Cette figure montre la prédiction du modèle du nombre de cas infectés pour les États-Unis selon son modèle actuel avec contrôle de quarantaine et l'explosion exponentielle du nombre de cas infectés si les mesures de quarantaine étaient assouplies. D'autre part, passer à des mesures de quarantaine plus strictes telles que mises en œuvre à Wuhan, Italie, et la Corée du Sud pourrait conduire à un plateau plus tôt dans le nombre de cas infectés. Crédit :Massachusetts Institute of Technology
Chaque jour depuis quelques semaines, des tableaux et des graphiques traçant le sommet prévu des infections au COVID-19 ont été éclaboussés dans les journaux et les informations par câble. Bon nombre de ces modèles ont été construits à partir de données d'études sur des épidémies antérieures comme le SRAS ou le MERS. Maintenant, une équipe d'ingénieurs du MIT a développé un modèle qui utilise les données de la pandémie de COVID-19 en conjonction avec un réseau de neurones pour déterminer l'efficacité des mesures de quarantaine et mieux prédire la propagation du virus.
« Notre modèle est le premier qui utilise les données du coronavirus lui-même et intègre deux domaines :l'apprentissage automatique et l'épidémiologie standard, " explique Raj Dandekar, un doctorat candidat étudiant en génie civil et environnement. Avec George Barbastathis, professeur de génie mécanique, Dandekar a passé les derniers mois à développer le modèle dans le cadre du projet final de la classe 2.168 (Learning Machines).
La plupart des modèles utilisés pour prédire la propagation d'une maladie suivent ce que l'on appelle le modèle SEIR, qui regroupe les personnes en « sensibles, " "exposé, " "infecté, " et " récupéré ". Dandekar et Barbastathis ont amélioré le modèle SEIR en formant un réseau de neurones pour capturer le nombre d'individus infectés qui sont en quarantaine, et donc ne plus propager l'infection à d'autres.
Le modèle constate que dans des endroits comme la Corée du Sud, où il y a eu une intervention immédiate du gouvernement dans la mise en œuvre de mesures de quarantaine strictes, la propagation du virus s'est stabilisée plus rapidement. Dans les endroits qui ont été plus lents à mettre en œuvre les interventions gouvernementales, comme l'Italie et les États-Unis, le « nombre de reproduction effectif » de COVID-19 reste supérieur à un, ce qui signifie que le virus a continué à se propager de façon exponentielle.
L'algorithme d'apprentissage automatique montre qu'avec les mesures de quarantaine actuelles en place, le plateau pour l'Italie et les États-Unis arrivera quelque part entre le 15 et le 20 avril. Cette prédiction est similaire à d'autres projections comme celle de l'Institute for Health Metrics and Evaluation.
"Notre modèle montre que les restrictions de quarantaine réussissent à faire passer le nombre de reproduction effectif de plus d'un à plus petit, " dit Barbastathis. " Cela correspond au point où nous pouvons aplatir la courbe et commencer à voir moins d'infections. "
Quantifier l'impact de la quarantaine
Début février, alors que les nouvelles du taux d'infection troublant du virus ont commencé à faire les gros titres, Barbastathis a proposé un projet aux élèves de la classe 2.168. A la fin de chaque semestre, les étudiants de la classe sont chargés de développer un modèle physique pour un problème dans le monde réel et de développer un algorithme d'apprentissage automatique pour le résoudre. Il a proposé qu'une équipe d'étudiants travaille sur la cartographie de la propagation de ce qui était alors simplement connu sous le nom de « coronavirus ».
« Les étudiants ont sauté sur l'occasion pour travailler sur le coronavirus, vouloir immédiatement s'attaquer à un problème d'actualité à la manière typique du MIT, " ajoute Barbastathis.
L'un de ces étudiants était Dandekar. "Le projet m'a vraiment intéressé car j'ai pu appliquer ce nouveau domaine de l'apprentissage automatique scientifique à un problème très urgent, " il dit.
Alors que COVID-19 commençait à se propager à travers le monde, la portée du projet s'est élargie. Ce qui avait commencé à l'origine comme un projet visant uniquement à se propager à Wuhan, La Chine a grandi pour inclure également la propagation en Italie, Corée du Sud, et les États-Unis.
Schéma du réseau neuronal basé sur la physique utilisé pour coder les informations sur la fonction de force de quarantaine, Q(t). Crédit :Massachusetts Institute of Technology
Le duo a commencé à modéliser la propagation du virus dans chacune de ces quatre régions après l'enregistrement du 500e cas. Cette étape a marqué une délimitation claire de la façon dont les différents gouvernements ont mis en œuvre les ordonnances de quarantaine.
Armé de données précises de chacun de ces pays, l'équipe de recherche a pris le modèle SEIR standard et l'a augmenté d'un réseau de neurones qui apprend comment les personnes infectées en quarantaine ont un impact sur le taux d'infection. Ils ont entraîné le réseau neuronal à travers 500 itérations afin qu'il puisse ensuite apprendre lui-même à prédire les modèles de propagation de l'infection.
En utilisant ce modèle, l'équipe de recherche a pu établir une corrélation directe entre les mesures de quarantaine et une réduction du nombre effectif de reproduction du virus.
"Le réseau de neurones apprend ce que nous appelons la" fonction de force de contrôle de la quarantaine, '", explique Dandekar. En Corée du Sud, où des mesures fortes ont été mises en place rapidement, la fonction de force de contrôle de quarantaine a été efficace pour réduire le nombre de nouvelles infections. Aux Etats-Unis, où les mesures de quarantaine ont été lentement déployées depuis la mi-mars, il a été plus difficile d'arrêter la propagation du virus.
Prédire le "plateau"
À mesure que le nombre de cas dans un pays particulier diminue, le modèle de prévision passe d'un régime exponentiel à un régime linéaire. L'Italie a commencé à entrer dans ce régime linéaire début avril, avec les États-Unis pas loin derrière.
L'algorithme d'apprentissage automatique développé par Dandekar et Barbastathis a prédit que les États-Unis commenceraient à passer d'un régime exponentiel à un régime linéaire au cours de la première semaine d'avril, avec une stagnation du nombre de cas infectés probablement entre le 15 avril et le 20 avril. Cela suggère également que le nombre d'infections atteindra 600, 000 aux États-Unis avant que le taux d'infection ne commence à stagner.
"C'est un moment vraiment crucial. Si nous assouplissons les mesures de quarantaine, cela pourrait conduire au désastre, " dit Barbastathis.
Selon Barbastathis, il suffit de se tourner vers Singapour pour voir les dangers qui pourraient découler d'un assouplissement trop rapide des mesures de quarantaine. Bien que l'équipe n'ait pas étudié les cas de COVID-19 de Singapour dans ses recherches, la deuxième vague d'infection que connaît actuellement ce pays reflète les conclusions de leur modèle sur la corrélation entre les mesures de quarantaine et le taux d'infection.
« Si les États-Unis suivaient trop tôt la même politique d'assouplissement des mesures de quarantaine, nous avons prédit que les conséquences seraient bien plus catastrophiques, " ajoute Barbastathis.
L'équipe prévoit de partager le modèle avec d'autres chercheurs dans l'espoir qu'il puisse aider à éclairer les stratégies de quarantaine COVID-19 qui peuvent ralentir avec succès le taux d'infection.
Cette histoire est republiée avec l'aimable autorisation de MIT News (web.mit.edu/newsoffice/), un site populaire qui couvre l'actualité de la recherche du MIT, innovation et enseignement.
