Modèle Stanford cartographie la propagation du COVID-19 en ville, guide les décisions politiques

Alors que les cas de COVID-19 augmentent à travers le pays, les responsables municipaux font face au difficile exercice d'équilibre entre prévention de la propagation des infections et soutien aux entreprises. Un modèle informatique de l'Université Stanford démontre les schémas de mobilité et de contact d'une manière que ses créateurs espèrent aider les dirigeants communautaires dans leur prise de décision.

L'équipe de Stanford affirme que la spécificité de leur modèle pourrait servir d'outil précieux pour les responsables, car la simulation révèle les compromis entre nouvelles infections et ventes perdues si les établissements ouvrent à capacités limitées.

Une conclusion majeure : Selon le modèle (et la vidéo ci-dessus de l'Université Stanford), plafonner l'occupation à 50 % du maximum fera perdre à l'économie seulement 5 à 10 % des visites, tout en réduisant le nombre global d'infections de plus de 50 %.

En utilisant des données anonymisées à grande échelle provenant de téléphones portables, l'équipe de Stanford a analysé les schémas de mouvement dans 10 des plus grandes zones métropolitaines des États-Unis, incluant Atlanta, Dallas, New York — un groupe totalisant plus de 98 millions de personnes.

Le modèle informatique a prédit avec précision la propagation du COVID-19 dans les dix grandes villes ce printemps en analysant trois facteurs qui déterminent le risque d'infection : où les gens vont dans la journée, combien de temps ils s'attardent ; et à quel point les lieux sont bondés à un moment donné.

« Un petit pourcentage d'infections aux points d'intérêt s'avère représenter un grand pourcentage d'infections. »

L'étude, publiée ce mois-ci dans la revue Nature, a utilisé une combinaison de données démographiques, estimations épidémiologiques, et informations de localisation anonymisées de téléphones portables, pour prédire que la plupart des transmissions de COVID-19 hors domicile se produisent sur des « sites super-propagateurs », où les gens restent en contact rapproché pendant de longues périodes.

« Nous avons construit un modèle informatique pour analyser comment des gens de différents milieux démographiques, et de différents quartiers, visitent différents types de lieux plus ou moins bondés. Sur la base de tout cela, nous pouvions prédire la probabilité de nouvelles infections à tout lieu ou moment donné », a déclaré Jure Leskovec, informaticien à Stanford et chercheur principal.

Leskovec et son équipe ont conclu que les plafonds de densité, ou la restriction de l'occupation des établissements, réduit les infections globalement, ainsi que les disparités entre communautés impactées par le COVID-19. Le modèle suggère que les schémas de mobilité entraînent des risques disproportionnés.

« Il s'avère que les groupes à faibles revenus sont plus susceptibles de fréquenter des lieux où les densités sont élevées », a dit le co-auteur David Grusky, professeur de sociologie à l'École des sciences humaines de Stanford (dans la vidéo ci-dessus). « Par exemple, les épiceries dans les quartiers à faibles revenus tendent à être plus denses, et plus bondées. »

Grusky, qui dirige aussi le Centre Stanford sur la pauvreté et les inégalités, a dit que le modèle démontre comment la réouverture d'entreprises avec des plafonds d'occupation plus bas tend à bénéficier le plus aux groupes défavorisés.

« Parce que les lieux qui emploient des minorités et des personnes à faibles revenus sont souvent plus petits et plus bondés, les plafonds d'occupation sur les magasins rouverts peuvent réduire les risques auxquels ils font face », a dit Grusky. « Nous avons la responsabilité de construire des plans de réouverture qui éliminent — ou du moins réduisent — les disparités que les pratiques actuelles créent. »

Comment Stanford a collecté les données

SafeGraph, une entreprise qui agrège des données de localisation anonymisées d'applications mobiles, a montré aux modélisateurs de Stanford où les gens allaient ; pendant combien de temps ; et, surtout, quelle était la surface au sol de chaque établissement pour que les chercheurs puissent déterminer la densité d'occupation horaire.

Les villes de l'étude Stanford incluaient New York, Los Angeles, Chicago, Dallas, Washington D.C., Houston, Atlanta, Miami, Philadelphie et San Francisco.

En phase 1 de l'étude, du 8 mars à mai de cette année, les données de mobilité ont été utilisées pour prédire le taux de transmission du coronavirus. Dans leur modèle, après avoir incorporé le nombre d'infections COVID-19 rapportées aux responsables de santé chaque jour, les chercheurs ont développé et affiné une série d'équations pour calculer la probabilité d'événements infectieux à différents lieux et moments.

Les prédictions suivaient de près les rapports réels des responsables de santé, donnant aux chercheurs confiance dans la fiabilité du modèle.

L'équipe, qui incluait la doctorante Emma Pierson, a mis ses outils et données à disposition publique pour que d'autres chercheurs puissent reproduire et construire sur les résultats.

Dans une courte Q&R ci-dessous, Pierson explique à Tech Briefs pourquoi le modèle suggère qu'une stratégie de réouverture n'a pas à être « tout ou rien ».

Tech Briefs : Avec le modèle lui-même, quel type de données est collecté qui permet une « spécificité » précieuse, surtout comparé aux méthodes de modélisation existantes ?

Emma Pierson : Nous utilisons des données anonymisées et agrégées de SafeGraph, une entreprise qui suit les schémas de mouvement humain via les données de téléphones portables. Nos données enregistrent combien de gens vont aux points d'intérêt (POI) comme restaurants et épiceries à chaque heure, et enregistrent aussi les quartiers d'où ils viennent.

Notre analyse est basée sur des données de dix grandes zones métropolitaines américaines de mars à mai 2020 (première vague d'infections). Ces données de mobilité à grain fin nous permettent de modéliser qui est infecté, où ils sont infectés, et quand ils sont infectés.

Tech Briefs : Quelle a été la conclusion la plus importante, selon vous, tirée de votre modèle ?

Emma Pierson : Il y a plusieurs conclusions qui découlent de notre analyse, mais deux des plus importantes sont :

• La réouverture n'a pas à être « tout ou rien » : des stratégies comme réduire l'occupation maximale peuvent nous permettre de rouvrir plus efficacement en fournissant une grande réduction des infections pour une réduction relativement petite des visites.
• Notre modèle suggère aussi que les disparités raciales et socioéconomiques sont en partie dues à la mobilité : elles ne sont pas inévitables, mais peuvent être influencées par des décisions politiques à court terme. Donc, en évaluant les stratégies de réouverture, il est important de considérer non seulement l'impact sur la population dans son ensemble, mais aussi l'impact sur les groupes défavorisés. Cela soutient les mesures prises par la Californie et l'équipe de transition Biden-Harris pour considérer spécifiquement l'impact des politiques de réouverture sur les populations défavorisées.

Tech Briefs : Comment les responsables peuvent-ils utiliser votre modèle le plus efficacement ?

Emma Pierson : Les deux conclusions ci-dessus sont directement pertinentes pour la politique, et aident à développer des stratégies de réouverture plus efficaces et équitables. Nous construisons aussi un outil en ligne permettant aux décideurs et au public d'interagir avec et d'apprendre de notre modèle. Enfin, nous travaillons à étendre l'analyse sur des données plus récentes, depuis l'analyse originale basée sur les données du printemps, et beaucoup de choses ont changé depuis.

Qu'en pensez-vous ? Partagez vos questions et commentaires ci-dessous.