Introduction : Pourquoi regarder en arrière ? Le pouvoir de la modélisation épidémique historique

Avant les laboratoires modernes et la surveillance en temps réel, les sociétés ont dû faire face à des vagues de peste, de choléra et de grippe avec des outils limités. Aujourd'hui, les chercheurs utilisent des modèles d'épidémiologie computationnelle pour remonter les couches de l'histoire, reconstruisant la dynamique des épidémies passées avec une précision remarquable. En alimentant des données historiques — registres de recensement, registres de décès, registres de transport et modèles météorologiques — dans des cadres mathématiques, les scientifiques peuvent tester des hypothèses sur les voies de transmission, l'efficacité de l'intervention et les forces sociales qui ont amplifié ou contenu la contagion.

À la différence des épidémies modernes, où les interventions commencent tôt et où la collecte de données est immédiate, les épidémies historiques se déroulent dans des conditions incontrôlées.En modélisant ces conditions, les chercheurs peuvent se demander : Et si des mesures de santé publique avaient été adoptées plus tôt ? Combien les mouvements de troupes ont-ils accéléré la grippe de 1918 ? Pourquoi la Mort Noire a-t-elle épargné certaines régions ? Ces questions ont motivé l'élaboration de modèles qui sont maintenant appliqués aux menaces émergentes comme la grippe aviaire et la résistance aux antimicrobiens.

Les fondements de l'épidémiologie computationnelle

Les modèles d'épidémiologie computationnelle simulent la propagation des maladies infectieuses en intégrant divers facteurs tels que la densité de population, les mouvements et les comportements sociaux. Appliquées aux données historiques, ces modèles permettent aux scientifiques de reconstruire la façon dont les épidémies se sont produites dans le passé, fournissant des informations sur l'efficacité des interventions et les facteurs qui ont contribué à leur propagation.

Les données spatiales — cartes des quartiers urbains, itinéraires commerciaux, horaires maritimes — exigent une numérisation laborieuse. Malgré ces obstacles, les progrès dans les statistiques bayésiennes et l'apprentissage automatique permettent maintenant de combler les lacunes de façon probabiliste et de quantifier l'incertitude. Par exemple, une étude de 2020 a reconstitué la propagation de la pandémie de 1918 dans 21 villes américaines en utilisant uniquement des données hebdomadaires sur la mortalité et des chiffres de la population de recensement, ce qui démontre que le moment et les interventions propres à chaque ville ont produit des taux de mortalité très différents.

Les principales sources de données sont les registres paroissiaux (Europe), les dossiers militaires (épidémies de guerre), les manifestes de navires (introduction de choléra) et même les échantillons de carottes de glace (traces d'agents pathogènes atmosphériques).L'intégration de épidémiologie génomique a ajouté une autre couche : en séquençant l'ARN à partir de tissus conservés vieux de siècle, les scientifiques peuvent maintenant estimer le taux évolutif des virus et en corrélant les changements génétiques avec les vagues d'infection.

Types de modèles de base et leurs applications

Modèles comparatifs : SIR, SEIR et Extensions

Les modèles comparatifs divisent une population en catégories distinctes en fonction de l'état de l'infection. Le plus simple, le modèle SIR[, trace les individus sensibles (S), infectés (I) et récupérés (R). Un ensemble d'équations différentielles régit le débit entre les compartiments, avec des paramètres pour le taux de transmission (β) et le taux de récupération (γ).

Le modèle ajoute un compartiment exposé (E) pour les personnes qui ont été infectées mais qui ne sont pas encore infectieuses. Ceci est essentiel pour les maladies à longues périodes d'incubation, comme la rougeole (10-12 jours) ou la COVID-19 (moyenne de 5 jours).

Les modèles de métapopulation qui relient plusieurs villes (p. ex., les réseaux ferroviaires qui propagent la peste du port aux villes intérieures), les modèles structurés selon l'âge (enfants par rapport aux adultes) et les modèles d'immunité en déclin (pertuis) permettent aux chercheurs de vérifier si des interventions comme la quarantaine ou l'interdiction de voyager ont pu modifier la trajectoire, et de nombreux modèles montrent que des restrictions sévères ont été imposées tôt et avant.

Modèles basés sur les agents : Capturer l'hétérogénéité individuelle

Les modèles basés sur les agents (ABM) simulent chaque individu comme un agent autonome avec des attributs (âge, profession, composition des ménages, mouvements quotidiens) et des règles pour interagir avec les autres. Contrairement aux modèles compartimentaux, les ABM peuvent saisir des comportements nuancés : un commerçant dans un marché encombré par rapport à un agriculteur dans un village éloigné.

Une étude historique a utilisé un ABM pour reconstruire la pandémie de 1918 dans le camp d'Étaples, en France, où il y avait des plans de baraque, des latrines et des mouvements de soldats entre les unités. Les résultats ont montré que la surpopulation et la mauvaise ventilation étaient les principaux moteurs de la transmission, soutenant l'hypothèse que la pandémie était née dans les camps militaires.

Les GAB permettent également des simulations contrefaites. Et si des masques avaient été prescrits en 1918? Et si la quarantaine du port de Raguse (Dubrovnik) du XIVe siècle avait été appliquée une semaine plus tôt? Ces expériences numériques prouvent que les mesures de santé publique peuvent fonctionner au fil des siècles.

Modèles de réseau: La structure des contacts

Contrairement aux hypothèses homogènes de mélange de modèles compartimentaux, les modèles réseau capturent la réalité que tout le monde n'a pas les mêmes chances de contact. Pour l'analyse historique, la reconstruction du réseau repose sur des données telles que les dossiers de mariage (connections familiales), les listes d'appartenance à la guilde (contacts sur les lieux de travail) et les rouleaux de fréquentation de l'église (liens communautaires).

Un exemple classique est la propagation de l'épidémie de choléra dans le district de Soho, à Londres, célèbrement cartographié par le Dr John Snow. Les modèles modernes de réseau ont revisité les données et montré que la contamination d'une seule pompe publique à eau sur Broad Street était l'épicentre, mais le réseau de visites des ménages et de habitudes de consommation communes amplifie l'épidémie au-delà de ce qu'un modèle simple de source ponctuelle pourrait prédire.

Étude de cas : La pandémie de grippe de 1918

Sources de données et approche de modélisation

La pandémie de grippe de 1918 (la « grippe espagnole ») a infecté environ un tiers de la population mondiale et tué 50 à 100 millions de personnes. Les chercheurs ont utilisé des modèles de calcul pour analyser cette épidémie en rassemblant des données provenant des archives militaires, des bulletins de santé publique et des statistiques de l'état civil.Il existe des données hebdomadaires sur la mortalité dans de nombreuses villes des États-Unis, d'Europe et d'Australie.

Les modèles basés sur des agents pour des villes comme St. Louis, San Francisco et New York ont été étalonnés pour observer les courbes de mortalité. Les modèles ont ajusté les paramètres pour le taux de transmission, la période d'incubation et le calendrier d'intervention. Pour St. Louis, les fermetures précoces d'écoles et les interdictions de rassemblements publics ont supprimé la première vague; le modèle montre que retarder ces mesures d'une semaine aurait triplé le nombre de décès.

Principales constatations et leçons

La modélisation de la pandémie de 1918 donne plusieurs indications pratiques. Premièrement, les interventions non pharmaceutiques (NPI)[—quarantine, masques, fermetures d'école—étaient efficaces même sans vaccins ou antiviraux. Le moment et la durée des NPI étaient plus importants que la rigueur.

Deuxièmement, la structure de l'âge[ a joué un rôle. La gravité inhabituelle chez les jeunes adultes est supposée être due à une exposition antérieure à un virus H1N1 similaire (à partir de la pandémie de 1890) conférant l'immunité aux groupes plus âgés, alors que les jeunes n'avaient pas de protection croisée.

Troisièmement, la dynamique spatiale[ est critique.Les mouvements des troupes pendant la Première Guerre mondiale ont répandu le virus dans le monde en quelques semaines.Les modèles de métapopulation reliant les villes portuaires et les réseaux ferroviaires démontrent que les restrictions de déplacement auraient pu ralentir la propagation, mais seulement si elles avaient été adoptées avant l'arrivée du premier cas.

Ces résultats ont directement éclairé la planification de l'OMS et des CDC pour la pandémie de H1N1 de 2009 et sont à la base des cadres actuels de préparation à la pandémie. La page CDC=1818 fait explicitement référence aux études de modélisation.

Étude de cas : L'éclosion du choléra à Londres en 1854

L'analyse spatiale précoce répond à la méthode moderne

Alors que la grippe de 1918 illustre la modélisation à l'échelle pandémique, l'épidémie de choléra de 1854, dans le quartier Soho de Londres, représente un jalon dans l'investigation épidémiologique. La carte emblématique du Dr John Snow, qui montre les décès de choléra regroupés autour de la pompe Broad Street, est souvent enseignée comme la naissance de l'épidémiologie spatiale.

Le modèle moderne ne comprend pas seulement les emplacements des pompes à eau, mais aussi les sources d'approvisionnement en eau des ménages (certaines ont utilisé une compagnie d'eau différente), l'élévation (affectant le débit des eaux souterraines) et la densité de population du recensement de 1851. Les résultats confirment l'hypothèse de Snows avec une grande confiance statistique : la pompe Broad Street était la principale source.

Leçons pour la lutte contre les maladies d'origine hydrique

Le modèle de choléra de 1854, qui enseigne que la contamination par la source ponctuelle peut être identifié et interrompu même sans connaissance de l'agent pathogène (en 1854, la théorie des germes n'était pas encore largement acceptée). Il souligne également l'importance de la transparence des données et la cartographie.

Ces informations sont directement pertinentes pour les épidémies de choléra en Haïti, au Yémen et au Bangladesh, où les sources d'eau contaminées demeurent un moteur principal. La fiche d'information de l'OMS sur le choléra souligne la pertinence des leçons historiques pour les stratégies de lutte actuelles.

Incidences modernes et orientations futures

Informer la préparation à la pandémie

L'analyse des épidémies passées avec des modèles de calcul fournit des leçons précieuses pour les stratégies actuelles et futures de santé publique. En comprenant comment les maladies se propagent historiquement, les responsables de la santé peuvent mieux concevoir des mesures de confinement, des campagnes de vaccination et des stratégies de communication. Les modèles montrent que la fenêtre [ pour le confinement est extrêmement étroite; pour les pandémies de grippe, elle peut être aussi courte que deux semaines après le premier cas local.

Pendant la pandémie de 1918, certaines villes ont connu une seconde vague après que les résidents se sont lassés de la distancing sociale. Les modèles basés sur l'agent qui incluent l'adaptation comportementale (les gens réduisent les contacts lorsque les cas sont élevés et les augmentent lorsque les cas baissent) reproduisent ce modèle.

Épidémiologie génomique et paléogénique

La prochaine frontière consiste à intégrer l'épidémiologie computationnelle à données génomiques provenant d'agents pathogènes historiques.Les chercheurs ont extrait l'ARN de 1918 victimes de grippe enterrées dans le pergélisol et d'échantillons de tissus archivés.En comparant les génomes des vagues successives, ils peuvent estimer les taux de mutation et corréler les changements génétiques avec la transmissibilité.Une étude de l'Université de Copenhague de 2023 a reconstruit la trajectoire évolutive du virus 1918, montrant qu'un seul changement d'acide aminé dans la protéine hemagglutinine a augmenté la transmissibilité de 40% – une constatation qui pourrait aider à surveiller les souches actuelles de grippe aviaire pour des mutations similaires.

De même, le génome de Yersinia pestis (la bactérie de peste) des dents du XIVe siècle a été séquencé, ce qui a permis aux modèles d'estimer que la mort noire a tué environ 60% de la population européenne.

Intelligence artificielle et extraction de données historiques

Les données recueillies dans le cadre de ce projet sont des exemples de projets de collaboration entre l'Université d'Oxford et l'Université de la Saskatchewan, qui exploitent des journaux canadiens du XIXe siècle pour cartographier la propagation de la variole parmi les communautés autochtones. Les premiers résultats montrent que la maladie a voyagé le long des routes de traite des fourrures, ce qui correspond aux prévisions d'un modèle basé sur des agents étalonnés avec les dossiers de la Compagnie de la Baie d'Hudson.

La littérature académique[ souligne que ces outils ne sont pas seulement destinés aux éclosions passées; ils sont testés sur des données historiques puis appliqués aux menaces émergentes. Par exemple, le même modèle utilisé pour la pandémie de 1918 a été adapté en quelques jours pour la COVID-19 en 2020, montrant la valeur des cadres pré-construits et validés.

Conclusion

Les modèles d'épidémiologie computationnelle servent d'outils puissants pour disculper les complexités de la propagation de l'épidémie tout au long de l'histoire. Ils comblent l'écart entre le passé et le présent, offrant des perspectives qui aident à protéger les communautés dans le monde entier. Des équations SIR des années 1920 aux simulations basées sur les agents d'aujourd'hui, chaque génération de modèles a révélé de nouvelles couches de la dynamique historique des maladies.

Les progrès continus des techniques de modélisation, y compris l'estimation des paramètres basés sur l'IA, l'inférence de réseau et l'intégration des données en temps réel, favorisent une compréhension encore plus grande et des réponses plus efficaces aux crises futures de la santé. En respectant les leçons cachées dans notre expérience historique collective, nous nous équipons de faire face à tous les agents pathogènes qui émergent ensuite.