TIPE

Santé et prévention
Dimitri Yérémian
29109

1
L’épidémiologie mathématique et
informatique

Peut-on prévoir le déroulement d’une

épidémie?

2
 Plan d’étude
• Ⅰ- Définitions et études de modèles existants

• Ⅱ- Étude de la compatibilité de ces modèles

avec la pandémie de COVID-19

• Ⅲ - Étude d’une modélisation informatique

personnelle d’épidémie

3
 Qu’est ce que l’épidémiologie
mathématique?

L’épidémiologie mathématique consiste à modéliser

une épidémie grâce à :

1 - Paramétrage des facteurs nécessaires à la

description de l’épidémie

2 - Mise en équations et résolution

3 - Comparaison avec des statistiques réelles

4
 Modèles compartimentaux
Les modèles compartimentaux consistent à :

1 - Diviser la population en plusieurs

compartiments : les individus Susceptibles (S),
Infectieux (I)...

2 -Décrire les interactions et les échanges entre

ces groupes
5
 Notations des modèles
compartimentaux usuels
• N = population totale étudiée
• S désigne le nombre de susceptibles à un instant t
• I désigne le nombre d’infectieux à un instant t
• E désigne le nombre d’exposés à un instant t
• R désigne le nombre de personnes guéries et
immunisées à un instant t
• X’ désigne la dérivée d’une grandeur X par rapport au
temps
• β désigne le taux de contagion
• γ désigne le taux de guérison
• µ désigne le taux de létalité

6
 Le modèle SIS
• Le modèle SIS (Susceptible-Infectieux-Susceptible) décrit une
épidémie dont les individus guéris ne sont pas considérés
immunisés.

• Il consiste à diviser la population en deux compartiments : les

individus Susceptibles et les Infectieux

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.

Il consiste à diviser la population en trois compartiments :

• Susceptibles
• Infectieux
• Retirés (guéris et immunisés)

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 :

β = R0* γ (Capacité d’un virus à se transmettre)

Choix du modèle SIR :

Modélisation du début de l’épidémie :

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 :

• λ = [β1 (A1 + I1 + A2) + β2 I2] (1 − c).

19
 Calcul du nombre de reproduction de
base R0 avec prise en compte de
sévérité différentielle
• R0 : nombre moyen attendu de cas générés par
un cas dans une population où tous les
individus sont sensibles à l'infection.

infections causées par une infections secondaires

infections engendrées par les
infection symptomatique peu causées par les cas sévères
asymptomatiques A1 et A2
sévère I1 et symptomatiques I2

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.

II. Recherche de la composante géante du graphe

A. Suppression des liaisons multiples et des liaisons avec soi-même des
sommets.
B. Recherche de l’agrégat géant initial du graphe et obtention de la liste des
sommets appartenant à l’agrégat géant.

III. Tracé de la transition de percolation et résultats

A. On garde aléatoirement une fraction phi d'arête entre les sommets.
B. On trace le graphe aléatoire, qui peut être amélioré par un « lissage ».
C. Comparaison de la propagation dans différentes populations et
appréhension du seuil de percolation (résilience). 22
 I. Modèle de graphe aléatoire choisi
A. Le graphe est représenté par une liste ou une
matrice d’adjacence
Exemple :

Matrice d'adjacence 4x4:

M = [[1,0,0,2], [0,0,1,3], [0,1,1,1], [2,3,1,0]]

Liste correspondante :
L = [[0,3], [2,3], [1,2,3], [0,1,2]]

→ Passage de l’une à l’autre : rôle des fonctions « matrice_a_liste » et « liste_a_matrice23»

B. Chaque sommet se voit attribuer un nombre de demi
arête selon une loi de Poisson.
P(X=k) = exp(-c)*(c**k)/(k!)
→ Rôle des fonctions : « fonction_repartition » et « degre_sommet »

C. Les demi arêtes sont reliées aléatoirement, on obtient

la liste représentant le graphe

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 »

B. Recherche de l’agrégat géant du graphe et obtention

de la liste des sommets appartenant à l’agrégat géant

Exemple :

L’agrégat géant est

représenté par la liste :
[2, 3, 4, 5, 6, 7, 8]
→ Rôle des fonctions
« liste_agregat_numsommet »
25
et « agregat_geant »
 III. Tracé de la transition de percolation et résultats

C. Comparaison de la propagation dans différentes populations et

appréhension du seuil de percolation (résilience).

Quatre courbes issues Trois courbes

de quatre : issues de trois :
« graphe(3,500) » « graphe(3,7000) » 26
 Comparaison de graphes pour des valeurs de « n » différentes

Paramètres des courbes :

(2,500) ; (2,1000) ; (2,2000)

Paramètres des courbes :

(6,500) ; (6,1000) ; (10,2000)
27
Comparaison de graphes pour des valeurs de « c » différentes

Paramètres des Paramètres des

courbes : (3,1000) ; courbes : (4,2000) ;
(5,1000) ; (10,1000) (6,2000) ; (10,2000)
Bleu : graphe(4,2000)

Paramètres des courbes :

(5,2000) ; (10,2000)
28
 CONCLUSION

• Ce modèle peut être utilisé pour caractériser différents

phénomènes de transmission au sein d’un réseau. Par
exemple des épidémies, des feux de forêts ou des réseaux
de connexion internet. Il peut donc être utilisé en
recherche.
• L’aléatoire de la transmission de notre épidémie peut-être
critiquée par le fait qu’une maladie peut-être plus ou
moins transmise en fonction de différents facteurs :
immunologie des personnes considérées, durée de contact
nécessaire…

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.

→ Extraits (pour cette

diapositive et la suivante)
41
de la fonction « graphe »
 B. On trace le graphe aléatoire, qui peut être amélioré
par un « lissage »

→ Rôle de
« lissage »
effectué par
la fonction
« moyenne »

42