En raison de l'amélioration continue de la technologie des transports, les gens voyagent plus que jamais auparavant. Bien que cette connexion renforcée entre pays lointains présente de nombreux avantages, elle constitue également une menace sérieuse pour le contrôle et la prévention des maladies. Lorsque des humains infectés se rendent dans des régions exemptes de leurs contagions particulières, ils pourraient transmettre par inadvertance leurs infections aux résidents locaux et provoquer des épidémies. Ce processus s'est produit à plusieurs reprises tout au long de l'histoire; quelques exemples récents incluent l'épidémie de SRAS en 2003, la pandémie de grippe H1N1 en 2009, et, plus particulièrement, la pandémie de COVID-19 en cours.

Les cas importés remettent en cause la capacité des pays non endémiques – des pays où la maladie en question ne se produit pas régulièrement – ​​à éliminer complètement la contagion. Lorsqu'il est combiné avec des facteurs supplémentaires tels que la mutation génétique chez les agents pathogènes, ce problème rend l'éradication mondiale de nombreuses maladies extrêmement difficile, sinon impossible. Par conséquent, réduire le nombre d'infections est généralement un objectif plus réalisable. Mais pour maîtriser une maladie, les agences de santé doivent comprendre comment les voyages entre des régions distinctes ont un impact sur sa propagation.

Dans un journal publié mardi dans le Revue SIAM de Mathématiques Appliquées , Daozhou Gao de l'Université normale de Shanghai a étudié la manière dont la dispersion humaine affecte le contrôle de la maladie et l'étendue totale de la propagation d'une infection. Peu d'études antérieures ont exploré l'impact des mouvements humains sur la taille de l'infection ou la prévalence de la maladie - définie comme la proportion d'individus dans une population qui sont infectés par un agent pathogène spécifique - dans différentes régions. Ce domaine de recherche est particulièrement pertinent lors de flambées épidémiques graves, lorsque les dirigeants gouvernants peuvent réduire considérablement la mobilité humaine en fermant les frontières et en restreignant les déplacements. Pendant ces périodes, il est essentiel de comprendre comment la limitation des mouvements des personnes affecte la propagation de la maladie.

Pour examiner la propagation de la maladie dans une population, les chercheurs utilisent souvent des modèles mathématiques qui classent les individus en plusieurs groupes distincts, ou "compartiments". Dans son étude, Gao a utilisé un type particulier de modèle compartimental appelé modèle de patch sensible-infecté-sensible (SIS). Il a divisé la population dans chaque parcelle - un groupe de personnes comme une communauté, ville, ou pays — en deux compartiments :les personnes infectées qui ont actuellement la maladie désignée, et les personnes susceptibles de l'attraper. La migration humaine relie ensuite les patchs. Gao a supposé que les sous-populations sensibles et infectées se sont propagées au même rythme, ce qui est généralement vrai pour des maladies comme le rhume qui n'affectent souvent que légèrement la mobilité.

Chaque patch du modèle SIS de Gao présente un certain risque d'infection qui est représenté par son numéro de reproduction de base (R 0 )—la quantité qui prédit le nombre de cas qui seront causés par la présence d'une seule personne contagieuse au sein d'une population sensible. "Plus le nombre de reproduction est grand, plus le risque d'infection est élevé, " a déclaré Gao. " Ainsi, le nombre de reproductions de patchs d'un patch à haut risque est supposé être supérieur à celui d'un patch à faible risque. " Cependant, ce nombre ne mesure que le potentiel de transmission initial; il peut rarement prédire l'étendue réelle de l'infection.

Gao a d'abord utilisé son modèle pour étudier l'effet des mouvements humains sur le contrôle de la maladie en comparant les tailles totales d'infection qui se sont produites lorsque les individus se sont dispersés rapidement par rapport à lentement. Il a découvert que si tous les correctifs récupèrent au même rythme, une grande dispersion entraîne plus d'infections qu'une petite dispersion. Étonnamment, une augmentation de la quantité par laquelle les gens se propagent peut réellement réduire R 0 tout en augmentant le nombre total d'infections.

Le modèle de patch SIS peut également aider à élucider l'impact de la dispersion sur la distribution des infections et la prévalence de la maladie au sein de chaque patch. Sans diffusion entre les patchs, un patch à haut risque aura toujours une prévalence plus élevée de la maladie, mais Gao s'est demandé si la même chose était vraie lorsque les gens peuvent voyager vers et depuis cette zone à haut risque. Le modèle a révélé que la diffusion peut réduire la taille de l'infection dans le patch le plus à risque, car elle exporte plus d'infections qu'elle n'en importe, mais cela augmente par conséquent les infections dans le patch présentant le risque le plus faible. Cependant, il n'est jamais possible pour le patch le plus risqué d'avoir la prévalence de la maladie la plus faible.

À l'aide d'une simulation numérique basée sur le rhume, dont les attributs sont bien étudiés, Gao a approfondi l'impact de la migration humaine sur la taille totale d'une infection. Lorsque Gao n'a incorporé que deux patchs, son modèle présentait une grande variété de comportements dans différentes conditions environnementales. Par exemple, la dispersion des humains a souvent conduit à une plus grande taille d'infection totale que l'absence de dispersion, mais la diffusion humaine rapide dans un scénario a en fait réduit la taille de l'infection. Dans des conditions différentes, une petite dispersion était préjudiciable, mais une grande dispersion s'est finalement avérée bénéfique pour la gestion de la maladie. Gao classe complètement les combinaisons de paramètres mathématiques pour lesquels la dispersion provoque plus d'infections par rapport à un manque de dispersion dans un environnement à deux patchs. Cependant, la situation devient plus complexe si le modèle intègre plus de deux patchs.

Une enquête plus approfondie sur l'approche de modélisation des correctifs SIS de Gao pourrait révéler des informations plus nuancées sur la complexité de l'impact des restrictions de voyage sur la propagation de la maladie, ce qui est pertinent pour les situations du monde réel, telles que les fermetures de frontières pendant la pandémie de COVID-19. "À ma connaissance, c'est peut-être le premier travail théorique sur l'influence des mouvements humains sur le nombre total d'infections et leur répartition, " a déclaré Gao. " Il existe de nombreuses directions pour améliorer et étendre le travail en cours. " Par exemple, les travaux futurs pourraient explorer le résultat d'une interdiction de certains itinéraires de voyage seulement, comme lorsque les États-Unis ont interdit les voyages en provenance de Chine pour empêcher la propagation du COVID-19 mais n'ont pas réussi à bloquer les cas entrants en provenance d'Europe. La poursuite des recherches sur ces effets complexes peut aider les agences de santé et les gouvernements à développer des mesures éclairées pour contrôler les maladies dangereuses.