c'est 1 sur la durée d'infectiosité. Ça, on connaît bien aussi. C'est en général combien de temps on est malade, combien de temps on va... infectés, toussés par exemple. Donc ça, c'est des paramètres qui ont une vraie réalité. Et en fait, ce fameux R0, qui est le nombre de cas secondaires générés par un cas primaire dans une population totalement susceptible, donc ça ne vaut que au début de la pandémie, c'est tout simplement le produit de bêta fois D, donc le taux de contact effectif fois la durée d'infectiosité.
Speaker #3
Ce R0,
Speaker #2
voici sa valeur pour quelques virus. C'est la contagiosité. Il va pour des maladies comme Ebola, entre 1,3 et 2. C'est une maladie très mortelle, mais qui n'est pas la plus transmissible. Jusqu'à la rougeole, qui est une maladie extrêmement transmissible, et qui va jusqu'à entre 12 et 18. C'est-à-dire qu'en moyenne, une personne va infecter 15 personnes. Donc pourquoi est-ce que c'est important de quantifier ce R0 ? On va le voir juste après. Mais d'abord, regardons comment se comporte ce modèle. Très simple, en termes de trajectoire, vous allez tout de suite voir l'analogie avec une épidémie. On est dans une situation où au début, tout le monde, toute la population est susceptible, et puis il y a un infectieux, donc ils sont en rouge, et les infectieux vont forcément, si R0 est plus grand que 1, l'épidémie va démarrer. ils vont transmettre la maladie, donc les susceptibles vont diminuer en proportion. Et puis, après avoir été infectieux, ils vont guérir, ou être retirés, et donc la courbe bleue va monter. Ce qui fait qu'on a une belle épidémie en cloche, qui est ici en rouge, et à la fin de l'épidémie, on voit que la majorité des gens sont retirés, ils sont guéris ou décédés, et puis il reste un petit morceau du susceptible, à la fin, qui a échappé. à l'épidémie. Donc il y a toujours une proportion qui échappe à l'épidémie. Et si on veut connaître cette proportion, en fait ce qui est assez élégant avec ce modèle de Kamak et McKendrick, c'est qu'il y a une équation très simple comme celle-ci, avec le z, 1 égale 1 moins exponentielle de moins z fois R0, et z c'est la proportion de la population qui va être infectée. Donc il suffit de résoudre cette équation, et donc si on la résout, on trouve pour chaque R0 Combien de personnes vont être affectées ? Donc il y a une relation directe entre la contagiosité de ma maladie et à la fin de l'épidémie, combien de personnes j'ai infectées. Donc cette courbe, elle est ici en bleu. Et ce qui est assez intéressant, c'est qu'elle monte très rapidement. C'est-à-dire qu'en gros, entre R0, entre 1 et 2, on voit que la population affectée, elle passe de 0 à 80%. Donc une maladie, si c'est 1,1 ou 1,6, c'est extrêmement différent. Par contre, une fois qu'on dépasse 2, on est entre 80 et 100. Donc si mon R0, c'est 18 ou 10, ce n'est pas une grosse différence. sur la taille finale de l'épidémie. Ça va jouer sur la rapidité de l'épidémie et la difficulté à la contrôler, mais en termes de taille finale, ça n'a pas un grand impact. Donc ça, c'est des petites choses mathématiques qui sont assez simples, mais qui ont une grande résonance parce que ça permet vraiment de comprendre ce qui se passe malgré toutes ces approximations que fait le modèle. Donc, évidemment, l'idée, ce n'est pas que l'épidémie se propage... comme ça sans qu'on fasse rien. Et donc, qu'est-ce qui se passe en général quand l'épidémie démarre ? C'est qu'on va essayer de la contrôler. Et pour la contrôler, ce n'est pas tellement le R0 qui va être intéressant, c'est ce qu'on appelle le nombre de reproductions effectives, on l'appelle RT, qui est en fait le produit de R0 fois la proportion de susceptibles qu'il me reste dans la population au cours du temps. Donc au plus mes susceptibles diminuent, au plus mon RT diminue. Vous voyez ? et on va voir comment est-ce qu'on peut faire diminuer ce RT autrement qu'en laissant les gens se faire infecter. Donc, si on a une épidémie qui démarre, on voit qu'à un moment donné, si RT continue à être plus grand que 1, l'épidémie continue sa croissance exponentielle. Si j'arrive à mettre mon RT à 1, je vais voir un plateau, et si je fais descendre RT en dessous de 1, on dit que l'épidémie est sous contrôle, ça descend. Vous voyez déjà un peu le lien avec ce qui va nous arriver. Et donc toute la question c'est de bien mesurer RT et d'essayer de bien trouver les stratégies qui vont le faire passer en dessous de 1. Pour ça, il faut que je vous en dise un petit peu plus sur ce RT, puisque l'équation β fois d fois st sur n, elle est déjà intéressante, mais elle ne vous dit pas tout parce que dans ce β, il y a des choses qui sont un peu cachées. Donc qu'est-ce que c'est ce RT ? C'est en fait le produit de... d'une probabilité qui correspond à la probabilité d'avoir un contact avec quelqu'un, qui est la probabilité qu'aujourd'hui j'ai des contacts dans ma journée avec quelqu'un d'autre, fois la probabilité que si je rencontre quelqu'un qui est infecté, il y a une transmission, parce que je rencontre quelqu'un qui est infecté, que je vais forcément avoir le virus, multiplié par la durée d'infectiosité, multiplié par la proportion. Deux susceptibles. Donc ça, c'est un peu la forme étendue de RT. Et elle nous permet de réfléchir où est-ce qu'on va pouvoir agir pour le faire diminuer en dessous de 1. La première chose qu'on peut faire, c'est au niveau de la distanciation sociale. C'est-à-dire faire en sorte que cette probabilité de contact, elle diminue. Si elle diminue, RT diminue. Donc typiquement, l'espace entre les gens. L'autre façon de faire, c'est de... Mettre des masques. Si on met des masques, même si j'ai des contacts, il y a moins de chances que je transmette. Donc on joue sur ce terme. Si on a des traitements, typiquement des antiviraux, on va pouvoir jouer sur la durée d'infectiosité. Bon, on n'avait pas beaucoup au début du Covid, mais pour la grippe, il y en a. Et puis, avec la vaccination, je vais pouvoir aussi faire diminuer ma proportion de susceptibles en les vaccinant. avant qu'ils soient infectés. Donc vous voyez qu'on a des outils et en fait on peut voir sur le modèle mécaniste où est-ce qu'on va les intégrer. C'est-à-dire que quand on va demander à des modélisateurs de simuler telle stratégie, ils vont modifier tel paramètre. Et donc c'est des choses très simples, c'est des multiplications, il n'y a pas de formule mathématique extrêmement compliquée. Et donc c'est ça qu'ils vont faire. Alors, il y a plusieurs types de modèles, je vous en ai présenté un jusqu'à présent, c'est les modèles à compartiment. Et en fait, ces modèles, ils s'attachent à ne suivre que le statut des populations. On a trois populations, trois sous-populations, les S, les I, les R. Bon, ça c'était ce qu'on faisait dès 1927. A partir de 1945, on a développé les ordinateurs, et notamment les calculs de Monte Carlo et les simulations. Bon, voilà, c'était pas peut-être pour les bonnes raisons, mais c'est des outils qui sont arrivés et qui se sont développés extrêmement rapidement à partir des années 40. Et puis, les modèles épidémiologiques ont commencé à utiliser les simulations pour ce qu'on appelle modéliser à base d'agents. C'est-à-dire que là, on a... Ce n'est plus des équations, c'est du code. Et on a comme des agents qui vivent dans un espace virtuel et se rendent compte. Et ça permet d'avoir un contrôle au niveau de l'individu. Je peux vraiment, là, avoir beaucoup plus de flexibilité sur ce que je peux modéliser. Mais ça reste des règles mathématiques quand ils se rencontrent. Il y a toujours une probabilité d'infecter, une probabilité de transmettre, etc. Et puis, à l'inverse, il y a des modèles qui sont plus efficaces. qui sont beaucoup plus simples. On a simplifié ces modèles pour finalement ne garder que les personnes infectées. On considère qu'on est au début de l'épidémie, qu'il y ait 1 000, 1 000 000 de personnes susceptibles, ça n'a aucune importance, de toute façon je vais toujours en trouver. Donc je vais modéliser juste les personnes infectées. Et ça en fait c'est un formalisme qui est assez puissant, qui est beaucoup plus simple. Je réduis mon problème à une équation et je vais pouvoir simuler très rapidement et faire des choses. plus simplement même des choses papier crayon pour comprendre comment ça se passe. Donc évidemment ces modèles sont pas pareils et ils ont des avantages et des inconvénients. Au plus on monte, au plus c'est compliqué, au plus il faut de paramètres et de données pour calibrer le modèle. Et au plus on descend, au plus c'est simple et au plus on peut les faire tourner avec un minimum d'infos et assez rapidement. Donc là, vous avez les trois grands types de modèles qui ont été utilisés pendant la Covid-19. Et évidemment, les modèles sans données, ça a moins d'intérêt. Et donc aujourd'hui, on a vraiment de plus en plus de données utilisées par les modèles. Et en fait, la fiabilité d'un modèle dépend de la fiabilité des données. Si on n'a pas de données, on ne va pas forcément avoir des bons résultats avec le modèle. Et en fait, les questions, c'est toujours... Enfin, le nerf de la guerre, c'est... J'ai une question, est-ce que j'ai les données pour y répondre ? Et est-ce que j'ai le modèle qui est approprié aux données que j'utilise ? Donc ça c'est le savoir-être du modélisateur, c'est de pouvoir dire non ça on ne pourra pas répondre, ça on pourra, il faut utiliser tel modèle. Ça c'est le nombre de papiers publiés en modélisation mathématique des maladies infectieuses depuis l'année 90. Donc on a une croissance, je ne sais pas si c'est de l'exponentiel, mais ça a vraiment... augmenté très fortement. Et vous voyez qu'en 2020, avec la Covid, on a encore une explosion supplémentaire. Et ça, c'est le nombre de papiers sur le R0. Donc vraiment, ce R0, c'est un peu le nombre fétiche des modélisateurs. Et au début d'une épidémie, d'une pandémie, de ce que vous voulez, il y a toujours beaucoup de papiers qui vont essayer de mesurer le R0. Donc ça, c'est un... c'est très bien parce qu'il y a besoin qu'il y ait plein de gens qui regardent les données de manière indépendante le petit souci c'est que si on regarde pour la Covid-19 on s'est retrouvé quand même avec des estimations qu'elle est de 1 à 6 donc évidemment il y a une grande incertitude et tout ça c'est juste des données qui venaient de Chine donc on était vraiment au tout début et ça montre en fait que il y a quand même des méthodes une hétérogénéité dans les savoirs, dans les méthodes, dans la façon de carrer les données, qui fait qu'on n'a pas toujours des réponses très précises sur des questions aussi cruciales que ce que vaut le R0. Donc, ça c'était le premier point. Je ne sais pas combien de temps il me reste, mais on va essayer un peu de... Ok, bon, ça va. Donc, le point qui nous intéresse maintenant... c'est que pour comprendre les épidémies, il faut bien comprendre que c'est une cible mouvante, c'est dynamique. Et les questions qu'on va se poser et les modèles qu'on va utiliser pour y répondre, ça va être aussi dynamique. Il n'y a pas un modèle comme ça qui nous donne toutes les réponses à toutes nos questions. Donc pour ça, j'ai besoin de replonger un petit peu dans ce qu'a été la pandémie de Covid-19. Je vous avoue que quand j'ai préparé cette présentation, Je ne savais même plus combien il y avait de confinement. Tout ça, c'était très flou, très, très, très loin. Et donc, j'ai dû aller chercher des données qui, heureusement, sont archivées pour retracer un petit peu cette pandémie en France. Donc, j'espère que ça vous parlera. Donc, la pandémie de Covid-19 en France, si je regarde le nombre de cas confirmés au cours du temps, Et je regarde depuis le début, c'est-à-dire début 2020, on voit qu'on a des vagues successives. Donc ici, les vagues successives, on les voit. On a une première vague, deuxième, troisième, quatrième. En gris, j'ai mis les confinements. Donc c'est les périodes où il y a eu les confinements. Donc il y a eu trois confinements qu'on voit très bien ici. Donc ces confinements, effectivement, c'était des situations assez exceptionnelles. Et ce qu'on voit, c'est qu'effectivement, on a un premier confinement, puis un deuxième qui permet d'expliquer un peu cette baisse du nombre de cas assez drastique au niveau du deuxième confinement. Le fait qu'il y ait beaucoup plus de cas au deuxième vague que la première, c'est surtout parce qu'on avait des tests disponibles. à la deuxième qu'on n'avait pas à la première. Il ne faut pas se laisser avoir par les données là. Et puis, au deuxième confinement, qui est un peu moins drastique que le premier, ça diminue, et là, pas de bol, un nouveau variant, le premier variant, le alpha, qui fait que la pente remonte, jusqu'au moment où il faut reconfiner. On verra pourquoi. Et le nombre de cas redescend. Et puis, ça descend très bas. Et puis le variant Delta arrive et à chaque nouveau variant, il y a un échappement immunitaire. Et donc c'est ça qui va faire que les gens vont se faire réinfecter et l'épidémie va repartir. Et en fait, le R0, il était peut-être de 2,3 au début. A la fin, on va le voir, il va monter jusqu'à 8. Donc c'est des virus qui sont extrêmement... contagieux mais comme la population est déjà immunisée le RT reste autour de 1-2 et donc au final ça se transmet pas non plus comme si la population était complètement susceptible donc ça c'est le nombre de cas confirmés donc on voit ces différentes vagues et pourquoi est-ce qu'on a confiné et bien en fait le baromètre c'était vraiment la capacité maximale en soins critiques Donc on avait une limite à 8000 lits en France et toute l'idée c'était de ne pas dépasser ce nombre. Et donc on voit la première vague, on s'est rapproché dangereusement de ce seuil. Et en fait ce qui a motivé principalement les confinements, c'était de réduire la pression sur le manque de lits et pour ces soins critiques. Donc là, effectivement, on voit les... les quatre vagues aussi. Et en termes de décès, on va commencer à observer quelque chose d'intéressant. C'est-à-dire qu'on a ces vagues successives où effectivement, il y a des décès. Et puis, on voit au troisième confinement, le nombre de décès, finalement, il descend, il n'est plus en train de monter. Donc la vague, elle est atténuée. Il y a comme un découplage entre les infections et les décès. Et on voit aussi Merci. en octobre 2021, quand il y a la variante Delta, que les décès font une petite remontée, mais pas énorme. Et ce découplage est dû à quoi ? Eh bien, il est grandement dû à la vaccination. C'est-à-dire qu'on a commencé à vacciner en janvier 2021, et puis ça a augmenté jusqu'à arriver autour de 70% en fin 2021. Et donc, c'est vraiment le fait que... Alors, cette vaccination, malheureusement, elle n'empêchait pas la transmission, mais elle empêchait les formes sévères. et de potentiellement mourir. Donc ça permet un découplage entre les décès et les cas. Et en fait, ce qui s'est passé juste après, ça a été l'arrivée d'Omicron. Et Omicron, ça a été un variant extrêmement... qui se transmettait de manière très intense. et la vague au micron, vous voyez, la méthode vague, on ne les voit même plus. C'est-à-dire qu'on a une augmentation x7 avec un pic à 350 000 cas. Donc il y a aussi beaucoup de tests, tout le monde a pris l'habitude de se faire tester, donc ça joue aussi. Mais ce qui est intéressant de voir, c'est qu'on a une augmentation x7 des cas, mais on n'a pas une augmentation x7 des essais, des soins intensifs. Donc en fait, on a ce découplage qui continue à s'opérer avec des petites remontées. en grande partie grâce à la vaccination, mais aussi à l'immunité acquise, puisque tout le monde a plus ou moins été infecté aussi. Donc ça a joué énormément. Voilà, donc ça c'est pour se remettre un peu dans les grandes lignes de cette pandémie. Et évidemment, les questions ne vont pas être les mêmes si on n'a pas de vaccin disponible. Donc là on est au début, on est sur les deux premières vagues, il n'y a même pas encore de variant. Et les questions c'est... À quoi faut-il s'attendre ? On est en mars 2020, qu'est-ce qui va se passer ? Et quelles stratégies il va falloir adopter, sachant qu'on n'a pas de vaccin et pas de traitement ? Pendant ces vagues, les questions vont être plutôt de vouloir essayer de faire des prévisions à court-moyen terme pour essayer de piloter la façon dont l'épidémie évolue, pour essayer de piloter les besoins en ligne, quand est-ce qu'il va falloir peut-être réactiver des mesures drastiques. ou bien quand aura lieu le pic épidémique. Et puis, après une vague, les questions qu'on se pose, c'est bon, maintenant qu'on a fait des interventions, la vague Derrière nous, est-ce qu'on peut demander au modèle de nous dire quel a été l'effet de ces interventions ? Et comme il y en a plusieurs, est-ce qu'on arrive à dire laquelle a eu le plus d'impact ? Et puis effectivement, s'il y a une prochaine vague, quand est-ce qu'elle aura lieu ? Donc ça, c'est des questions très différentes qui dépendent du moment où on est dans l'épidémie. Quand un nouveau variant arrive, les questions qu'on va poser, c'est ce nouveau variant, c'est quoi ses caractéristiques, sa transmission, est-ce qu'il est plus mortel ? Est-ce qu'il échappe à l'immunité ? Et puis aussi, comment il va interagir avec les autres variants ? Est-ce qu'il va coexister avec les autres ? Est-ce qu'il va remplacer ? Tout ça, c'est des questions aussi qu'on pose aux modèles. C'est un modèle un petit peu différent de ceux que je vous ai présentés. Mais tout ça, c'est des questions auxquelles on pose aux modélisateurs. Et puis, une fois que le vaccin est disponible, quelque part, on est dans un problème, on va dire, plus traditionnel, où c'est plutôt de l'optimisation. Quelle est la meilleure stratégie ? Est-ce que je dois donner d'abord aux personnes les plus à risque ou aux personnes qui transmettent le plus, les enfants en général ? Et puis si je dois gérer une pénurie, puisque c'était le cas au début, est-ce que je dois adapter la stratégie ? Par exemple, je n'ai donné qu'une dose à plus de gens et je vais retarder la deuxième dose. Donc ça, c'est des choses qu'on fait pour la Covid, mais on fait pour plein d'autres maladies où il y en a de vaccins. Et donc, vraiment, les questions les plus importantes, on va dire que j'ai traité aujourd'hui parce que je... je ne peux pas tout faire, c'est vraiment ces questions au début. Au début, ces premiers modèles, parce qu'ils nous ont tous marqués et donc je me suis repenché là-dessus. Donc on est le 16 mars 2020, on a l'annonce présidentielle du premier confinement en France et on a en tout environ 6000 cas confirmés, 285 personnes en réanimation et 161 personnes qui sont officiellement décédées de la Covid. C'est à ce moment-là que, dans les médias, on a du coup ces premières annonces de ces prédictions alarmantes des modèles. On notera que la photo n'est pas celle d'un modèle, mais d'un isoloir, puisqu'on était aussi censé aller voter pour les municipales, pour le premier tour. Et donc ce premier modèle qui sort, c'est un modèle qui est un modèle de Imperial College de Londres. où il y a une énorme équipe de modélisation. Et c'est un modèle qui date de 2005. Et pour vous le représenter, c'est un modèle à base d'agents, que j'ai parlé juste avant avec ce monde virtuel. Donc il n'est pas aussi sympathique que SimCity, mais c'est un peu la même idée. Il y a des hôpitaux, il y a des écoles, il y a des maisons, et puis une population synthétique qui va interagir. Et on va là-dedans infecter des gens et voir comment ça se propage. Donc ce premier modèle, c'est un modèle qui date de 2005. Donc vous voyez, c'est un modèle qui a déjà été éprouvé, mais qui est aussi un peu ancien. Et donc le premier chiffre qui sort même dans l'article du Monde, c'est effectivement ces centaines de milliers de morts qu'on annonce. Donc on est sur un choc avec ce modèle qui a simulé l'épidémie au Royaume-Uni et aux États-Unis, et qui prévoit 500 000 morts d'un côté et 2,2 millions de l'autre. Et effectivement, c'est quelque chose qui fait beaucoup de bruit, mais en fait ce résultat, il est marquant, mais il n'est pas du tout surprenant, et vous allez voir qu'on va le retrouver très facilement avec notre modèle de Carmack et McKendrick, qui nous disent que la taille finale de l'épidémie, c'est cette équation. Donc je prends le même R0 que l'équipe d'Imperial College, 2.4, j'arrive à une donnée, l'équation me dit que 88% de la population sera infectée si rien n'est fait. Ensuite, je multiplie par la population des États-Unis ou du Royaume-Uni. Ce n'est pas la même. Et ensuite, j'ai besoin du risque de décès. C'est quoi le risque de décès pour une infection ? Et ça, en fait, c'est une donnée qu'heureusement, on a réussi à extraire des données de Wuhan. Donc, il y a une publication à l'époque qui nous dit que ramener la population du Royaume-Uni, c'est 0,9. Et donc, si je fais juste ce produit, je retiens les mêmes nombres à peu de choses près que le modèle très compliqué à base d'agents. Et ça, ça veut dire quoi ? C'est-à-dire qu'on a juste un virus qui se transmet très rapidement, et peu importe un peu le modèle qu'on utilise, avec ses subtilités, c'est énorme en fait, 2.4. Donc, ce résultat, il a beaucoup marqué les médias, mais il n'était vraiment pas surprenant, et ce n'est pas pour ça que ce modèle est intéressant, c'est pour une autre raison. Ah oui, alors, il se trouve aussi qu'il a été beaucoup critiqué en disant qu'on avait beaucoup surestimé la létalité, donc j'ai retrouvé les données, et je vous les montre ici. Donc en vert, vous avez effectivement les données de létalité par infection en fonction de l'âge. Vous voyez que ça augmente énormément entre un enfant et une enfant. Une personne âgée, on n'a pas du tout le même taux de létalité. On monte jusqu'à 10% chez les personnes de plus de 80 ans. Et donc ça, c'est la base, c'est sur une étude. Et ensuite, en rouge, vous avez l'étude la plus complète, qui combine des données de 22 études sur 45 pays. C'est vraiment magnifique. Et ce que vous voyez, c'est effectivement, cette courbe rouge, elle est un peu en dessous de la courbe verte, ce qui montre qu'effectivement, c'était surestimé. Mais on n'est pas non plus dans un facteur 10. on est dans un facteur 1,2 voire 2, pardon. Et donc, en fait, on est parfois dans l'intérêt de confiance en pointillés. Donc, ça n'aurait pas changé la face du résultat du modèle si on avait utilisé ces données qu'à l'époque on n'avait pas. Et ce qui est intéressant, c'est que si on zoome chez les personnes de moins de 50 ans, on voit qu'on a aussi cette différence. Mais juste pour montrer, entre un enfant de 10 ans et une personne de 80 ans, la létalité est multipliée par 8000, le risque de mourir. Donc c'est énorme, il n'y a pas beaucoup de maladies qui ont un spectre aussi énorme en termes de létalité en fonction de l'âge. Mais ce modèle n'est pas intéressant pour ça en fait, ce modèle est intéressant pourquoi ? Parce qu'il y a suffisamment de précision pour pouvoir aller tester des stratégies assez différentes. et en fait il y a le pire Il y a deux stratégies qui vont être testées. La stratégie d'atténuation qui consiste à, on va dire, pas confiner et essayer juste d'atténuer l'épidémie. Et la stratégie 2 qu'on appelle suppression qui, elle, va impliquer des mesures drastiques. Et en fait, ce modèle, on revient dessus, mais au début, il prévoyait plutôt que l'atténuation allait marcher. Et c'est... avec les données qui sont arrivées d'Italie quelques jours avant la publication du modèle, qui se sont rendus compte que ça ne passerait pas, qu'il fallait être très limite. Et c'est pour ça que cette stratégie d'atténuation, vous voyez, cette courbe bleue, elle passe en Angleterre la capacité de soins critiques. Et donc c'est pour ça qu'ils disent que leur conclusion la plus importante est sans doute qu'il est un peu probable que des mesures d'atténuation puissent être prises. sans que les limites de capacité des systèmes de soins de santé du Royaume-Uni, États-Unis, mais aussi la France, ne soient dépassées à plusieurs reprises. Donc voilà, c'est ça le premier résultat important. Et le deuxième, c'est que malheureusement, si on relâche ces interventions, les gens sont toujours susceptibles, et donc la transmission redémarre, et il faut attendre à avoir un rebond, une deuxième vague. Et en fait, là, on voit que... La deuxième vague dans la stratégie de suppression, elle est beaucoup plus haute que l'atténuation. Et c'est pour ça que la stratégie d'atténuation est intéressante, de se dire, on va atténuer sans dépasser la capacité, pour que les gens s'immunisent et que quand on relâche, on n'ait pas une vague aussi importante que si on avait confiné tout le monde. Donc c'est vraiment une stratégie intéressante, c'est juste que là, elle ne passe pas. Donc, il y a ce premier résultat. Et en fait, dans le papier, ils disent, bon, si l'épidémie repart, il va falloir refaire des interventions. Et donc, ils ont cette figure-là, qui finalement, qualitativement, est assez proche de ce qu'on a vécu, qui est de... faire une suppression, relâcher, remettre, relâcher, donc confiner, déconfiner si on veut, pour maintenir la capacité en soins critiques au-dessus du nombre de patients. Donc ça effectivement, ça ressemble beaucoup à ce qu'on a vécu, et ce papier il a beaucoup percolé dans les milieux politiques, dans les discussions, et c'était quelque chose qui a fait parler les gens. Ce n'est pas la seule raison pour laquelle on a, je pense, choisi de faire le confinement. Enfin, ils ont choisi de faire le confinement parce qu'il y avait quand même le modèle de la Chine, il y avait l'Italie juste avant. Donc ce n'est pas juste un modèle qui a dicté à tout le monde ce qu'il devait faire. Mais ça, en tout cas, ça a été assez percutant pour motiver une réponse rapide au moment où ça a été présenté. Donc ce modèle, en fait, ce n'est pas du tout un modèle qui fait des prédictions. Ce n'est pas un modèle qui a la... qui a l'ambition de vous dire exactement combien il va y avoir de personnes en soins critiques si vous faites telle ou telle stratégie, ça donne plutôt un ordre de grandeur et des grandes lignes. C'est en fait ce qu'on appelle des scénarios. Donc ces scénarios sont importants pour permettre aux décideurs de se projeter. que les épidémies, c'est quand même un peu difficile à intuiter. Et quelque chose qui est très important aussi, c'est que ces modèles, ces scénarios, ils ne prennent pas du tout en compte le coût social et économique des interventions. Là, on cherche juste à faire que le nombre de patients en soins critiques, ils soient en dessous d'un seuil. C'est la seule chose qu'on essaie d'optimiser. Donc, évidemment, ça a été fait dans l'urgence. On aimerait que pour la prochaine pandémie, avec tout ce qu'on a appris sur ce coût social et économique, que ce soit pris en compte. dans les modèles, si possible. Mais ça, ça demande à ce que des gens qui ont des compétences en économie de la santé travaillent avec des modélisateurs, et ça n'a pas été le cas pendant la pandémie. Voilà, donc effectivement, ça a créé beaucoup de tensions, ces modèles. Les modélisateurs ont été extrêmement exposés. Ça a été très compliqué à gérer pour ces gens qui n'étaient pas du tout habitués à être nécessairement dans la lumière, et parfois même... on va dire un peu jeté en pâture par les politiques qui se servaient des modèles pour un peu justifier aussi toutes les décisions. Et là, ce qui est intéressant, c'est qu'en Angleterre, ils ont vraiment un système très important, une histoire d'interaction entre modélisateurs et politiques. Et il y a cette phrase de Graham Medley, qui est un peu le responsable de toute l'équipe modélisation qui va travailler pour le gouvernement. Donc on parle de 60 personnes. les plus grandes universités anglaises, qui présentent les preuves de manière régulière, un peu comme le conseil scientifique qu'on a eu chez nous, mais en beaucoup plus gros. Et donc lui, il dit, idéalement, la science est un processus qui consiste à élaborer des hypothèses et à les réfuter. Donc on n'a aucun souci à dire qu'on avait tort. Dans la pratique, la politique consiste à décider d'un plan d'action, puis à prouver que la décision était correcte. Donc effectivement, ce n'est pas du tout la même façon de penser. Et du coup, ça peut créer des tensions. Et donc, il a écrit un papier où il explique un petit peu comment c'est passé. C'est extrêmement documenté et c'est assez passionnant. Combien de temps il me reste ?
Speaker #1
Une minute ? Ok.
Speaker #2
Très bien. Alors, je vais avancer. On va parler un petit peu de ça quand même. Donc, en fait, quand ce modèle est sorti, on a eu vraiment une forte demande qui est menée de tous les pays pour avoir des modèles. Tout le monde voulait des modèles. Tout le monde voulait adapter les modèles à leur contexte et aussi que les modèles s'ajustent aux données. Dans ce cas-là, ce qu'on a dû faire, c'est que ce modèle initial n'était pas du tout adapté pour être... comme ça, passer à l'échelle sur plein de pays. Donc, on a opéré des simplifications, modèle à compartiment, process de branchement, comme je vous ai dit, et ce modèle, en fait, il n'a plus vraiment été utilisé. On a aussi, les modélisateurs, ont commencé à automatiser la modélisation. On peut trouver des sites web où vous alliez pouvoir, pour tous les pays, qu'est-ce que le modèle disait, quelle était la projection, quelle était l'intervention. Ça a été, comme ça, passé à l'échelle, automatisé. Et ça, c'était assez nouveau. Donc évidemment, ça a posé aussi des soucis. Nous, à Epicentre, on avait tous les terrains MSF qui nous demandaient, on veut des projections pour passer commande, s'il faut de l'oxygène et tout. Et en fait, nous, on savait que les modèles, c'était plus des scénarios, que ça allait être vraiment très, très, très imprécis. Mais face à la demande, c'est soit tu fournis quelque chose et t'essayes aussi d'expliquer, soit la personne, elle va aller chercher ailleurs. Et là, tu ne sais pas ce qui va se passer. Donc, on a aussi créé un peu des outils comme ça. Ce qui est intéressant, c'est parce que nous, évidemment, on travaillait plutôt avec des pays en Afrique. C'est d'aller à ce qui s'est passé là-bas. Est-ce que les modèles ont pu dire ou pas dire ? Et effectivement, là, ils sont pas mal trompés. Donc, en fait, l'Afrique est relativement épargnée au début de la pandémie. Chez nous, il y a beaucoup de cas. Mais on sait aussi que même si la population est plus jeune, ce qui peut expliquer... peut-être une létalité apparente moins grande, enfin un nombre de morts moins grand. Il y a aussi des connexions avec la Chine, et donc il y a des cartes de risque qui sont publiées, ça c'est d'autres types de modèles, pour voir où va peut-être commencer l'épidémie. Et donc la question, ce qu'on se pose, c'est, une fois que la transmission démarre, qu'est-ce qui va se passer ? Et là, en fait, il y a ce modèle qui est assez simple, mais qui part vraiment d'un bon sentiment, c'est de se dire, il faut qu'on puisse prédire, par exemple, quand est-ce que vont être... vont arriver les 1 000 premiers cas ou les 10 000 premiers cas pour que les gens puissent se préparer, avoir une échéance. Et en fait, ce modèle simple, il est paramétré sur des données européennes. Et il est appliqué aux données africaines, qui remontent aussi via la collecte de données. Et en fait, ce qu'on voit, c'est que... Là, vous avez une carte de l'Afrique avec l'épidémie telle qu'elle part. Et tout ce qui est vert, c'est quand le modèle est fiable. Et tout ce qui est rouge, c'est quand ça ne marche pas. Et vous voyez que, grosso modo, ça ne marche pas. C'est un modèle qui, en Europe, donne 80% de fiabilité, mais qui, en Afrique, ne donne que 20%. Et donc ça, ça montre que prendre des modèles et les appliquer de manière un peu automatique à d'autres contextes, en changeant 2-3 paramètres, ça n'a pas forcément marché. Ici, en fait, les différences... on ne sait pas trop en fait. C'est encore un peu une énigme de pourquoi est-ce que, enfin qu'est-ce qui s'est vraiment passé en Afrique. Il y a des pays où on sait, mais d'autres où on sait moins. C'est probablement un mélange de plusieurs choses. Le fait que peut-être les populations avaient déjà plus d'expérience avec les épidémies. Il semblerait qu'il y ait une réaction assez rapide d'autorités pour faire des mesures aussi de prévention quand peut-être la transmission n'était pas arrivée au même niveau qu'en Europe. On a une densité de population plus faible, un climat différent. et peut-être aussi et surtout une sous-estimation des cas des décès. Donc il y a quand même aussi un gros problème de surveillance. Et c'est pour ça aussi que si on n'a pas des bonnes données, c'est quand même compliqué de faire de la bonne modélisation. Mais n'empêche que le modèle avait aussi son intérêt pour éveiller les consciences. Ça, j'ai passé très rapidement et je vais juste vous, très brièvement, parce que c'est quelque chose qui est, je pense, et que vous avez entendu et qui vous intéresse, c'est quand on veut prendre les modèles pour expliquer le passé. Donc il n'y a pas que prédire l'avenir, il y a aussi expliquer le passé. Quel a été l'effet d'intervention ? Donc ça, c'était une question très importante après la première vague. Comment mesurer l'effet d'intervention ? Donc il y a eu pas mal de différentes interventions. On a limité les rassemblements à 1000, puis à 100, puis à 10 personnes. On a fermé les commerces à risque. puis tous les commerces non essentiels, on a fermé les écoles, les universités, et enfin l'intervention la plus forte qui était l'obligation de rester chez soi. Et donc ce qu'ont fait les chercheurs ici, c'est qu'ils ont pris les dates à lesquelles sont passées toutes ces interventions dans tous les pays. Donc là j'en montre quelques-uns. Ce qu'on voit pour la France, c'est que grosso modo c'est groupé, ça arrive tout au même moment. Mais il y a d'autres pays qui ont un peu espacé l'intervention. Donc, quelle est la meilleure façon de mesurer l'impact ou l'effet d'une intervention ? Idéalement, on fait un essai contrôlé randomisé. C'est-à-dire qu'on dit, tel pays, tu vas faire telle intervention, tel autre comme ça, et puis on va faire ça aléatoirement. Évidemment, ce n'est pas du tout possible de faire ça dans un contexte de pandémie. Donc, c'est là qu'on utilise la modélisation pour faire ce qu'on appelle une étude observationnelle. C'est beaucoup moins puissant qu'un essai randomisé, évidemment. Mais l'idée c'est que comme il y a plusieurs interventions à différents moments, si je suppose que la même intervention a le même effet dans n'importe quel pays, je peux commencer à grouper et à utiliser toute l'information de tous ces pays pour estimer l'effet de chaque intervention. Donc on met tout ensemble et on va avoir des effets discriminants. Donc dans ce papier qui a été publié dans Science, ils ont pris des données de 41 pays. Pendant la première vague, ils ont fait un énorme travail. Et ce qui est très intéressant, c'est qu'aucun des co-auteurs ici n'est épidémiologiste. C'est-à-dire qu'en fait, la pandémie, ça a été aussi l'occasion pour plein de gens très brillants, dans d'autres types de modèles, de se pencher sur des questions d'épidémiologiste, et peut-être aussi d'avoir moins de biais, ou peut-être d'avoir moins de préconceptions. Et ça, on l'a vu beaucoup. Parfois pour le pire aussi, parce qu'il y avait plein de gens qui faisaient pas n'importe quoi. Mais c'était en tout cas quelque chose de... Et ce papier est vraiment très intéressant, très joli. Et ce qu'ils montrent en fait, c'est pas le résultat, c'est un effet limité de l'obligation de rester chez soi. Donc en fait quand ils prennent toutes les mesures et qu'ils les passent à la moulinette, ce qu'on voit ici c'est les différentes mesures que j'ai énoncées précédemment, et puis au plus la tâche est dirigée à droite, au plus l'effet est fort. Ce qu'on voit c'est qu'en premier ce qui arrive c'est pas le rassemblement de plus de 10 personnes, en deuxième c'est la formation des écoles, universités, et puis ensuite... en dernier, c'est le bénéfice additionnel d'obligation de rester chez soi. Donc ce papier, il a fait quand même du bruit, puisqu'il allait un peu à l'encontre de stratégies qui avaient été décidées par la plupart des pays. Et donc, moi je l'ai lu, je le trouve très bien, je n'ai pas grand-chose à redire, mais ce n'est pas le seul papier qui a cherché à faire ça. Et donc c'est pour ça aussi que c'est important dans ce domaine, surtout de regarder avec tous les autres résultats. Et donc, il y a eu cette, ce qu'on appelle une méta-analyse, qui a cherché à compiler tous les papiers qui ont cherché à regarder. Il y a quand même 338 études qui ont été trouvées juste sur cette question-là, à différents types, différents niveaux, différents contextes. Et en fait, la méta-analyse, en termes de preuves, c'est plus fort que l'étude randomisée et c'est plus fort que l'étude observationnelle. Alors évidemment, une méta-analyse d'étude observationnelle, ça n'a pas la même force qu'une méta-analyse d'essai randomisé. Mais c'est juste pour dire que cette méta-analyse, qu'est-ce qu'elle dit ? Elle dit qu'en gros, il y a des effets substantiels des mesures les plus drastiques, donc confinement, interdiction des rassemblements, fermeture des écoles. Mais en fait, quand on regarde la part de l'obligation de rester chez soi, elle dit qu'en gros, il y a 51 études qui ont cherché à mesurer ça. On a une réduction substantielle d'environ 50% sur le nombre de reproductions. pour la plupart, avec une gamme entre 6 et 80%. Donc en gros, si on regarde toute l'évidence, ce n'est pas clair clair. Donc eux, ce qu'ils disent en gros, c'est que les effets individuels et les combinaisons optimales, malheureusement, doivent faire l'objet d'études plus poussées. Et donc, c'est juste pour dire que même si c'est un papier publié dans Science, même s'il est très solide, Ça reste un papier parmi plein et donc il faut aussi être prudent sur ses conclusions. Parce que le risque, c'est un peu d'aller choisir ce qu'on cherche. Je vais terminer rapidement. Je vais parler de la Suède. Juste pour dire que les modèles ne prennent pas bien en compte les changements de comportement spontanés des populations. Ça, c'est quelque chose... On est un peu toujours avec la simplification que tout le monde se rend compte avec tout le monde, même s'il y a des variantes. Mais on a du mal à comprendre. Ce ne sont pas des modèles. Il y a beaucoup de psychologie, des choses comme ça. Donc ça, c'est vraiment un domaine qu'il faut améliorer. Et typiquement, si on regarde... Donc ça, c'est l'index de qui était chez soi au cours du temps entre la France et la Suède. Ce qu'on voit, c'est que même si en Suède, il n'y avait pas de... Donc en France, il y a tout le monde qui est resté chez soi pendant le confinement. Et en Suède, même s'il n'y avait pas de confinement, il y a quand même des gens qui ont fait ce choix aussi. Et donc effectivement, c'est moindre en première vague. Mais en deuxième vague, on voit qu'on est à peu près à des niveaux similaires entre la France et la Suède sur cette échelle. Ce qui montre que... Les modèles qui disent « Ok, on va prendre toutes les mesures, on va regarder les mesures et leur attribuer le même effet » , au final, l'effet, c'est ce que les gens décident de faire. Et ça, c'est très difficile à mesurer. Ces index Google, c'était quelque chose qui était extrêmement nouveau dans le domaine et qui ont été vraiment très bien accueillis parce que ça permet de poser une métrique sur quelque chose d'extrêmement qualitatif, qui reste à la maison et tout, et ça, avec les smartphones, on sait maintenant. Donc ça, c'est juste pour dire que... donner quelques pistes pour les prochaines crises sanitaires. Donc il y a eu un effort monumental des modélisateurs qui se sont mis ensemble, qui ont travaillé énormément pendant deux ans pour faire progresser le domaine et construire des infrastructures plus solides pour leurs modèles. On est passé d'équipes qui travaillaient un peu dans leurs coins à des modèles en open source, à des... des façons de travailler en collaboration beaucoup plus efficaces. Et donc, il faut, et c'est ce qu'on est en train de faire, de capitaliser sur ces développements pour continuer à préparer l'avenir. Et au niveau des avancées qui pourraient être majeures, c'est comment prendre en compte les changements de comportement spontanés dans les populations, comment avoir des modèles plus fins à ce niveau-là. Et là, il y a un potentiel de ce qu'on appelle l'intelligence artificielle, puisque, alors ce ne sont plus des modèles mathématiques, mais des modèles type agent. Plutôt que d'avoir des agents, on va dire, très bêtes qui font pas toujours la même chose, on pourrait avoir des agents pseudo-intelligents qui pourraient jouer des rôles différents. Et en fait, ils font déjà ça, c'est-à-dire qu'ils simulent des épidémies sur des populations composées d'agents qui sont dotés d'une intelligence artificielle. Et donc ça, l'idée, c'est peut-être qu'on arrivera à reproduire des comportements plus réalistes. Donc ça va demander beaucoup de sources de calcul. Là, on est très loin de notre joli modèle. de Kamak et McKendrick. Et aussi, ces réseaux artificiels peuvent aussi servir à guider les modèles en temps réel, c'est-à-dire en allant regarder tout ce qui se passe sur le web, ce qui se passe sur les réseaux sociaux, essayer aussi de construire un peu des métriques qui évaluent les changements de comportement dans les populations. Bon, ça c'est très un peu science-fiction, mais on y est déjà, donc c'est des choses qui sont développées. Et enfin, Quelque chose qui est très important et qui est rappelé aussi par ce travail qui a été fait en Angleterre. Et si on lit ce qu'écrit Graham Medley, c'est vraiment ça qu'il propose. C'est que, en fait, dans l'urgence, on ne leur a pas demandé de regarder les impacts économiques. Il n'y avait pas le temps. Et ça, c'est quelque chose, même en termes de stratégie en santé publique, les modélisateurs, au tout début de la pandémie, étaient un peu laissés à l'heure, on va dire... Libre choix de ce qu'ils proposaient, ce qui leur semblait bien comme stratégie. Et donc ça, ils ont reproduit des choses qu'ils faisaient pour la grippe, mais avoir des décideurs qui viennent dès le début avec une idée assez claire de quelles sont les deux, trois stratégies à tester, et que les modèles puissent se concentrer là-dessus, et inclure des dimensions supplémentaires comme le coût économique, le coût social, c'est beaucoup plus efficace que de dire qu'est-ce qui va se passer. Et laisser les modélisateurs essayer de trouver des stratégies qui tiennent la route parce que ce n'est pas leur boulot à eux de proposer des stratégies en santé publique. Eux, leur boulot, c'est de les tester et de les comparer. Donc voilà, je vais m'arrêter ici et je vous remercie pour votre attention.
Speaker #1
Un immense merci Antoine, sur un sujet aussi technique, d'avoir été aussi clair, aussi pédagogique, aussi vivant, aussi passionnant. Un immense merci. Donc la parole va être à la salle, bien sûr. Je vous rappelle la règle, nos propos sont enregistrés, resteront disponibles sur le site de l'Institut indéfiniment. Et donc il apporte que chacun ou chacune, avant de prendre la parole, où au début de son intervention commence par se présenter, son nom, éventuellement sa fonction. La parole est à la première personne qui est la demande. Je vois que Jean de Carvadoué se jette sur le micro, ce que je comprends bien.
Speaker #4
Bonjour et merci, c'était formidable. Et bravo Jean de Carvadoué, économiste de la santé. Et je voudrais d'abord donner une information, votre historique. Il y a un livre absolument merveilleux de Gérard Jorland qui s'appelle « Une société à soigner, la France du XIXe siècle » . Malheureusement, Gérard Jorland est mort. Il a eu pour ce livre le prix d'histoire. C'est vraiment un livre formidable. Ceci pour dire qu'en France, le créateur d'un santé publique s'appelle Lavoisier. Et donc, entre les Anglais de 1920 et le 18e siècle, Il y a ce type formidable que la France a oublié et que les Anglais ont lu et copié. Alors ma question n'est pas là et je ne sais pas si vous allez vouloir en parler, mais je suis critique de l'usage de l'épidémiologie en santé publique, non pas pour ce que vous faites, mais sur, par exemple, l'allégation de Santé publique France que la pollution atmosphérique... tuent 40 000 personnes en France. Je pense que c'est ridicule. Je pense que ce n'est pas le cas pour des tas de raisons que je pourrais expliquer. Est-ce que vous pouvez sortir des maladies infectieuses et parler de ce genre de propos qui ont de lourdes conséquences à commencer par les conséquences sur les LFE, les zones où on limite aux plus pauvres de circuler dans les villes et qui sont basées sur ces chiffres infelus.
Speaker #1
Je voudrais gentiment remarquer à Jean que la question est hors sujet. Et donc, je signale à Antoine qu'elle est libre d'y répondre, mais de préférence brièvement.
Speaker #2
Je veux bien que vous me redonniez la référence du livre à la fin de la conférence. Mais pour la question, malheureusement, je ne vais pas pouvoir être compétent. Et en fait, juste pour dire que les modèles qui vont être utilisés pour ce genre de questions n'ont rien à voir avec ceci, puisque... la pollution atmosphérique n'est pas une maladie transmissible. Donc, a priori, on ne va pas apprendre grand-chose de ce genre de modèle. Je pourrais juste dire que je crois qu'il y avait juste des modèles qui ont cherché à regarder l'impact de la qualité de l'air, de la pollution sur la transmission du Covid. une des variables explicatives qu'on essaie parfois de mettre dans les modèles, mais plus comme variable explicative que variable à expliquer. Donc voilà,
Speaker #1
malheureusement, je ne peux en dire plus. Nickel, micro. Ben voilà, Ronny qui a si bien choisi notre conférence. Et encore merci à toi.
Speaker #5
Oui, bonjour. Donc, Rony Broman, membre du Conseil d'orientation de l'Institut d'Hydro et membre de Médecins sans frontières également. Merci, Antoine, pour cette présentation très rigoureuse, très précise. Je voudrais rebondir sur tes propos terminaux, ceux avec lesquels tu as donc conclu. préciser les limites de la modélisation et je voudrais insister là-dessus. Il me semble qu'on peut aussi voir dans l'épidémie de Covid un gradient de réaction correspondant à des cultures de la répression et de la police entre, par exemple, les pays riverains de la Méditerranée qui ont été extrêmement sévères et les pays nordiques qui ont été extrêmement libéraux. c'est-à-dire les mesures de retenue, de comptabilité, de la population ont été beaucoup plus coercitives au sud qu'elles n'ont été au nord. De même, les changements de comportement attendus par les autorités pour réguler, enfin selon les modèles que tu as, enfin selon les indications que tu as données, ont eu une réception très différenciée. Il y a un très beau livre qui a été écrit sur l'épidémie de Covid, qui s'appelle L'attestation fait par deux... de sociologues qui ont une étude purement en sciences humaines, en sciences sociales de l'épidémie, mais qui ne reculent pas devant le quantitatif. Je vous recommande la lecture de ce livre de Nicolas Mario et Théo Boucalial, dans lequel on voit aussi que les comportements de la population sont très variables, entre des réfractaires, des protestataires, des légalistes, etc. Enfin, il crée six catégories de réception. me demander est-ce qu'il est simplement pensable d'imaginer qu'un modèle puisse prendre en compte une variété de réceptions des changements de comportement, si ils en ont répertorié 6 pour ce qui concerne le Covid, pour Ebola ça pourrait être différent, pour le Sida encore autre chose et pour d'autres épidémies encore d'autres... Donc est-ce que il est possible que la modélisation par exemple avec l'IA par prennent en charge cette question-là qui me paraît, moi, totalement échappée. Mais c'est l'avis d'un non-mathématicien.
Speaker #2
Oui, effectivement, j'avais assisté à cette conférence qu'ils avaient donnée. Effectivement, je m'étais promis d'aller voir le papier de Science sur lequel ils se... quand même, ils se basent très fortement. Mais oui, ils parlent aussi de beaucoup d'autres choses, notamment cette étude qui est extrêmement intéressante, qu'ils n'ont pas pu répliquer dans d'autres pays, malheureusement, donc on n'a que la version franco-française. En fait, si on a une idée de ce que ces comportements impliquent en termes de transmission, on peut très bien diviser Merci. ma population en sous-groupe et déjà avec des modèles très simples regarder un peu ce qui se passe sans faire appel à nécessairement de l'IA quoi donc si les gens sont dans des catégories bien définies et qu'ils n'en bougent pas on peut tout à fait modéliser ça avec l'arsenal des modèles à compartiments que j'ai présenté Pour peu qu'on sache c'est quoi leur transmission, mais il suffit d'avoir des infos par exemple sur le nombre de cas par exemple chez ces personnes-là, et de comparer ça avec une idée de leur risque par rapport à leur comportement, du risque qu'ils prennent et de l'incidence de la maladie chez eux. On peut tout à fait calibrer des modèles assez simples. Ce qui va être plus compliqué, c'est si ces comportements évoluent dans le temps. Qu'est-ce qui fait que hier... J'étais, je ne sais pas, pro-vaccin et aujourd'hui je suis anti-vaccin. Qu'est-ce qui fait que je décide à ce coup, bon c'est fini, je remplis plus ou moins les stations. Donc ça c'est ces changements au cours du temps qui sont une réaction au passé, à l'épidémie, aux mesures. Ça c'est quelque chose qui est, voilà, le côté dynamique, c'est quelque chose qui doit être peut-être plus difficile à mesurer. Et il y a des papiers en fait qui s'amusent à... avec des modèles très très simples, mais ça reste des modèles, on va dire, un peu théoriques. à regarder ce qui se passe en mettant des petites équations qui correspondent à des choses très simples, de type dilemme du prisonnier, typiquement. Donc je suis le confinement ou pas. Et si je suis seul à ne pas être confiné, super, je peux me balader tranquille. Mais si tout le monde fait ça, du coup, l'épidémie repart. Donc il y a des choses comme ça où on essaie d'intégrer ce qu'on appelle la théorie des jeux, qui est une façon aussi de... je ne connais pas très bien, mais qui est une façon aussi de modéliser les comportements de manière rationnelle. Et donc ça, c'est utilisé, mais ce n'est pas des modèles comme ça qu'on va comparer aux données. Je pense qu'il y a tout un pan de la modélisation qui s'intéresse à ça, mais ce n'est pas cela qui... qui sont mis en première ligne quand il y a ces questions-là. Il y a tout un pan de la modélisation qui est quand même très théorique et qui ne joue pas du tout avec les données. Donc il faudrait essayer de faire converger plus ces domaines. Je ne sais pas si j'ai répondu à ta question, mais... Qui a le micro ? Ah, cher monsieur.
Speaker #6
Laurent Degos, de l'Académie des sciences, merci beaucoup, ça fait beaucoup plaisir. Cette belle conférence nous fait comprendre beaucoup de choses. J'aimerais bien parler sur l'inattendu, malgré les modèles. Un côté plutôt négatif, au début du Covid, on pensait que ce n'était pas une maladie extrêmement mortelle, au vu de toutes les données venant de Chine. Et c'est quant à Bergam, en Italie, qu'on a vu qu'il y a eu un débordement magistral, puisque les gens mouraient même au... porte de l'hôpital, on ne pouvait même plus rentrer dans l'hôpital, que nos services de réanimation ont été tous abasurdis. Et c'est là où il a fallu prendre de grandes précautions ensuite, quand c'est arrivé chez nous. Mais donc, on a été surpris, malgré, en fin de compte, les données primaires qu'on avait auparavant, dont on faisait des modèles qui étaient une maladie relativement bénigne ou pas très méchante. Inversement, dans un autre pan, quand on a eu la vache folle, Souvenez-vous, le crossfait de Jacob, dû au prion, on nous avait prédit qu'on aurait 100 000 cas d'encéphalite mortelle en Angleterre, 10 000 cas en France, lorsqu'on a fait un abattage des vaches, puisque c'était une maladie, enfin, avec une incubation qui mettait 5 à 10 ans. Or, on n'a vu aucun crossfait de Jacob, ni en Angleterre, ni en France. Donc les prédictions que peuvent nous donner les modèles, quelquefois, ont des inattendus. Donc à la fois positifs et à la fois négatifs. Donc c'est sûr que, malgré les modèles, on a encore beaucoup d'inattendus, je pense.
Speaker #2
Alors oui, écoute, je suis d'accord avec vous. On est encore loin de pouvoir prédire la trajectoire des épidémies comme on fait avec la Lune. Mais la vache folle, c'était... Quelle année, vous pouvez me rappeler ? 2000, oui. J'étais encore à l'école. Mais du coup, ce que je veux dire, c'est que je ne sais pas ces modèles-là. Je n'ai pas étudié en précisément. Mais ce qu'il faut savoir, c'est que pendant longtemps, les modèles ont... On les paramétrait un peu en se disant, bon, j'ai montré les paramètres, ils ont une signification biologique. Donc on se disait, bon, on va aller, on va voir après comment ça se passe dans les bouquins. Donc on va essayer de paramétrer au mieux en fonction de la connaissance. Et puis, si les paramètres qu'on ne connaît pas trop, on va les faire varier. Et puis ensuite, on va comparer ça aux données. Et en fait, à l'époque, on n'a pas encore développé tout l'arsenal statistique pour bien comparer les modèles aux données. Et donc, il y a beaucoup de papiers à l'époque. qui en fait font ça à l'œil nu. En gros ça ressemble aux données, on les superpose, ça ressemble. Et c'est qu'à partir des années 2010 qu'on a commencé vraiment rigoureusement à savoir comment ajuster ces modèles qui sont des modèles de simulation aux données pour vraiment dire, voilà mon paramètre je pense qu'il vaut tant et c'est qu'une fois qu'on a bien identifié le paramètre qu'on peut faire une... une projection raisonnable. Donc je ne sais pas à quel point le fait que ce soit peut-être un modèle ancien a joué, mais ce qui est sûr, c'est que de toute façon, ça se reproduira parce qu'on n'a jamais toute l'info. Je ne connais pas très bien ce modèle, mais effectivement, quand on regarde ce qui s'est passé en Italie, en fait, le modèle d'Imperial College supposait que Merci. Il y avait 15% des cas hospitalisés qui termineraient en... Soin critique. Et ça, ça venait des données de Chine, où en Chine, ils n'avaient pas 15%, ils avaient 30%. Sauf que les médecins ont regardé, et ils ont vu que sur les 30%, il y en avait 15 qui étaient en réanimation, et 15 qui avaient un autre traitement, au sujet de pressuriser, je ne connais pas très bien, mais en gros, les médecins se sont dit, il n'y aura pas besoin de les mettre en réanimation, donc ils ont dit aux modélisateurs, prenez pas 30%, prenez 15%. Et quand on prend 15%, la stratégie d'atténuation commence à être intéressante. On ne tape pas au niveau du... Et c'est quelques jours avant que les médecins italiens ont dit en fait, ça ne marche pas du tout cette méthode-là, on est obligé de mettre tout le monde en réanimation. Et donc, en changeant le paramètre, ça a pas mal changé les résultats. Donc, il y a évidemment ce... ce besoin de cette nécessité de paramétrer au mieux sachant qu'il ya aussi plein plein d'inconnus dans le modèle c'est pas c'était pas le seul inconnu quoi mais voilà des petits changements peuvent avoir des grands effets et c'est pour ça que c'est ces modèles il faut vraiment pas les les comment dire les voir comme des comme des choses extrêmement sophistiqués qui vont enfin il faut vraiment se dire c'est quand même assez bête et méchant quoi et Et ça se joue à pas grand-chose. Et parfois, il faut prendre du recul. On a entendu pendant la pandémie, ah oui, le modèle, on l'a refait tourner, on n'a pas trouvé 500 000, on a trouvé 500, 5000. Ça n'a aucune importance. Donc il faut plutôt même voir ça parfois comme même des métaphores. C'est vraiment... Et ça, c'est quelque chose qu'il faut communiquer, de ne pas être là à regarder à décimale près. Il y a des modèles qui permettent de prédire à court terme, eux ça va, mais dès que c'est un peu du temps long, c'est des scénarios.
Speaker #3
Oui. Jean-Paul Crivin, rédacteur en chef de Science et Pseudosciences, édité par l'Association française pour l'information scientifique. Merci pour l'exposé. Moi, je voudrais revenir sur des sujets qui ont été pas mal évoqués sur l'aspect du comportement. Je crois me souvenir qu'au Royaume-Uni, il y a une cellule de sciences comportementales qui en appuie au gouvernement. depuis sur plein de sujets et qui était beaucoup intervenu sur la question de la Covid en particulier en disant faut pas prendre des mesures coercitives trop tôt parce qu'elles seront mal acceptées par la population. Elles seront plus acceptées un peu plus tard quand les gens constateront autour d'eux que ça évolue beaucoup. Donc visiblement. On a vu, je veux dire, ça a contribué à la décision anglaise et à une gestion peut-être un peu moins bonne de la pandémie au début. Et est-ce que vous avez des éléments sur cette cellule comportementale ? Je crois qu'il en existe une aussi aux États-Unis. Et les liens, visiblement, n'ont pas été établis avec les modélisateurs un peu plus statistiques et mathématiques, notamment sur une dynamique exponentielle qui fait qu'attendre un peu plus a des conséquences qu'on ne peut pas voir. et Deuxième question un petit peu liée, j'avais lu aussi sur les retours d'expérience, je crois que c'est le Danemark, mais que jouait beaucoup le fait qu'on prenne des mesures de manière anticipée, c'est-à-dire plus on attend, moins elles sont efficaces, et que c'est beaucoup lié, la possibilité de prendre ces mesures anticipées, à la confiance qu'a la population vis-à-vis du système du gouvernement, du système politique en place, et que ça a pu être, j'ai cru comprendre par exemple au Danemark, plus facile, parce que les gens acceptaient. Et on imagine bien en France, si on avait pris des mesures encore plus tôt, les gens auraient dit « mais il se passerait un jour de mois, c'est quoi ? C'est une atteinte aux libertés » . Est-ce que vous avez des éléments sur ces deux questions-là ?
Speaker #2
Merci. Très bonne question et difficile aussi. Je vais essayer d'y répondre, mais je n'aurai pas tous les éléments. Pour la première, effectivement, la structure qui fait dialoguer les modélisateurs avec le gouvernement. En Angleterre, elle existe depuis une quinzaine d'années. C'est le SAGE, Strategic Advisory Government. Mais en gros, c'est le SAGE. Ils vont parler avec le gouvernement et ils récupèrent l'info de différents sous-groupes. Et parmi ces sous-groupes, effectivement, il y a les modélisateurs et puis il y a les sciences comportementales, il y a la médecine clinique, il y a plusieurs sous-groupes. Je ne sais pas à quel point il y a des interactions entre ces sous-groupes. Si je n'étais pas venu à Epicentre, peut-être que je saurais, puisque je bossais là-bas avant à London School. Ce qui est effectivement le cas, par rapport à ce que vous disiez, c'est qu'au début, quand la Covid se propage, peut-être l'autre maladie à laquelle on pense, c'est la grippe. Et effectivement, la grippe, il y a pas mal de théories sur comment l'atténuer et de faire ça plutôt près du pic, c'est-à-dire de casser la vague une fois qu'elle est partie. Le souci, effectivement, c'est que la Covid, il n'y avait déjà pas de test. Donc, on était un peu à l'aveugle. Et même si, pour pouvoir voir ce qui se passe et pouvoir le mesurer, ce n'était pas le cas. Et puis, les décès qu'on observe, il y a un certain temps, entre le moment où on est infecté, le moment où on décède, il y a plusieurs semaines. Donc, ça veut dire qu'on a toujours ce lave-temps de retard sur l'infection. Ce qui fait qu'effectivement, on se dit « ça va » , et en fait, ça ne va pas du tout. Parce que même quand on appuie sur le frein, derrière, ça va continuer à monter, Donc, effectivement, je ne connais pas les détails des conversations, mais effectivement, l'impression que j'ai eue au début, c'est qu'au niveau de l'Angleterre, ils étaient plutôt dans une position de laisser partir un peu l'unité collective pour stopper plus tard. Et en fait, on regardait les courbes, il y avait l'Italie, une semaine après il y avait la France, et une semaine après il y avait l'Angleterre. Donc a priori, les mêmes causes font les mêmes effets. C'est vrai que moi j'étais un peu étonné qu'ils ne confinent pas plus rapidement. Finalement ils ont confiné quelques jours après la France, mais ensuite effectivement ça leur a été un peu reproché de ne pas avoir fait plus tôt, et des vies qui auraient pu être sauvées, etc. Mais effectivement, je pense qu'il y a eu beaucoup de discussions très intenses, mais je n'ai pas les détails de ces discussions. Je sais qu'il y a eu une enquête en Angleterre, ils ont fait une enquête très grande et approfondie, où tous les modélisateurs, comme ils n'étaient pas membres du gouvernement, ils ont dû donner tous leurs mails, leurs WhatsApp. Donc il y a eu toute une enquête qui a été faite pour savoir exactement quelle information avait été communiquée à qui, quand. Donc c'est vraiment un gros travail qui a eu lieu et je pense que là-dedans, c'est une mine d'or pour aller comprendre comment fonctionne peut-être le pays le plus avancé en termes de dialogue entre les modélisateurs et les politiques. C'est en commune mesure avec les autres pays, mais il faut avoir un peu le temps quand même pour se pencher là-dessus. Et la deuxième question... Oui, on a beaucoup parlé. Angela Merkel, elle a une formation scientifique. Quand elle parle, ça permet aux gens de comprendre. Peut-être que d'autres politiques ont pas ce background et du coup utilisent d'autres façons pour interpeller. Il faut se rappeler aussi qu'on sort des Gilets jaunes, des grèves. On est quand même à la France fin 2019, début 2020. il y a une tension très grande. Donc oui, j'imagine que la confiance n'était pas au plus Ausha ce moment-là. Mais tout ça, c'est vraiment pertinent d'avoir des gens qui ont ces... dans la science sociale, et de les faire dialoguer. Et c'est vrai que souvent, on dit qu'on va le faire. On dit oui, il faut qu'on mette tout le monde autour de la table. Et en fait, c'est quand même... Enfin, c'est plus difficile à faire qu'à dire, parce que c'est... C'est des compétences très différentes et souvent dans le modèle, on part bien en tête dans un truc et on ne va pas forcément toujours aller parler avec... Je pense qu'il y a une culture aussi interdisciplinaire à créer plus. J'imagine que c'est déjà le cas dans certains endroits. Je suis assez loin maintenant de ces milieux-là.
Speaker #0
Je suis conseiller d'entreprise à la retraite. J'ai une question toute simple à poser. Le débat était passionnant. Mais est-ce qu'on peut demander dans la salle quels sont les gens qui ont été infectés par le virus, par la Covid, la méchante Covid ? Moi, je l'ai attrapé à l'hôpital, je pense, lors d'une réunion. Je n'avais pas de masque. Mais quels sont les gens qui l'ont eu aussi en levant la main pour voir si votre résultat... Oui, pour voir qui l'a pas eu.
Speaker #1
Avec les variants, ça compte pas, par contre.
Speaker #0
Alors, on baisse les mains. Et qui l'a pas eu ? Vous levez les mains.
Speaker #1
C'est ça, oui.
Speaker #0
Est-ce que ça justifie votre étude ?
Speaker #1
Vous parliez de la petite courbe au début. Avec 2.4, on monte à 80%. Donc, effectivement, est-ce que 10% de la population... Non,
Speaker #0
mais c'est bien, oui. Mais non, tu n'es pas testé, ce n'est pas grave.
Speaker #1
Il y a aussi la question de ce qu'on a à faire à un échantillon rebondatif et la population française. Mais c'était pour ça. En tout cas, il y a des gens qui, a priori, n'ont jamais été... Quand on l'a eu,
Speaker #0
ce n'était pas méchant, en fin de compte.
Speaker #1
Moi, je l'ai eu deux semaines après la vaccination, donc c'était parfait.
Speaker #0
Moi, j'ai plané une journée, c'est tout. Merci, au revoir.
Speaker #2
Je me permets de poser à mon tour une question. J'étais vivement frappé par ce que vous disiez sur la sous-estimation, ou plutôt la non prise en compte, du coût social et économique des différentes mesures, spécialement du confinement. Et en un sens, c'était inévitable, dès lors qu'il s'agissait d'épidémiologie. Et donc, ma question, c'est de savoir, est-ce qu'il n'y a pas eu... Une espèce d'émission du politique, c'est trop sévère, mais à force de se cacher derrière un comité scientifique, qui en l'occurrence comportait surtout des épidémiologistes et quasiment aucun économiste ou sociologue, est-ce qu'on n'était pas condamné en effet à sous-estimer le coût social et économique, comme vous disiez, du confinement ? Moi, c'est ce qui m'avait le plus inquiété à l'époque. J'avais toujours dit qu'il fallait bien sûr respecter le confinement, ce que j'ai fait, mais... Je m'inquiétais de son coût social et économique et je m'étonnais que cette inquiétude semble si peu partagée. Et d'ailleurs j'avais choqué parce que parler d'argent au sujet de la santé, ça paraissait scandaleux. Non, c'était une vraie question. Et de même, aussi dans votre belle exposé, vous évoquiez la différence entre un auteur britannique qui évoquait la différence entre une science qui émet des hypothèses et qui les teste et la politique qui prend des décisions. Et évidemment, on ne peut jamais déduire une décision politique d'une donnée scientifique. Vous savez, le grand mathématicien Henri Poincaré, au début du XXe siècle, disait « Une science parle toujours à l'indicatif, jamais à l'impératif » . Et c'est pourquoi je disais à l'époque que la formule de communauté scientifique « Restez chez vous » , elle pouvait être tout à fait légitime comme décision politique, c'était le confinement, mais elle ne pouvait en aucun cas être scientifique, parce que « Restez chez vous » , c'est de l'impératif. Ça ne peut pas être de la science. Et donc, voilà, ma question porte au fond sur les limites de l'épidémiologie. Un, elle ne tient pas lieu des autres sciences. Donc, elle n'a pas grand chose à dire en matière d'économie. Mais s'agissant du confinement, l'économie faisait partie majeure du problème. Et deux, en tant que science, et justement parce que les scientifiques, elle ne peut en aucun cas tenir lieu de décisions politiques. Et donc, est-ce qu'on n'a pas surévalué ? Cette dimension épidémiologique en oubliant les limites de l'épidémiologie qui sont les limites de toute science.
Speaker #1
Question difficile. Alors, je n'étais pas au conseil scientifique, donc je ne sais pas exactement comment ça s'est passé. Alors, juste pour rappeler, un point, c'est que les modèles épidémiologiques sont aussi beaucoup utilisés pour tout ce qui est calcul de coût-efficacité pour les stratégies en santé publique. C'est-à-dire que, par exemple, en fait, et ça, ça se fait sur du temps long, avec les consultations nécessaires, mais... Quand on veut étendre, par exemple, le vaccin de la grippe des personnes âgées, est-ce qu'on vaccine les enfants aussi ? Est-ce que ça vaut le coup ? On fait beaucoup de simulations, on fait beaucoup de coûts-efficacité, c'est-à-dire qu'on transforme les cas en coûts. Il y a vraiment des formules pour transformer ça. Et c'est un domaine très riche et qui s'appuie sur les modèles mathématiques de propagation de maladies infectieuses. Donc il y a vraiment des interactions qui existent et qui se font dans le cadre de ces comités de décision gouvernementaux au Royaume-Uni. Mais ça se fait sur des temps longs. C'est-à-dire que là et en France... Je pense que ça existe aussi, mais je ne connais pas très bien. Mais effectivement, dans l'urgence, je pense que le plus pressant, c'était ces histoires de capacité hospitalière. Et ensuite, sur l'impact, ça aurait pu être mieux. Il y a eu plusieurs vagues, donc il y avait peut-être moyen de... d'apprendre. Mais je pense que ça demanderait de... En fait, le truc, c'est que sur une pandémie, avec les variants, en fait, c'était hyper difficile de... Quand on veut faire du coût-efficacité, on regarde sur du temps long. Quand on fait des coûts-efficacités, on regarde sur des périodes de 10 ans, pour pas se laisser influencer peut-être par cette épidémie cette année qui est plus importante que la suivante. Donc on a besoin d'avoir un temps long. Et sur une pandémie, un virus qu'on ne connaît pas du tout, c'est très difficile. Donc je dis ça à la fin en disant oui, il faut mieux intégrer l'économie de la santé dans ces modèles. Je pense qu'il y a quand même une grosse difficulté majeure d'un point de vue technique. Mais je pense qu'on a quand même énormément appris dans cette pandémie pour au moins faire cet effort. Mais je ne sais pas quel serait le... Il y aura toujours une part de jugement. Le politique sera toujours obligé de prendre une décision avec d'autres éléments. Mais oui, en tout cas, vu qu'il n'y a rien qui a été fait, on aurait pu faire un peu plus. Ça pourrait être pour une prochaine fois.
Speaker #3
Oui, Jean-Philippe Margueron, administrateur Covea, GMF. Je reviens sur un sujet. J'hésite à poser ma question, mais je vais vous la poser quand même parce que j'ai une anecdote en tête qui m'avait beaucoup marqué. C'est le lien qui a été déjà fait. Vous l'avez d'ailleurs dans un des points le plus passionnant de votre exposé. C'est le lien entre le politique, effectivement, et nos scientifiques. J'estime qu'en France, on a des scientifiques de grande qualité. Ça a été le cas pendant la Covid, sans doute d'ailleurs. Et les décisions que le politique, qui est garant de la survie de la population... politiques de santé publique, etc., des décisions qui peuvent être amenées à prendre. Ma question est très franco-française. Il y a sans doute manqué une interpasse dans la chaîne de valeur entre vous et eux. Je vais vous citer un exemple. J'étais comme vous tous devant, où on était confinés d'ailleurs, devant mon poste de télévision, on n'était pas confinés. Et notre Premier ministre, que je ne citerai pas parce que ce n'est pas une attaque à Dominem, nous dit à un moment donné, avec le doigt de l'exécutif, à partir de demain, vous n'avez plus le droit de prendre un café debout. dans les bistrots, mais assis. Je ne sais pas si vous vous souvenez, quand j'ai entendu ça, j'ai cru que c'était un humoriste qui avait imité la voix de notre... Non, non, non, c'était vraiment vrai, comme dirait mon fils. On n'avait plus le droit de prendre un café debout, mais il fallait le prendre assis. Alors, la première question, pardonnez mon humour, mais qu'est-ce que les pédagogistes que vous êtes pensent de cette décision stratégique pour la survie de la population française ? Et ma deuxième question, c'est comment peut-on annoncer des mesures, pardonnez-moi, aussi ridicules ? Quelle interface a-t-il manqué en France ? Alors on dit que c'est notre administration qui a failli. Entre eux, n'a pas joué le rôle de traduction politique de tout ce qui venait d'une chaîne scientifique quand même bien étayée. Je l'ai compris encore ce matin. Voilà, donc quel est le maillon faible ? Est-ce qu'on en a tiré des enseignements qu'il faudrait... peut-être créé comme en Grande-Bretagne, si j'ai bien compris, ou chez nous, pour qu'on ait un vrai dialogue politico-scientifique, notamment en situation de crise.
Speaker #1
Alors je ne pense pas que c'est un modélisateur qui a suggéré ça. Après je me dis qu'effectivement, en général dans un café, on met moins de gens assis que de gens debout, donc peut-être qu'il y a une arrière-pensée pour réduire justement juste le nombre de personnes dans le café, mais voilà, il fallait peut-être... C'est sûr que ça paraît... Si c'est reçu comme ça, c'est que ça ne va pas marcher. Mais par rapport à l'interface, oui, j'ai voulu mettre plus de slides sur cette partie-là. Malheureusement, j'ai vu que j'allais manquer de temps. Mais il faut lire un peu ces papiers qui sont sortis en Angleterre sur cette interface et tout ce qui s'est passé. C'est extrêmement intéressant. En fait, ils ont un interface. C'est pas le modélisateur qui parle au gouvernement. Ils ont un secrétariat entre les deux. Leur rôle est de traduire le consensus de preuve en quelque chose d'intelligible pour le politique. et il y a plein de dimensions à prendre en compte, notamment l'incertitude. Ce n'est pas quelque chose qui est facile à communiquer, à appréhender. Donc vraiment, le... Le modélisateur est là pour apporter la preuve, mais il a besoin d'une traduction. Donc peut-être que je ne sais pas comment ça s'est passé en France. Est-ce qu'il y avait un lien beaucoup plus étroit ? Il faut qu'il y ait du dialogue, évidemment. Mais c'est bien qu'il y ait aussi un intermédiaire pour aussi garantir l'indépendance et le travail. Parce qu'il y a aussi eu beaucoup ça. C'est-à-dire que si les mobilisateurs parlent aux politiques... On dit que les politiques vont influencer les médiateurs, et puis s'ils ne leur parlent pas, ils vont dire « Ah ouais, en fait, ils sont en train de manipuler les politiques » . Donc il faut qu'il y ait un dialogue, mais il faut qu'il se passe dans un cadre qui puisse garantir le bon travail. Mais voilà, j'avoue, je ne sais pas du tout comment ça se passe en France. C'était aussi pour moi assez facile de vous parler beaucoup d'Angleterre, parce que je ne suis pas trop au courant des détails de comment ça a marché en France. C'est beaucoup moins documenté, je crois, quand même.
Speaker #4
René ? Deux remarques plutôt en rapport avec le débat que directement avec la présentation. Ma première remarque concerne cette notion de crédit, de confiance qui a été abordée. déjà et qui a été quand même assez largement sabotée, minée par un certain nombre de remarques qui soit étaient scientifiquement ridicules soit étaient socialement grotesques comme celle qui vient d'être nommée et Il me semble que ça joue un rôle dans les réactions collectives. Alors je ne sais pas de façon différenciée dans quelle catégorie de réaction particulière, mais que ça joue un rôle. Et par rapport aux questions de modélisation, là on est vraiment dans l'inattendu, dans l'improvisé, dans le difficilement calculable en tout cas. Donc la mathématisation du social et du politique, là, touche sa limite, parce que ce genre de réaction est quand même très difficile à apercevoir. puis maintenant, Deuxième remarque concernant ce que tu disais, André, à partir de cette... Cette remarque de Poincaré, l'indicatif et l'impératif, il me semble que la médecine se situe entre les deux, car la médecine prescrit. Donc la médecine parle à l'impératif à partir d'un savoir scientifiquement informé. Donc là, en l'occurrence, il me semble que les politiques ont peut-être aussi abusé ou en tout cas se sont saisis de cet impératif-là pour... prescrire à partir d'un discours médical. Donc là, il me semble qu'on touche à la limite de la remarque de Poincaré.
Speaker #2
C'est vrai que tu as raison, la médecine de ce point de vue est un cas particulier, mais c'est qu'aussi elle est plus qu'une science. Il y a la question que c'est un art, mais c'est surtout dans ce pouvoir de prescription. Il faut rappeler quand même que le patient doit être informé et décidé en dernier recours. Autrement dit, il est exclu que le pouvoir prescriptif de la médecine abolisse la liberté individuelle. On va le voir dans le débat sur la fin de vie qui est en cours aujourd'hui. Mais le rafforcierie, non seulement la médecine, On ne peut pas abolir ma liberté individuelle, mais elle peut encore moins abolir la souveraineté du peuple, c'est-à-dire notre liberté collective de peuple. Et donc c'est pour ça que j'étais un peu gêné, surtout au début, pendant le premier confinement, par cette espèce de pouvoir qu'avait pris le comité scientifique, tellement grand par sa surface médiatique, on ne parlait que d'eux, on les voyait à l'étévision tous les soirs. qu'on avait le sentiment que nos politiques n'avaient plus en vérité de liberté de choix. Il fallait impérativement qu'ils se soumettent à l'avis du comité scientifique. Or, la politique ne peut pas relever de la médecine. Il n'y a pas d'ordonnance qui puisse tenir lieu de la souveraineté populaire ou du pouvoir de ses représentants. Et donc, je continue à penser que là, il y a une difficulté. Dernier mot, ce qui m'avait frappé aussi, c'est à quel point le confinement a été bien reçu en France. Il n'y a pas eu de manif importante. Alors qu'en Allemagne ou en Suisse, où il était beaucoup moins rigoureux que chez nous, il y a eu des manifestations de protestation. Donc à quel point le confinement a été bien accepté et à quel point le pass sanitaire a été vigoureusement combattu. Ce qui est paradoxal parce que le confinement est une réduction de liberté considérable qu'on n'avait jamais vue pour les gens de notre génération. Le pass sanitaire, pour ceux qui étaient vaccinés, il n'y avait aucun problème. Pour ceux qui ne l'étaient pas, il y avait de petites réductions de liberté. Alors comment se fait-il qu'on ait si bien accepté le confinement qui réduisait drastiquement la liberté, et beaucoup moins bien le pass sanitaire qui réduisait beaucoup moins la liberté ? Ma réponse que je soumets à votre réflexion, c'est que le confinement était très réducteur de liberté, pour ne pas dire liberticide malgré tout, mais très réducteur de liberté, mais parfaitement égalitaire. On était tous confinés de la même façon. Le pass sanitaire était beaucoup moins réducteur de liberté, mais rigoureusement inégalitaire, puisqu'il y avait ceux qui étaient vaccinés et ceux qui n'étaient pas vaccinés. Et j'en ai conclu qu'en France, on préférait l'égalité à la liberté. Et que dans certains pays anglo-saxons ou nordiques, c'est l'inverse. Et j'ai trouvé que pour la France, c'était un petit peu inquiétant. Mais j'aimerais avoir votre avis.
Speaker #1
Comment les choses ont été vécues ? Moi, j'ai du mal à avoir une vision globale, objective. Après, je me souviens de choses... Je vais ramener ça à la méditation, mais après la première vague, quand on est déconfiné, on est en septembre. Je ne sais pas si vous vous souvenez, c'était la période où il y avait tous les rassuristes. Il y avait deux camps. Il y avait ceux qui disaient « il n'y aura pas de deuxième vague, la première elle est passée, une épidémie ça fait qu'une vague » . Et moi j'étais assez surpris de voir à quel point des gens d'horizons différents, et j'avais même des gens à Epicentre, qui pourtant ils travaillent sur les épidémies, qui se disaient « oui, non, mais ça paraît logique, les épidémies font qu'une vague » . Donc, en fait, je veux dire, les... Face à ça, les modèles, effectivement, on peut les critiquer sur plein de choses, mais ça permet aussi de comprendre pourquoi est-ce qu'une deuxième vague va arriver, assez simplement. Et donc, comment accepter des mesures si déjà on se dit, non mais c'est du pipeau, et s'il y a des gens qui sont quand même de certaine notoriété, qui propagent ces informations à longueur de journée ? Mais voilà, je me demandais juste si dans l'assistance, parce que moi j'ai mon biais de modélisateur évidemment, mais si pour vous, à la fin de la première vague, ça coulait de souche qu'il y allait y avoir une deuxième, ou si vraiment vous vous disiez, non, ça paraît quand même peu probable. Je ne sais pas, c'est juste une question ouverte, on peut faire un vote à main levée. qui à la fin de la première vague était persuadé qu'il y aurait une deuxième. Ok. Oui !
Speaker #4
La grippe de 1918-1919 avait évolué en trois vagues de gravité d'ailleurs croissante. La peste dans son histoire a évolué aussi par vagues. Donc il y avait quelque chose d'assez ridicule finalement à contester par avance l'idée qu'il allait y avoir une deuxième vague. Sur quoi on se fondait ? Sur une idée d'immunité de horde ? Je pense que c'était la raison pour laquelle on se fondait. Mais enfin, elle est très fragile cette raison.
Speaker #5
Bonjour, Maxence Jeunesse, directeur scientifique de l'intelligence artificielle du groupe Covea. Il s'avère que j'ai travaillé dans le cadre du projet Covepn avec la NIH sur l'initiative Radix. J'avais une question, vous n'avez pas trop parlé de tout ce qui pouvait tourner autour de la stratégie de testing, et du fait que par le test, on devient informé de son statut, ce qu'on n'est pas. En étant informé de son statut, on peut se... quelque part s'auto-confiner, éviter des contacts sociaux puisqu'on sait qu'on est malade. C'était peut-être un angle que je n'ai pas vu dans la présentation, du coup je serais intéressé d'avoir votre avis.
Speaker #1
Effectivement, il y a eu tellement de questions qu'à un moment donné je me suis dit comment je vais essayer de ne pas perdre tout le monde et résumer. Donc c'est vrai que j'ai vraiment dû élaguer et aller un peu retourner à ces premiers modèles. mais effectivement quand on a commencé à avoir des tests il y a des stratégies qui se sont mises en place en utilisant ces tests on se teste on s'isole et puis si on a l'application on se signale pour que derrière les contacts soient prévenus. Donc ça c'était un papier qui avait été sorti dans Science pendant la première vague qui démontrait euh la capacité d'un système basé sur le contact tracing numérique à potentiellement stopper l'épidémie, contrôler l'épidémie. Et évidemment, les tests étaient hyper importants. Donc ça montre qu'il y a du travail de modélisation qui ont intégré comment quantifier combien de tests il faudrait, combien de... combien de personnes qui doivent avoir l'application pour que ça marche. Et ensuite, ils ont aussi estimé rétrospectivement combien de personnes avaient pu éviter d'être contaminées grâce à cette app. Donc, effectivement, la stratégie de testing, elle a été aussi... Il y a eu beaucoup de questions sur... quels tests, est-ce que les tests antigéniques sont pertinents, plus que les tests PCR. Il y a eu plein de choses qui ont été faites là-dessus en modélisation, mais effectivement, je n'en ai pas du tout parlé. Mais voilà, c'est un autre pan. En fait, il y a eu tellement de choses qui ont été faites. J'étais hyper impressionné de revoir tous ces travaux qui sont sortis et qui touchent à des sujets très, très différents. Et pour chaque sujet, vous allez avoir trois, quatre équipes qui travaillent dessus et qui sont aussi en compétition pour publier en premier. Donc, c'était vraiment très intéressant. On va devoir accélérer un petit peu. Donc,
Speaker #2
il y a trois questions finalement. Je vais vous demander de les grouper comme ça. Antoine pourra répondre aux trois successivement. Ça lui permettra de conclure. Commençons par monsieur qui l'avait demandé il y a longtemps, me dit-on.
Speaker #6
Oui, bonjour. Constance Afonklitzing, j'étais banquier d'affaires. J'ai l'impression qu'un autre débat sera nécessaire pour les coûts sociaux économiques, auxquels on ne peut pas répondre avec ce dont vous avez parlé aujourd'hui. Mais c'est quand même très intéressant parce qu'il y a beaucoup de différences entre les pays. Je parle de l'Allemagne. En Allemagne, on a par exemple fermé les écoles et tout le monde dit que ça a eu un effet désastreux sur la population scolaire. Et en Allemagne, par exemple, on a aussi eu un problème. Contrairement à la France où la reconnaissance des mesures de l'État était beaucoup plus élevée qu'en Allemagne, parce qu'en Allemagne, il y a un système décentralisé par l'ENDA, donc il y a eu un sentiment de l'arbitraire parce qu'un land... décidait ceci, et un autre l'un décidait cela. Jusqu'au fait qu'Angela Merkel s'est même excusée publiquement devant la population pour avoir suggéré un shutdown à Pâques, et que tout le monde était tellement contre ceci qu'elle s'est excusée publiquement à la télévision le soir. C'est vraiment très intéressant de voir ce que ça a donné comme... comme dégâts socio-économiques. Et donc, est-ce que vous savez quelque chose sur la recherche qui se fait dans ce domaine ? Et puis, troisième... Et deuxièmement, une question technique, statistique. Vous aviez montré une slide avec un tableau par pays et par mesure. Donc c'était très compliqué, on ne pouvait pas le voir pendant la conférence. Mais est-ce qu'il y a des statistiques, et je pense à la Suède par exemple, par rapport à tous les autres pays qui ont eu des mesures beaucoup plus drastiques, est-ce qu'on a des statistiques de mortalité liées à l'épidémie ? pays et en tenant compte la façon dont les pays ont réagi face à cette épidémie. Voilà, merci.
Speaker #2
Deuxième question, brièvement,
Speaker #7
s'il vous plaît. Jean-Baptiste Féline, conseiller d'anticipation au secrétariat général de la Défense et de la Sécurité nationale. Sous réserve d'acceptabilité de ce type de mesures, est-ce qu'on a eu un retour quantitatif des mesures de suivi électronique Merci. via les téléphones portables qui, je crois, ont été faits en Corée du Sud. Et c'est peut-être un élément de réponse, l'acceptabilité à votre question sur la perception des mesures entre confinement chez soi et suivi électronique par les téléphones portables. Parce que je pense que la notion de surveillance sous-jacente a été soulevée par les contestataires. Merci.
Speaker #2
Jean ?
Speaker #8
Oui, juste pour prolonger votre commentaire sur le lien entre science et politique et dire justement deux mots très brefs de la France. Nous avons eu la chance d'avoir Agnès Buzyn qui a vu venir tout de suite l'importance de l'épidémie et Jérôme Salomon. Mais nous avons la malchance d'être incapables d'organiser de manière stable la relation entre les scientifiques et les politiques. Il n'y a pas d'experts au ministère de la Santé qui s'occupent de ça. Et vous voyez qu'on a créé un conseil scientifique ad hoc. On n'a pas fait appel à l'Académie des sciences. On n'a pas fait appel à l'Académie de médecine. Et pour ceux que ça intéresse, il y a une très grande analogie entre ce débat-là, et je vais m'arrêter là, et celui sur l'énergie. Vous avez vu qu'il y a un papier de quelqu'un que vous avez, que nous avons reçu, qui est Marc Fondecave, qui a un papier tout à fait formidable. Et Marc, au nom de l'Académie des sciences, est intervenu. pour dire que la politique de l'énergie du gouvernement n'avait ni queue ni tête. Et dans le domaine qui nous concerne aujourd'hui, tout ça, c'est parti dans la nature. Le Conseil scientifique a disparu et on est incapable de traiter des problèmes que j'évoquais tout à l'heure, que ce soit celui de la pollution atmosphérique ou de tel ou tel sujet. et des allégations politiques qui sont absolument sans fondement scientifique. Donc on a un vrai problème collectif que les Anglais, que je connais assez bien, n'ont pas, et qui ont su organiser au cours du temps. Alors nous, nos rois l'ont fait en créant l'Académie des sciences, mais voilà.
Speaker #2
Merci à vous tous. Antoine, 5 minutes pour répondre à 3 questions et pour conclure.
Speaker #1
J'ai un peu un point commun parce que... Sur la première question de monsieur, sur la main, je n'ai pas trop de réponses, mais sur les données, que ce soit les données de téléphone portable ou les données de mortalité, effectivement, une des caractéristiques de cette pandémie, ça a été la quantité de données qu'on a récupérées de partout, sur des données, même sur des choses qu'on n'avait pas idée que ça pouvait exister. donc Pour ce qui est de la mortalité, effectivement, il y a eu des travaux qui ont été faits sur la surmortalité. Donc là, ce que je vous ai présenté, c'est juste les cas décédés qu'on a testés et qui étaient positifs au Covid. Mais il y a plein de gens qui sont décédés en dehors des structures hospitalières et qu'on a enterrés sans avoir testé. Donc il y a ces travaux qui sont faits ensuite, qui regardent la surmortalité. Donc ils estiment quelle était la mortalité attendue et quelle est la surmortalité pour essayer de corriger les données. quand on n'utilise que les tests, notamment la première vague où il n'y avait pas beaucoup de tests. Donc oui, tout ça, il y a eu beaucoup de travaux qui ont été faits pour essayer justement d'avoir l'estimation la plus précise et fiable de combien de personnes ont été infectées, parce qu'au final, c'est ça qu'on cherche. Si on veut ramener le nombre de morts à quelque chose, il faut le ramener au nombre de personnes infectées pour connaître vraiment la dangerosité. Et donc, pour revenir sur les données de téléphone portable, à mon avis, si la Corée du Sud a collecté ces données, c'est qu'ils ont d'ailleurs les analysées. Je sais que Singapour aussi était très fort sur ça. Quand c'est arrivé en France, il y a eu tout ce débat sur est-ce qu'on n'ouvre pas la porte aux... à l'espionnage à grande échelle de toute la population. Et c'est intéressant de voir par exemple qu'en Angleterre, où ils ont vraiment été les précurseurs de cette idée et qu'ils ont fait ce papier et qu'ils ont implémenté la solution, ils ont choisi un système décentralisé. C'est-à-dire qu'il n'y avait pas de serveur central qui avait toutes les données. Donc c'était un système décentralisé qui est beaucoup plus acceptable d'un point de vue respect de la vie privée. Et en France, je pense pour plusieurs raisons, peut-être pas juste des mauvaises raisons, mais c'est un système centralisé qui a été choisi. Donc je sais que ça c'est aussi quelque chose qui compte dans l'acceptabilité, au-delà de juste l'efficacité de l'outil, c'est qu'elle garantit en termes de vie privée. Et en fait ces systèmes-là peuvent marcher en total décentralisé, donc c'est assez robuste.
Speaker #2
Très bien. Un très grand merci à Antoine Camacho. Et merci à vous tous d'être venus et je vous souhaite une excellente fin de journée. Au revoir.
Speaker #9
Merci d'avoir écouté cet épisode. Abonnez-vous pour faire grandir notre communauté et n'hésitez pas à partager. Vous pouvez nous retrouver sur Youtube, LinkedIn et Instagram pour encore plus de contenu. A bientôt avec l'Institut d'Hydro pour de nouvelles conférences.

Embed