En appliquant des modèles informatiques et des simulations à des chroniques du passé, les chercheurs peuvent tester des hypothèses qui étaient auparavant trop complexes pour être explorées manuellement. L'une des applications les plus urgentes et les plus éclairantes de cette approche est la modélisation des épidémies historiques. De la peste Justinienne à la pandémie de 1918, les épidémies de maladies ont façonné les sociétés de façon profonde. Les modèles informatiques permettent aux historiens de reconstruire les voies de transmission, d'analyser l'efficacité des interventions passées et de tirer des leçons qui demeurent pertinentes pour la santé publique contemporaine.

Le rôle de l'histoire computationnelle dans la compréhension de l'épidémiologie

L'analyse historique traditionnelle repose souvent sur des documents écrits, comme les comptes de mortalité, les journaux de voyage et les journaux personnels. Cependant, ces sources sont fragmentées et peuvent être biaisées. Les modèles informatiques ajoutent une couche quantitative, permettant aux historiens de simuler la propagation de la maladie dans le temps et l'espace. En intégrant les données sur la densité de population, les réseaux commerciaux, les modèles climatiques et le comportement humain, ces modèles peuvent révéler des modèles invisibles dans des sources qualitatives seulement.

Par exemple, les modélistes peuvent vérifier si la propagation rapide de la Mort noire en Europe au XIVe siècle a été principalement causée par des puces de rat sur des navires marchands ou par la transmission entre les humains. Les modèles basés sur les agents peuvent reproduire les mouvements d'individus le long de certaines routes commerciales, tandis que les modèles compartimentés peuvent estimer la proportion de la population qui doit avoir été exposée pour maintenir la mortalité observée.

Au-delà de l'expérimentation d'hypothèses spécifiques, l'histoire computationnelle permet de raisonner contre-factuel. Et si l'Empire romain avait investi davantage dans l'infrastructure de quarantaine ? Et si la grippe espagnole était apparue une décennie plus tôt, sans les dislocations de la Première Guerre mondiale ? Ces expériences de pensée, ancrées dans la rigueur mathématique, transforment l'histoire d'une discipline purement descriptive en une science prédictive du passé.

Principaux types de modèles informatiques

Les historiens et les épidémiologistes ont adapté plusieurs classes de modèles développés à l'origine pour la surveillance moderne des maladies. Chaque type a des forces distinctes et est adapté à différentes questions historiques.

Modèles basés sur les agents

Les modèles basés sur les agents simulent les actions et les interactions des agents autonomes, tels que les personnes, les animaux ou même les agents pathogènes, dans un environnement défini. Chaque agent suit un ensemble de règles qui régissent le comportement : qu'ils voyagent, combien de fois ils contactent les autres, qu'ils se rétablissent ou meurent. En exécutant le modèle plusieurs fois avec des paramètres légèrement variés, les chercheurs peuvent observer des modèles émergents. Les ABM sont particulièrement utiles pour étudier les épidémies dans les petites communautés, comme les villes médiévales ou les colonies, où les décisions individuelles peuvent avoir des effets surdimensionnés.

Modèles de compartiments

Le modèle le plus célèbre est le modèle de compartimentage, qui divise la population en compartiments sensibles, infectés et récupérés (ou retirés). Le modèle utilise des équations différentielles pour décrire le flux d'individus entre ces groupes en fonction des taux de transmission et de récupération. Les historiens peuvent calibrer les modèles de compartimentage pour correspondre aux courbes de mortalité historiques, puis ajuster les paramètres pour explorer les contre-ffaits – et si une quarantaine avait été imposée plus tôt? Et si le pathogène était moins virulent? Parce qu'ils sont efficaces sur le plan calcul, les modèles compartimentaux sont souvent utilisés pour les épidémies à grande échelle où le mélange homogène est une approximation raisonnable, comme la propagation du choléra le long des routes commerciales en Asie du XIXe siècle.

Modèles de réseau

Les modèles réseau représentent des individus ou des lieux comme nœuds et leurs interactions comme bords. Cette approche est particulièrement efficace pour étudier les maladies qui se propagent à travers des réseaux sociaux ou de transport spécifiques. Par exemple, un modèle réseau du système routier romain peut simuler comment un pathogène comme la variole a pu voyager du Proche-Orient aux frontières de l'empire. En modifiant la densité du réseau ou la vitesse de déplacement, les chercheurs peuvent identifier les itinéraires les plus influents.

Modèles spatiaux et spatiotemporels

Outre les trois grandes catégories, les modèles spatiaux intégrant des systèmes d'information géographique (SIG) sont devenus de plus en plus importants. Ces modèles attribuent le risque de maladie à des endroits spécifiques basés sur des variables environnementales telles que l'altitude, la température et la proximité des plans d'eau. Par exemple, un modèle spatial de la Grande Plague de Londres de 1665 pourrait utiliser des cartes historiques de la disposition des rues et des limites paroissiales pour simuler la façon dont le houblon de maladie a été coupé d'un quartier à l'autre.

Études de cas : Modélisation des épidémies historiques

Plusieurs études historiques démontrent la puissance de l'histoire computationnelle dans la recherche épidémique. Chaque cas met en évidence différentes forces méthodologiques et les défis de données, et ensemble elles illustrent comment la modélisation peut remodeler la compréhension historique.

La mort noire (1346–1353)

Les modèles précoces ont porté sur la voie de transmission primaire : si la bactérie Yersinia pestis a été transportée par des puces sur des rats ou par des poux humains et des puces. Des modèles basés sur des agents et des réseaux ont depuis montré qu'une combinaison de ces deux voies peut reproduire la vitesse de propagation observée, mais que les ectoparasites humains ont pu jouer un rôle plus important que ce qu'on croyait auparavant. Les modèles intégrant des données climatiques suggèrent également que les changements de température et de précipitations en Asie centrale ont peut-être déclenché l'éclosion initiale dans les années 1330.

Les modèles de réseau montrent que la peste se propage plus rapidement le long des routes maritimes que sur terre, en contreditant les hypothèses antérieures selon lesquelles la Route de la soie était le premier conduit. En simulant la fermeture de certains ports ou l'application de mesures de quarantaine, les historiens ont estimé que des villes comme Venise et Milan, qui ont mis en œuvre des politiques strictes, ont connu des taux de mortalité nettement inférieurs à ceux qui sont restés ouverts.

La pandémie d'influenza de 1918

Les modèles informatiques ont été utilisés pour analyser l'impact des interventions non pharmaceutiques, comme les fermetures d'écoles, les interdictions de rassemblements publics et l'isolement des cas. Une étude utilisant un modèle compartimenté pour les villes des États-Unis a révélé que les villes qui ont mis en œuvre des interventions précoces et en couches avaient des taux de mortalité 50% moins élevés que ceux qui ont retardé.Les modèles basés sur des agents ont également révélé que les mouvements de jeunes adultes pendant la Première Guerre mondiale ont créé des événements super-répandus dans les camps militaires et les navires de transport.

En reconstituant les modèles de contact à partir des enquêtes auprès des ménages et des registres de fréquentation scolaire, les chercheurs ont constaté que les enfants étaient non seulement très vulnérables, mais aussi efficaces dans les ménages. Cette découverte remet en question le récit selon lequel la grippe de 1918 était létale uniquement pour les jeunes adultes; plutôt, la mortalité élevée dans le groupe d'âge de 20 à 40 ans était motivée par une réponse immunitaire exceptionnellement forte au virus, et non par une transmission accrue.

Choléra au 19e siècle Londres

En numérisant les cartes historiques, les données de recensement et les emplacements des pompes à eau, les chercheurs ont construit des modèles spatiaux qui montrent la propagation de la maladie principalement par l'eau contaminée provenant d'une seule pompe. Cependant, les modèles de réseau suggèrent également que les connexions sociales – comme les domestiques transportant de l'eau vers les ménages plus riches – jouent un rôle. Ces résultats ont des répercussions sur la compréhension de la dynamique des maladies par les infrastructures urbaines et les inégalités sociales.

La grande peste de Londres (1665)

Une quatrième étude de cas, la Grande Plague de Londres, illustre comment les modèles de calcul peuvent compenser les données peu abondantes. Les registres paroissiaux de 1665 fournissent des dénombrements hebdomadaires mais peu de détails démographiques.Les modèles basés sur des agents, paramétrés avec la taille des ménages, les taux de mortalité et les profils de mouvement, ont été utilisés pour estimer le nombre de reproductions de base (R0 de la peste à Londres. Ces modèles suggèrent que l'éclosion a été soutenue par une combinaison de transmissions de rats à humains et d'humains à humains, et que l'imposition de la quarantaine sur les ménages infectés a réduit la mortalité maximale d'environ 20%.

Sources des données et défis

Les chercheurs puisent dans diverses sources : registres des sépultures paroissiales, registres fiscaux, registres de navires, livres d'admission à l'hôpital, et même comptes littéraires. Chaque source a des biais. Par exemple, les registres des sépultures sont généralement sous-estimés, et la mortalité due aux épidémies est souvent confondue avec d'autres causes. Les proxénétismes paléoclimatologiques, tels que les anneaux d'arbres et les carottes de glace, peuvent fournir des données sur la température et l'humidité qui affectent la transmission des maladies.

L'un des principaux défis à relever est l'absence de données granulaires sur les séries chronologiques. De nombreux enregistrements historiques font état de totaux mensuels ou annuels, trop grossiers pour modéliser la transmission rapide. Pour y remédier, les historiens calculateurs utilisent des techniques d'imputation statistique et d'assimilation des données empruntées à la météorologie.Un autre défi est l'incertitude dans la taille historique des populations et les schémas de migration.

Malgré ces obstacles, le domaine progresse rapidement. La numérisation des archives historiques et le développement d'outils d'extraction de texte permettent aux chercheurs d'extraire des données structurées de documents non structurés. Par exemple, les algorithmes d'apprentissage automatique peuvent maintenant identifier automatiquement les mentions de maladies épidémiques dans les journaux centenaires, fournissant de nouveaux ensembles de données pour la modélisation épidémique.

Approches interdisciplinaires

Les historiens fournissent des connaissances contextuelles et des critiques de source; les épidémiologistes contribuent à la conception de modèles et à l'estimation des paramètres; les informaticiens développent des algorithmes et des outils de visualisation; et les statisticiens gèrent l'incertitude et la validation. Les équipes interdisciplinaires ont produit certaines des études les plus influentes, comme la reconstruction de la propagation de la peste le long de la route de la soie à l'aide d'une combinaison de données génomiques, d'enregistrements historiques et de modélisation par agents.

Des institutions comme le Carnegie Mellon University Decision Science Lab sont des pionniers de cette approche.Les plateformes de modélisation open-source, comme GLEaM et FRED, permettent aux chercheurs de partager et de reproduire les résultats, accélérant le rythme de la découverte.

Plusieurs universités offrent maintenant des diplômes ou certificats conjoints en sciences humaines numériques et en santé publique. Des conférences comme le Sommet des sciences humaines numériques et la Conférence internationale sur les sciences sociales informatiques offrent de plus en plus de sessions sur les épidémies historiques. Ces lieux facilitent la pollinisation croisée des idées qui stimulent l'innovation méthodologique.

L'impact des facteurs sociaux et économiques

Par exemple, pendant la grippe de 1918, les villes où les inégalités de revenus étaient plus élevées ont connu une mortalité plus élevée, probablement parce que les travailleurs pauvres n'avaient pas les moyens de rester à la maison. Les modèles de réseau qui intègrent le statut socioéconomique peuvent quantifier cet effet en attribuant des taux de contact différents à différents groupes. De même, les modèles de la Mort noire ont montré que les restrictions commerciales et la construction d'installations de quarantaine (lazarettos) dans les États-villes italiens ont réduit le nombre de décès dans ces régions, même si les politiques n'étaient pas appliquées de façon uniforme.

Les données historiques sur les épidémies de peste indiquent que les femmes, qui s'occupent souvent des malades, sont touchées de façon disproportionnée.Les modèles basés sur les agents qui simulent les rôles de soignants peuvent aider à estimer le risque excessif.Ces résultats démontrent que les épidémies ne sont pas aléatoires; elles suivent des modèles de vulnérabilité sociale que les outils informatiques peuvent exposer.

Modèles informatiques dans la santé publique moderne

Bien que l'objectif premier de la modélisation épidémique historique soit de comprendre le passé, les idées ont souvent une pertinence directe pour la santé publique contemporaine. Par exemple, les modèles de la grippe de 1918 ont éclairé les plans de préparation à la pandémie de grippe et de COVID-19. La constatation que les interventions non pharmaceutiques à la fois précoces et en couches réduisent la mortalité a été utilisée par de nombreux gouvernements pendant la pandémie de COVID-19.

Le domaine de la phylodynamique, qui combine le séquençage génétique des agents pathogènes avec des modèles computationnels, permet aux chercheurs de retracer l'histoire évolutive des virus à côté de leur propagation spatiale.Cette technique a été utilisée pour reconstruire les origines du VIH et l'émergence de la tuberculose pharmacorésistante.En appliquant des modèles phylodynamiques à des restes squelettiques historiques, les chercheurs peuvent maintenant estimer quand et où les souches anciennes de Mycobacterium tuberculosis circulaient dans des populations précolombiennes.

Orientations futures

Les modèles d'apprentissage approfondi peuvent analyser des textes non structurés de milliers de documents historiques pour extraire des échéanciers de maladies et des descriptions des symptômes. Les systèmes d'information géographique (SIG) sont en train de se perfectionner, permettant aux chercheurs de modéliser des paysages à haute résolution. En outre, la croissance des projets de sciences humaines numériques signifie que davantage de données deviennent accessibles au public chaque année.

Une des orientations prometteuses est la création de « jumeaux numériques » de villes historiques, des répliques virtuelles qui combinent reconstructions archéologiques et données démographiques. Ces jumeaux peuvent être utilisés pour simuler la propagation d'une maladie avec un réalisme sans précédent. Par exemple, le projet Virtual Rome modèle toute la ville au moment de la Plague Antonine (165–180 AD), y compris les aqueducs, les bains et la densité d'habitation.

Les modèles ne doivent pas être utilisés pour blâmer rétroactivement les communautés pour des épidémies, ni pour renforcer les récits déterministes. Les historiens et les modélistes doivent être transparents sur les hypothèses et les limites. L'objectif n'est pas de produire une histoire « vraie » unique, mais d'ouvrir de nouvelles questions et de fournir des outils d'exploration. En particulier, il faut accorder une attention particulière au risque de présentisme – projeter des catégories modernes de race, de classe ou de sexe sur des populations historiques de manière à fausser l'analyse.

Conclusion

L'histoire informatique a transformé la façon dont nous étudions la propagation des épidémies historiques. En combinant la rigueur de la modélisation avec la profondeur de l'analyse historique, les chercheurs peuvent découvrir des dynamiques qui étaient auparavant cachées. Des modèles d'agents, compartimentaux, en réseau et spatiaux offrent chacun des idées uniques, et des études de cas de la mort noire à la grippe de 1918 démontrent leur pouvoir. Les défis de données persistent, mais la collaboration interdisciplinaire et les progrès technologiques continuent de faire avancer le terrain.