Les chercheurs découvrent des incertitudes substantielles dans les simulations de pandémie de COVID-19

Selon une étude menée par Centrum Wiskunde & Informatica publiée dans Nature Computational Science, la modélisation informatique pour prévoir la mortalité de Covid-19 contient une incertitude significative dans ses prévisions

Alors que dans une expérience physique, il est courant de fournir des barres d'erreur avec les valeurs mesurées, les chercheurs soulignent que les prédictions d'un modèle informatique manquent souvent d'une mesure de l'incertitude. Ceci en dépit du fait que ces modèles sont indéniablement incertains et sont utilisés dans la prise de décision de haut niveau. Les chercheurs ont fait valoir que les prédictions informatiques sans barres d'erreur peuvent brosser un tableau très incomplet, ce qu'elles ont démontré dans une étude récente avec un modèle informatique utilisé pour évaluer les scénarios d'intervention COVID-19.

Selon les chercheurs, pour les modèles avec un nombre élevé de paramètres comme CovidSim, il est très difficile d'étudier quel effet les incertitudes dans les paramètres d'entrée ont sur les incertitudes dans la sortie. Avoir de nombreux paramètres signifie que les coûts de calcul seront excessivement élevés - souvent mentionnés comme la «malédiction de la dimensionnalité». Les chercheurs souhaitent faire les calculs aussi efficacement que possible, en identifiant les paramètres les plus importants pour les incertitudes de sortie. En se concentrant sur ces paramètres, il devient possible de faire de bonnes prédictions probabilistes, utilisé par les gouvernements pour leurs décisions.

Selon les chercheurs, les nouvelles méthodes sont très efficaces. En testant la robustesse de CovidSim, l'équipe de recherche a constaté que, bien que le code contienne 940 paramètres, 60 étaient importants et, parmi eux, seuls 19 dominaient la variance des prévisions de sortie. La moitié de la variation globale de leurs résultats était réduite à seulement trois des 940 paramètres d'entrée: la période de latence de la maladie, le délai d'auto-isolement d'une personne infectée et l'efficacité de la distanciation sociale. Alors que la période de latence est un paramètre biologique, les deux autres (et pas mal d'autres qui ont été influents) sont liés aux scénarios d'intervention et au comportement humain. Bien qu'ils représentent une tâche de modélisation difficile, contrairement aux aspects biologiques, ces paramètres (et les phénomènes qu'ils modélisent) peuvent être influencés par la politique gouvernementale.