Académique Documents
Professionnel Documents
Culture Documents
Santé et prévention
Dimitri Yérémian
29109
1
L’épidémiologie mathématique et
informatique
2
Plan d’étude
• Ⅰ- Définitions et études de modèles existants
3
Qu’est ce que l’épidémiologie
mathématique?
6
Le modèle SIS
• Le modèle SIS (Susceptible-Infectieux-Susceptible) décrit une
épidémie dont les individus guéris ne sont pas considérés
immunisés.
S I
7
βSI
S γI
I
µI
Avec :
• βSI : Nombre de personnes infectées par unité de temps
• γI : Nombre de personnes guéries par unité de temps
• µI : Nombre de personnes mortes de la maladie par unité de temps
On a donc :
• (1) : variation des susceptibles = -nombre infectés + nombre guéris
(qui ne sont pas immunisés dans ce modèle)
• (2) : variation des infectieux = nombre d’infectés – nombre de
morts – nombre de guéris
8
Le modèle SIR
• Le modèle SIR (Susceptible-Infectieux-Retiré) décrit une épidémie dont les
guéris sont forcément immunisés pendant la période d’étude.
S βSI
I γI
R
µI
9
S βSI
I γI
R
µI
On a donc :
• (1) : variation des susceptibles = -nombre infectés + nombre guéris
(qui ne sont pas immunisés dans ce modèle)
• (2) : variation des infectieux = nombre d’infectés–nombre de mort –
nombre de guéris
• (3) : variation des immunisés = nombre de guéris
10
Le modèle SEIR
• Le modèle SEIR (Susceptible-Exposé-
Infectieux-Retiré) est similaire au modèle SIR
mais rajoute la notion de temps d’incubation
d’une maladie.
βSI γI
S E αE
I R
µI
11
βSI γI
S E αE
I R
µI
On a donc :
• (1) : variation des susceptibles = -nombre infectés
• (2) : variation des exposés = nombre d’infectés – coefficient*nombre d’exposés
(qui incubent la maladie)
• (3) : variation des infectieux = nombre d’individus malades (après incubation)
– nombre de mort – nombre de guéris
• (4) : variation des immunisés = nombre de personnes guéries
12
Ⅱ: Application à l’étude de la
pandémie de COVID-19
Taux de reproduction :
13
Etat Initial : S = S0 constant
I’ = (βS0–γ–μ)I
I = I0*ℯ^(βS0–γ–μ)
14
Application du modèle SEIR
N = 11e6 Io = 40 Eo = 20*Io R0 = 3.1 α = 1/5.2 γ = 1/18
15
Possibilité d’une modélisation plus
précise : Le modèle SEAIR
• Le modèle SEAIR (pour Susceptible-Exposé-
Asymptomatique-Infectieux-Retiré) ajoute la
prise en compte des individus
asymptomatiques à la modélisation
16
• ε : taux auquel les personnes exposées deviennent infectieuses
• σ : taux auquel les symptômes apparaissent chez les personnes infectieuses
• γ : taux auquel les personnes symptomatiques cessent d’être infectieuses
• βA : taux de transmission des personnes asymptomatiques
• βI : celui des personnes symptomatiques
• c : intensité de contrôle (pourcentage des infections qui sont bloquées).
17
Ajout de la sévérité différentielle
• En pratique, nous allons supposer qu’une
fraction p des infections sont peu sévères et
une fraction 1 − p sont sévères et nécessitent
une hospitalisation
18
• α est le taux de mortalité des cas sévères,
• γ2 est le taux de guérison des cas sévères (qui peut différer
des cas légers γ1)
• Taux de transmission différents pour les cas
asymptomatiques ou peu sévères (β1) et sévères (β2)
• λ est la force d’infection, qui correspond au taux auquel les
individus sensibles deviennent infectés. Elle est définie par
la formule :
20
Une autre approche de modélisation :
les processus stochastiques
Elaboration d’un
modèle : générer
un graphe
Modéliser la propagation aléatoire de
BUT d’une épidémie dans une « n » sommets,
population de « n » individus pour « n »
individus, liés
deux à deux par
« m » arêtes
21
DÉMARCHE GÉNÉRALE
I. Modèle de graphe aléatoire choisi
A. Le graphe est représenté par une liste ou une matrice d’adjacence.
B. Chaque sommet se voit attribuer un nombre de demi arête selon une loi
de Poisson.
C. Les demi arêtes sont reliées aléatoirement, on obtient la liste représentant
le graphe.
Liste correspondante :
L = [[0,3], [2,3], [1,2,3], [0,1,2]]
Chaque sommet est affecté de demi arête. On relie aléatoirement les demi arêtes
(nombre total de demi arête pair).
24
→ Rôle des fonctions : « degres_n » et « relier_sommets »
II. Recherche de la composante géante du
graphe
A. Suppression des liaisons multiples et des liaisons avec
soi-même des sommets
→ Rôle de la fonction « matrice_nettoyage »
Exemple :
29
Annexe
30
31
32
33
34
35
36
37
38
39
40
III. Tracé de la transition de percolation et résultats
A. On garde
aléatoirement
une fraction phi
d'arête entre les
sommets.
→ Rôle de
« lissage »
effectué par
la fonction
« moyenne »
42