in

Une compréhension plus granulaire du risque pourrait réduire le besoin de verrouillages généralisés pendant une épidémie


Les methods utilisées dans les prévisions météorologiques peuvent être réutilisées pour fournir aux individus une évaluation personnalisée de leur risque d’exposition au COVID-19 ou à d’autres virus, selon une nouvelle recherche publiée par les scientifiques de Caltech.

La approach a le potentiel d’être additionally efficace et moins intrusive que les confinements généraux pour lutter contre la propagation des maladies, déclare Tapio Schneider, professeur Theodore Y. Wu de sciences et d’ingénierie de l’environnement chercheur principal au JPL, que Caltech gère pour la NASA  et l’auteur principal d’une étude sur la nouvelle recherche qui a été publiée par PLOS Computational Biology le 23 juin.

“Pour cette pandémie, il est peut-être trop tard”, dit Schneider, “mais ce ne sera pas la dernière épidémie à laquelle nous serons confrontés. C’est également utile pour suivre d’autres maladies infectieuses”.



En principe, l’idée est simple  : les modèles de prévision météorologique ingèrent beaucoup de données – par exemple, des mesures de la vitesse et de la route du vent, de la température et de l’humidité des stations météorologiques locales, en plus des données satellitaires. Ils utilisent les données pour évaluer l’état actuel de l’atmosphère, prévoir l’évolution météorologique dans le futur, puis répéter le cycle en mélangeant l’état atmosphérique prévu avec de nouvelles données. De la même manière, l’évaluation du risque de maladie exploite également divers sorts de données disponibles pour évaluer le risque d’exposition ou d’infection d’un individu à la maladie, prévoir la propagation de la maladie à travers un réseau de contacts humains à l’aide d’un modèle épidémiologique, puis répéter le cycle en mélangeant les prévisions avec de nouvelles données. Ces évaluations peuvent utiliser les résultats des tests de surveillance d’une institution, les données des capteurs portables, les symptômes autodéclarés et les contacts étroits enregistrés par les smartphones, et les tableaux de bord de déclaration des maladies des municipalités.

La recherche présentée dans PLOS Computational Biology est une preuve de strategy. Cependant, son résultat remaining serait une software pour téléphone smart qui fournirait à un individu une évaluation numérique fréquemment mise à jour (c’est-à-dire un pourcentage) qui reflète sa probabilité d’avoir été exposé ou infecté par un agent infectieux particulier, tel que le COVID-19. 19.



Une telle application serait similaire aux apps existantes de notification d’exposition au COVID-19 mais as well as sophistiquée et efficace dans son utilisation des données, selon Schneider et ses collègues. Ces programs fournissent une évaluation binaire de l’exposition (« oui, vous avez été exposé » ou, en l’absence d’exposition, un silence radio ) la nouvelle application décrite dans l’étude fournirait une compréhension in addition nuancée des risques d’exposition et d’infection en constante évolution à mesure que les individus se rapprochent des autres et que les données sur les infections se propagent à travers un réseau de contacts en constante évolution.

L’idée est née au début de la pandémie de COVID-19, lorsque les collègues et partenaires Schneider et Chiara Daraio, professeur G. Bradford Jones de génie mécanique et de physique appliquée et chercheur de l’Institut de recherche médicale du patrimoine, se sont brusquement retrouvés isolés à la maison et se demandent comment utiliser leur know-how scientifique et method pour aider le monde à faire facial area à cette nouvelle menace.

L’un des objectifs pré-pandémiques de la recherche de Daraio était le développement de trackers de température corporelle à faible coût. Et cela a soulevé la question  : l’utilisation généralisée de ces trackers permettrait-elle un meilleur suivi et une meilleure compréhension de la propagation du COVID-19 ?

“Nous imaginions quelque chose comme une application de prévision météorologique, exploitant les informations des capteurs, les données d’infection et le suivi de proximité, que les gens pourraient utiliser pour ajuster leur comportement afin d’atténuer les risques individuels”, explique Daraio, co-auteur de l’article PLOS Computational Biology.

Schneider est un climatologue qui dirige la Climate Modeling Alliance (CliMA), qui s’appuie sur les avancées récentes des sciences informatiques et des données pour développer un tout nouveau modèle climatique. Il a contacté Jeffrey Shaman, une connaissance de longue day de l’Université de Columbia. Les recherches de Shaman sur la façon dont le changement climatique affecte la propagation des maladies infectieuses ont conduit Shaman à s’intéresser à l’épidémiologie et à l’adaptation de méthodes de prévision météorologique similaires pour la modélisation des maladies au niveau communautaire.

« Au cours de la dernière décennie, le domaine de la modélisation des maladies infectieuses, et de la prévision en particulier, a explosé. De nombreuses approches de prévision des maladies tirent parti des méthodes d’ensemble et d’inférence couramment utilisées dans la prévision météorologique », déclare Shaman, co-auteur de PLOS Computational Biology. papier.

L’équipe avait deux défis majeurs : adapter les méthodes de prévision météorologique à cette fin et développer un banc d’essai réaliste pour évaluer son bon fonctionnement.

“Conceptuellement, c’est une idée très attrayante, automobile les méthodes de prévision météorologique ont été si efficaces pour prédire l’atmosphère chaotique, une tâche notoirement difficile”, déclare Oliver Dunbar, chercheur à Caltech. “Mais il n’y a pas de traduction directe. Une application de prévision des épidémies a très peu de données avec lesquelles travailler et seulement sur une populace partielle d’utilisateurs. Nous avons heureusement trouvé le succès en couplant ces données rares avec les dernières systems d’appareils intelligents et une propagation virale mathématique. maquette.”

Pour le tester, l’équipe s’est tournée vers Lucas Böttcher de la Frankfurt Faculty of Finance and Management en Allemagne. Böttcher a construit un modèle informatique d’une ville imaginaire – une variation réduite et idéalisée de la ville de New York – avec 100 000 “nœuds”, ou personnes fictives, puis a étudié dans quelle mesure les méthodes de prévision météorologique adaptées prédisaient la propagation d’une maladie à travers la populace.

Les résultats ont été encourageants  : dans les simulations, le modèle a identifié jusqu’à deux fois furthermore d’expositions potentielles que celles qui seraient détectées par les apps traditionnelles de recherche des contacts ou de notification d’exposition lorsque les deux utilisent les mêmes données.

« Les méthodes développées dans notre étude sont pertinentes non seulement dans le contexte de la gestion des maladies infectieuses, mais elles ouvrent également de nouvelles façons de combiner les données d’observation avec des modèles mécanistes de grande dimension issus de la biologie computationnelle », déclare Böttcher, co-auteur du Short article de biologie computationnelle PLOS.

Malgré ces résultats prometteurs, la mise en œuvre de cette technologie dans le monde réel nécessite des niveaux appropriés d’utilisateurs d’appareils intelligents et des campagnes de examination efficaces pour faire fonctionner le logiciel d’évaluation des risques pour gérer et contrôler les épidémies. Si environ 75 % d’une inhabitants donnée fournissent des informations pertinentes (par exemple, si elles ont été testées positives pour une maladie) et s’auto-isolent lorsqu’elles ont pu être exposées, le logiciel d’évaluation des risques est suffisamment précis pour gérer et contrôler l’épidémie de COVID à travers toute la population. Et pourtant, comme le montrent les taux de vaccination contre la COVID-19, l’adhésion d’une si grande partie de la inhabitants est difficile à obtenir.

Néanmoins, un scénario prometteur est le déploiement par des bases d’utilisateurs communautaires additionally petites – par exemple, la populace d’un campus universitaire – qui peuvent facilement fournir au logiciel additionally de données qu’il n’en faut pour fournir des évaluations précises des risques qui réduiront localement la propagation de la maladie.

“Le défi pour faire de ce système une réalité est de gérer les problèmes de confidentialité, par exemple, le transfert de données sur des contacts étroits vers une installation centrale de traitement des données”, a déclaré Schneider. “Cela étant dit, seules des informations anonymisées sont nécessaires. Les informations de localisation sont déjà systématiquement collectées à des fins commerciales, et nous envisageons des moyens de renforcer le système contre l’exploitation par de mauvais acteurs.”

Parmi les autres co-auteurs de l’article PLOS Computational Biology figurent le chercheur scientifique de Caltech Jinlong Wu et l’étudiant diplômé Dmitry Burov ainsi que l’ancien post-doctorant de Caltech Alfredo Garbuno-Iñigo de l’Instituto Tecnológico Autónomo de México Gregory Wagner et Raffaele Ferrari du MIT (tous membres de CliMA) et Sen Pei de l’Université Columbia. Cette recherche a été soutenue par Eric et Wendy Schmidt et Schmidt Futures le Fonds nationwide suisse de la recherche scientifique les instituts nationaux de la santé  le Bureau de recherche de l’armée  la Fondation nationale des sciences l’Institut countrywide des allergies et des maladies infectieuses  et la Fondation Morris-Singer.