29109 YÉRÉMIAN Dimitri

Modélisation informatique et mathématique de la propagation

d’une épidémie au sein d’une population

Dans le cadre de la pandémie de COVID-19 que nous vivons depuis mars 2020, la modélisation du
comportement des épidémies m’est apparu comme un enjeu sociétal majeur. En effet, une meilleure
connaissance dans le domaine de l’épidémiologie mathématique et informatique pourrait permettre
des actions de prévention.
Le sujet traitant de la propagation des épidémies, il s’inscrit naturellement dans le thème de la
santé. De plus, la recherche d’une modélisation mathématique et informatique de ces potentielles
maladies, et précisément l’étude des seuils de percolation de graphes épidémiologiques inscrit le
projet dans une optique de prévention.

Positionnement thématique (ETAPE 1)

MATHEMATIQUES (Mathématiques Appliquées), INFORMATIQUE (Informatique pratique),
MATHEMATIQUES (Analyse).

Mots-clés (ETAPE 1)
Mots-Clés (en français)
Epidémiologie mathématique
Modélisation mathématique
Résolution numérique
Matrice d’adjacence
percolation
Mots-Clés (en anglais)
Mathematical epidemiology
Mathematical Modeling
Numerical resolution
Adjacency matrix
percolation

Bibliographie commentée
L'épidémiologie est une discipline qui daterait du Ve siècle av. JC, ayant pour père Hippocrate et
pour socle son Traité des airs, des eaux et des lieux qui consiste en une analyse des déterminants
environnementaux et individuels aux maladies. Il a cependant fallu attendre le XVIIe siècle pour
voir apparaitre en Angleterre les premiers travaux épidémiologiques au sens scientifique du terme.
Ce sont particulièrement les travaux de Graunt en 1662 puis plus tard de Daniel Bernoulli qui
marquent une évolution dans le domaine de l’épidémiologie mathématique, en théorisant sous forme
de fonctions des phénomènes de propagation et des variables environnementales réelles [1]

Ainsi, l‘épidémiologie mathématique consiste à modéliser le transport d’une épidémie grâce à un

paramétrage puis une mise en équations. Cela permet ainsi d’étudier sa propagation dans la
population et de prédire son comportement dans le temps, et ainsi d’analyser l'efficacité de mesures
pour freiner l’épidémie (vaccins, quarantaines...). De ce fait, l'évolution d'une épidémie est souvent
assimilée à un système différentiel qui dépend de plusieurs paramètres (taux de létalité, taux de
guérison...), généralement non linéaire, ce qui explique la difficulté de sa résolution à la main et
1
justifie l'utilisation d’outils informatiques (ici le langage Python).[2]

La théorie la plus répandue pour modéliser la propagation d’une épidémie est celle des modèles
compartimentaux qui consiste à diviser la population étudiée en plusieurs compartiments : les
individus susceptibles (S), ceux exposés (E)…  En 1927, W. O. Kermack et A. G. Mckendrick
proposent un modèle mathématique fondateur appelé le modèle SIR (pour sain, infecté, guéri) qui
divise une population en 3 compartiments et décrit les interactions entre eux à l'aide des systèmes
différentielles précédemment évoqués.[2]

Depuis, la théorie de l’épidémiologie mathématique s’est développée et de nombreux autres modèles

ont été proposés afin de d’adapter l’étude épidémiologique à certains types de maladies. Ainsi, les
caractéristiques de l’épidémie jouent un rôle prépondérant dans la modélisation, notamment sa
mortalité (SIR avec mortalité) et/ou la période d’incubation (SEIR) qui prend en compte la non-
contagiosité des exposés pendant une certaine période postérieure à l'infection. [3]

L’actuelle pandémie de COVID-19 est un champ d’application parfaitement adapté aux méthodes
précédemment présentées. Cette pandémie a entrainée une avancée sans précédent dans le domaine
de l’épidémiologie mathématique, avec l’apparition en un temps record de nombreuses nouvelles
méthodes de modélisation adaptées aux particularités de cette maladie. Les données numériques des
divers paramètres de modélisation (taux de mortalité, taux de guérison ...) fournies par
l’organisation mondiale de la santé (OMS, WHO en anglais) [4][5] permettent de mesurer l’efficacité
des différents modèles de propagation de cette épidémie.

Il est possible de proposer une modélisation informatique élémentaire de la propagation d’une

épidémie dans une population, en utilisant des outils mathématiques tels que les graphes aléatoires
ou les matrices d’adjacence. Il est pertinent de baser le modèle de propagation autour d’un graphe
aléatoire représentant les contaminations entre individus de différents groupes, classés selon leur
prépondérance en nombre dans la population. Ce modèle élémentaire permet d’effectuer des
comparaisons graphiques grâce a l’outil informatique, et d’étudier les variations des résultats en
fonction des paramètres d’entrée. Il permet également d’étudier en détail l’importance des seuils de
percolations visibles sur les graphes, qui permettent de savoir quand l’épidémie est sur le point de
devenir incontrôlable. [6]

Problématique retenue

2
Il s’agit de balayer les diverses modélisations mathématiques d’une épidémie, et de montrer dans
quelle mesure leur application a la pandémie actuelle est pertinente. Dès lors, on proposera une
modélisation informatique détaillée basée sur le modèle du graphe aléatoire et des matrices
d’adjacence

Objectifs du TIPE
1- Premièrement, il s'agira d'étudier différents modèles mathématiques décrivant le transport d'une
Épidémie au sein d'une population.

2- Ensuite, j'essaierai de décrire les caractéristiques de l'épidémie à étudier (COVID-19) afin de

pouvoir se prononcer sur les modèles mathématiques potentiellement fidèles à cette épidémie.

3- Finalement, je proposerai l’étude détaillée d’une modélisation informatique élémentaire que j’ai
codée, en utilisant les graphes aléatoires et les matrices d’adjacences.

Références bibliographiques (ETAPE 1)

[1] Alain-Jacques VALLERON : La Jaune et La Rouge, Brève histoire de l’épidémiologie avant le
XXe siècle : https://www.lajauneetlarouge.com/article/breve-histoire-de-lepidemiologie-avant-lexxe-
siecle#.XDCk9MYo9uQ
[2] Maia Martcheva : An Introduction to Mathematical Epidemiology : Springer, 2015
[3] Fred Brauer, Carlos Castillo-Chàvez : Mathematical Models in Population Biology and
Epidemiology : Springer, 2001
[4] Ramsès Djidjou-Demasse, Christian Selinger, Mircea T. Sofonea : Epidémiologie
mathématique et modélisation de la pandémie de COVID-19 : enjeux et diversité :
https://hal.archives-ouvertes.fr/hal-02924338
[5] Organisation Mondiale de la Santé : COVID-19 data and statistics :
http://www.emro.who.int/fr/health-topics/corona-virus/data-and-statistics.html
[6] Cristopher Moore and M. E. J. Newman : Epidemics and percolation in small-world networks
: https://pubmed.ncbi.nlm.nih.gov/11031626/