Comment les applications météorologiques pourraient prédire votre risque de COVID
Par Laura Tedesco
Le 17 août 2022 - Tapio Schneider est un climatologue, et sa femme un ingénieur en mécanique. À bien des égards, ils ressemblaient à de nombreuses autres familles touchées par le COVID : deux jeunes enfants déscolarisés et des réunions Zoom interminables depuis la maison. Mais les deux hommes ne se contentaient pas de faire du pain au levain et de se promener pendant le confinement : Ils réfléchissaient à la façon dont ils pourraient utiliser leur expertise pour aider.
"Nous étions terrés chez nous, comme tout le monde, à discuter des moyens d'éviter l'isolement ou le confinement", se souvient M. Schneider, professeur de sciences et d'ingénierie environnementales au California Institute of Technology et chercheur principal au Jet Propulsion Laboratory de la NASA.
À l'époque, les confinements étaient le seul moyen connu de contrôler le virus, mais Schneider estimait qu'ils ne fonctionnaient pas bien.
"Même au plus fort de la pandémie, 1 ou 2 % de la population était réellement infectieuse", explique-t-il. "Quatre-vingt-dix-huit pour cent n'auraient pas besoin d'être isolés". Mais le problème était de déterminer qui étaient ces personnes infectieuses.
C'est alors que l'idée lui est venue : Et s'il pouvait créer une "prévision" du COVID en utilisant la même technologie que celle utilisée par les applications météorologiques ?
La femme de Schneider, qui est également professeur à Caltech, étudiait les capteurs de température corporelle. Ils se sont dit qu'il serait peut-être possible de combiner les données provenant d'appareils similaires avec les données du test COVID pour prédire les risques de contamination d'une personne. En envoyant ces données à une application, chaque utilisateur pourrait recevoir son propre risque personnalisé directement sur son smartphone.
Ce germe d'idée est devenu une étude publiée dans PLOS Computational Biology. Le professeur Schneider s'est associé à une équipe internationale - dont un informaticien allemand et un modélisateur de maladies de l'université Columbia de New York - pour déterminer si une application de ce type pourrait aider à contrôler une pandémie comme celle du COVID. Et les résultats sont prometteurs.
Comment fonctionne une application de prévision du COVID
Si vous avez déjà utilisé une application météo, vous avez probablement remarqué que les prévisions du week-end peuvent être très différentes le lundi par rapport au vendredi. Et ce n'est pas parce que les météorologues ne savent pas ce qu'ils font : C'est le reflet de l'énorme quantité de données qui sont constamment importées, augmentant la précision des prévisions à mesure que la date réelle approche.
Toutes les 12 heures, les applications météo effectuent une analyse. La première étape consiste à saisir l'état actuel de l'atmosphère, c'est-à-dire des éléments tels que la température, l'humidité et la vitesse du vent, mesurés par des sources telles que les stations météorologiques et les satellites. Ces informations sont mélangées aux prévisions des 12 heures précédentes, puis introduites dans un modèle atmosphérique. Un algorithme prédit ce que seront les conditions dans 12 heures, l'application météo se met à jour, et une demi-journée plus tard, le cycle se répète.
Imaginez une application qui utilise une méthode similaire, sauf qu'elle intègre les données du COVID dans un modèle de suivi des maladies, traçant le chemin du risque, à l'exposition, à l'infection, et enfin à la guérison, à l'hospitalisation ou au décès. Les données incluraient les éléments évidents - résultats des tests rapides et des tests antigéniques, symptômes déclarés - ainsi que des éléments plus inattendus, comme les données des smartphones et la quantité de virus dans les eaux usées locales, qui deviennent rapidement un outil précieux pour prédire les épidémies de COVID.
"L'essentiel, c'est que cela soit spécifique aux individus", explique M. Schneider. L'application ne se contenterait pas de prédire le pourcentage de personnes infectées dans votre ville ; elle évaluerait plutôt votre risque unique de contracter le virus, en se fondant sur les données que votre appareil Bluetooth capte.
Les applications existantes de notification d'exposition, qui sont plus utilisées en Europe et en Asie qu'aux États-Unis, vous envoient un message après que vous ayez été exposé au virus, mais elles ne vous mettent pas à jour entre les alertes. Schneider imagine d'utiliser les données que ces apps utilisent de manière plus efficace, en puisant dans d'autres sources de données, en fournissant une prévision de l'infectiosité régulièrement mise à jour et en vous conseillant de vous auto-isoler après une exposition probable.
Quelle serait l'efficacité de l'application ?
Dans l'étude, Schneider et son équipe ont créé une ville de simulation, conçue pour imiter la ville de New York pendant les premiers stades de la pandémie. Cette toile de données comprenait des milliers de points d'intersection, chacun représentant une personne - certaines ayant de nombreuses interactions quotidiennes, d'autres en ayant peu. Un âge a été attribué à chacun d'entre eux, car l'âge a un impact sur le parcours du COVID.
Ce que leurs simulations ont révélé : Si 75 % des personnes utilisaient une application de prévision du COVID et s'auto-isolaient comme recommandé, la pandémie pourrait être contrôlée efficacement - pour autant que les taux de tests de diagnostic soient élevés.
"C'est tout aussi efficace qu'un confinement, sauf qu'à tout moment, seule une petite fraction de la population s'isole", explique M. Schneider, notant que dans ce cas, une "petite fraction" représente environ 10 % de la population. "La plupart des gens pourraient continuer leur vie normalement".
Mais comme l'ont révélé les faibles taux de vaccination du COVID, une conformité quasi-universelle pourrait être un objectif impossible à atteindre.
Autre défi potentiel : surmonter les problèmes de confidentialité, même si les données sont rendues anonymes. Selon M. Schneider, le fait de commencer par de petites communautés, comme les campus universitaires ou les lieux de travail, pourrait favoriser une acceptation plus large, car les gens verront l'avantage de partager leurs données. Les plus jeunes, observe-t-il, semblent plus à l'aise avec la divulgation d'informations de santé, ce qui signifie qu'ils pourraient être plus disposés à utiliser une telle application, surtout si elle peut éviter un autre verrouillage.
L'avenir du suivi des maladies infectieuses : Donner du pouvoir à chaque personne
La modélisation mathématique des maladies infectieuses n'est pas nouvelle. En 2009, lors de la pandémie de grippe H1N1 (grippe porcine), les CDC ont utilisé des données provenant de multiples sources pour contribuer à ralentir la propagation de la grippe. Pendant la vague de Zika, de 2016 à 2017, la modélisation a aidé les chercheurs à identifier très tôt le lien entre le virus et la microcéphalie, c'est-à-dire l'état dans lequel la tête d'un bébé est beaucoup plus petite que la normale. En fait, les prévisions mathématiques ont été utiles pour tout, de la grippe au VIH, selon un article paru en 2022 dansClinical Infectious Diseases.
Puis vint COVID-19, la pire pandémie de l'histoire des États-Unis, qui exigea un nouveau niveau de calcul.
En partenariat avec l'Université du Massachusetts à Amherst, les CDC ont créé The Hub, un référentiel de données qui a fusionné plusieurs prévisions indépendantes pour prédire les cas, les hospitalisations et les décès liés au COVID. Cette entreprise de grande envergure n'a pas seulement contribué à informer les politiques publiques, elle a également révélé l'importance d'une recherche rapide des contacts : Si l'identification des contacts proches prenait plus de 6½ jours après l'exposition, elle était à peu près inutile.
Schneider se fait l'écho de cette préoccupation avec ce qui était autrefois loué comme la méthode de contrôle du COVID. Dans les simulations de prévisions basées sur des applications réalisées par son équipe, "vous réduisez les taux de mortalité par un facteur de 2 à 4, simplement parce que vous identifiez plus de personnes susceptibles d'être infectieuses que vous ne le feriez en effectuant des tests, en recherchant les contacts et en les isolant", explique-t-il. La recherche des contacts est limitée dans sa capacité à contrôler la propagation du COVID, en raison du taux élevé de transmission sans symptômes et de la courte période de latence du virus. En combinant plusieurs sources de données avec un modèle de transmission de la maladie, on gagne en efficacité.
"Vous savez comment elle se propage sur le réseau", explique Schneider. "Et une fois que vous intégrez cela, vous obtenez un contrôle plus efficace de l'épidémie".
Appliquer cette approche mathématique aux individus - plutôt qu'à des populations entières - constitue la véritable innovation dans la vision de Schneider. Dans le passé, nous pouvions prédire, par exemple, la probabilité de trouver une personne contagieuse dans toute la ville de New York. Mais l'application que Schneider espère développer déterminerait la probabilité unique de contagion pour chaque utilisateur. Cela permet de prendre des décisions en connaissance de cause - Est-ce que je sors ce soir ? Est-ce que je m'isole ? - entre les mains de chacun.
"Nous disposons ici d'une technologie qui peut permettre de gérer les épidémies, voire de les endiguer complètement, si elle est adoptée à une échelle suffisamment large et combinée à des tests", explique M. Schneider, "et qui est tout aussi efficace que nos mesures d'isolement, sans avoir à isoler une grande partie de la population."
Cette innovation pourrait permettre de traquer les maladies infectieuses comme la grippe ou même d'endiguer le prochain COVID, selon Schneider.
"Vous voulez contrôler les épidémies, vous voulez minimiser la maladie et la souffrance", dit-il. "En même temps, vous voulez minimiser les perturbations économiques et les perturbations de la vie, de la scolarité. L'espoir est qu'avec des moyens numériques comme ceux que nous avons décrits, on puisse atteindre ces deux objectifs."
