Suivi de la propagation d’une maladie basé sur les agents

La propagation des maladies infectieuses est traditionnellement simulée à l'aide de modèles compartimentaux, basés sur des équations différentielles qui peuvent reproduire avec précision les trajectoires des épidémies. Toutefois, une hypothèse centrale des modèles d'équation est celle d'une population homogène et bien mélangée. Les modèles basés sur des agents peuvent surmonter ces limitations en opérationnalisant l'hétérogénéité, par exemple les attributs démographiques et les maladies préexistantes, ainsi que les comportements dans la simulation des épidémies.

Optimiser la réponse au Covid-19 en explorant des politiques complexes et spatialement hétérogènes. En outre, nos résultats devraient également être pertinents pour la préparation contre d'autres agents pathogènes à potentiel pandémique. Enfin, ce projet visait à répondre la question : quels sont les avantages et les limites des modèles traditionnels basés sur des équations par rapport aux nouveaux modèles ?

Le projet a utilisé diverses techniques pour étudier les impacts de la pandémie et son évolution à court et à long terme, à l'aide de modèles agrégés et individuels (agents).

Le modèle de prévision de l'occupation des unités de soins intensifs (USI) Covid-19 a été développé pour fournir des prévisions de l'occupation des USI d'avril 2020 à mars 2022 en Suisse. Les résultats ont été mis à jour sur icumonitoring.ch. Les résultats du modèle à court terme (3 ou 7 jours) ont été demandés par l'armée suisse (SAF) pour l'allocation des ressources médicales dans les unités de soins intensifs du pays. Le modèle Covid-19 de capacité des unités de soins intensifs combine un modèle Susceptible-Exposé-Infecté-Récouvert et un modèle de réseau neuronal. Les prévisions étaient basées sur les données relatives à l'occupation des unités de soins intensifs au niveau de l'hôpital fournies par le Service sanitaire coordonné de l’armée et sur des covariables potentielles (conditions météorologiques, cas, données relatives au personnel médical, etc.).En outre, nous avons mis au point un modèle stochastique de transmission individuelle de la dynamique du SARS-CoV-2 et de la maladie Covid-19, OpenCovid, afin de soutenir l'analyse de scénarios fondée sur le modèle. Toutes les données nécessaires à l'étalonnage et à l'élaboration du modèle ont été mises à la disposition du public.

Pour étudier les impacts à long terme de la pandémie, nous avons développé une méthodologie pour coupler le modèle de transport à base d'agents MATSim avec un modèle épidémiologique à base d'agents développé en externe, EpiSim. Nous avons beaucoup travaillé sur l'amélioration de la représentativité de la population synthétique et de son comportement de mobilité hebdomadaire. En utilisant les données de suivi à long terme de MOBIS-Covid, nous avons estimé des modèles économétriques montrant la réduction de la participation aux activités en fonction de l'état de la pandémie. La dernière étape du projet concerne l'association d'EpiSim, de MATSim et des modèles économétriques nouvellement développés formant une boucle de rétroaction. De même, un modèle de transport basé sur des agents de la région trinationale de Bâle a été associé à EpiSim. Ce modèle a été appliqué pour analyser l'impact sur l'incidence du SARS-CoV-2 de la modification des lieux d'activité.

Le modèle de prévision a été développé pour fournir des prévisions de l'occupation des USI d'avril 2020 à mars 2022 en Suisse. Les résultats ont été mis à jour quotidiennement sur icumonitoring.ch. Les résultats à court terme (3 ou 7 jours) ont été demandés par l'armée suisse (SAF) pour l'allocation des ressources. À la demande de l'Office fédéral de la santé publique (OFSP), par l'intermédiaire de la Swiss National COVID-19 Science Task Force, le Swiss TPH, de l’Université de Bâle, a répondu à un large éventail de questions au début de l'année 2021 en utilisant la plate-forme OpenCovid.

Agentenbasierte Verfolgung der Infektionsketten in einer Pandemie mithilfe dynamischer Modelle des Reiseverhaltens

• MOBIS : COVID-19