Utilisation des données mobiles pour lutter contre les épidémies

• Décisions et connaissance
• Données personnelles
• Pays émergents numériques
• Santé
• Société numérique soutenable

Partager sur Twitter : Utilisation des données mobiles pour lutter contre les épidémies (Nouvelle fenêtre) Partager sur Linkedin : Utilisation des données mobiles pour lutter contre les épidémies (Nouvelle fenêtre)

Au-delà de la contagion biologique (la transmission d’un agent pathogène d’un individu à un autre, et d’un lieu à un autre), il existe un autre élément de diffusion, plus social, susceptible d’affecter les processus d’infection. Il s’agit de la propagation des idées et pensées (c’est-à-dire les normes relatives aux comportements en matière de santé tels que la consommation d’alcool et de cigarettes, l’adoption des mesures de prévention, le suivi du traitement). Les facteurs de comportements individuels sont devenus des éléments clés de la transmission des maladies, au centre des enquêtes sur leur dynamique et leur contrôle.

La capacité de surveillance traditionnelle, qui s’appuie sur le signalement et la confirmation des cas rencontrés dans les établissements de santé, souffre de flux d’informations de mauvaise qualité et parfois lents. Dans les pays où les niveaux de revenu sont faibles ou intermédiaires, qui sont les régions les plus vulnérables aux menaces des maladies infectieuses épidémiques émergentes, l’accès limité aux établissements de santé et les infrastructures d’information inadaptées rendent la surveillance difficile. Cependant, la diffusion d’informations sanitaires précieuses se fait déjà via les réseaux sociaux, médias de presse et appareils mobiles, et se montre extrêmement prometteuse pour venir en renfort des efforts de santé publique mondiaux, avec la disponibilité de nouvelles formes de données [1-3].

Une part croissante de ce que nous faisons, pensons et disons se fait sous une forme numérique, rendant ainsi ces informations accessibles et analysables. Les données relatives aux comportements humains et aux interactions sociales sont aujourd’hui produites en très grandes quantités. L’explosion de l’utilisation des téléphones mobiles et d’Internet a considérablement accru le volume de ces informations, et la vitesse à laquelle elles sont enregistrées et rendues accessibles.

Le mobile est devenu l’un des principaux capteurs à même de rendre compte des habitudes des populations même dans des pays en développement, où les taux de pénétration varient de 65 % en Ouganda à 83 % au Ghana [4]. En 2014, les Nations Unies ont d’ailleurs demandé que les données des téléphones mobiles soient utilisées en soutien du développement durable [5].

Les comptes rendus d’appels (CRA), enregistrés à grande échelle par les opérateurs télécom à des fins de facturation, contiennent des informations très détaillées sur qui a appelé qui, pendant combien de temps, et d’où. Elles ont le potentiel de transformer en profondeur notre façon de combattre les maladies.

Nous présentons ici une méthode pour extraire des informations comportementales utiles à partir des données mobiles, et comment elles peuvent être utilisées pour mieux comprendre la dynamique de contagion d’une maladie, prédire son évolution et mettre au point des moyens de la contrôler.

Modélisation des épidémies : penser le social

Lorsqu’on s’intéresse à la propagation des maladies infectieuses, il faut s’intéresser aux individus, qui se déplacent dans plusieurs lieux, sont parfois en contact direct ou indirect avec d’autres individus, et transmettent des agents pathogènes infectieux ou des vecteurs de maladie (par ex. moustiques, tiques) qu’ils transportent avec eux.

Les approches traditionnelles de la modélisation des épidémies sont basées sur l’hypothèse que ces déplacements et ces contacts sont aléatoires. Pour autant, la dynamique de propagation des épidémies n’est pas si simple : il existe une structure au sein de la société, qui organise les déplacements et les interactions des individus, dans des schémas récurrents et hétérogènes.

Les approches les plus récentes en matière de modélisation des épidémies reconnaissent l’importance de la structure des populations et des schémas d’interaction et de mobilité comme éléments susceptibles d’affecter considérablement la probabilité de propagation des maladies. La première étape pour prendre en compte cette complexité consiste à intégrer les informations relatives à la situation géographique dans les modèles épidémiologiques traditionnels. Quels itinéraires les individus empruntent-ils ? Avec qui interagissent-ils ? Il est désormais possible de répondre à ces questions grâce à la prolifération des téléphones mobiles.

Dans ce court article (voir [6] pour une version complète), nous présentons un modèle épidémiologique permettant de prédire la propagation théorique au niveau national d’une maladie infectieuse, basé sur l’ensemble des données de CRA de Côte d’Ivoire. Une population naturelle vivant dans une zone géographique étendue (par ex. un pays) sera découpée en n sous-régions, où se trouvent présents un ensemble d’individus ; ces individus se déplacent d’une sous-région à l’autre, selon un réseau de mobilité déduit du suivi des téléphones mobiles. Au sein de chaque sous-région géographique, les individus peuvent être en contact les uns avec les autres, et changer d’état de santé en fonction de la dynamique de la maladie. Ainsi, le système évoluera sous l’action de deux processus : la contagion de la maladie, et la mobilité des individus.

La première étape consiste à modéliser le processus de propagation de la maladie au moyen d’un modèle épidémiologique de type SEIR. Celui-ci modélise avant tout l’évolution d’une maladie en fonction des transitions des individus entre les différents états de santé (ici SEIR signifie « Susceptible, Exposed, Infected and Recovered », soit « Susceptible d’être infecté, Exposé, Infecté, Guéri »). La durée de ces transitions dépend de paramètres spécifiques à chaque maladie. Nous avons utilisé les valeurs des paramètres estimées à partir de l’épidémie d’Ebola en Sierra Leone en 2014.

Le processus de contagion intra-régional et les déplacements des individus entre les sous-régions géographiques sont simultanés.

Nous avons quantifié ces mouvements à l’aide des données des CRA. En effet, chaque fois qu’une personne utilise un téléphone mobile pour passer un appel, envoyer un SMS ou se connecter à Internet, un CRA est généré. L’enregistrement comprend l’identifiant de l’appelant et de l’interlocuteur, l’horodatage, la durée et le type de communication, ainsi qu’un identifiant de l’antenne relais qui a traité l’appel.

Les localisations et déplacements quotidiens des individus peuvent alors être rassemblés pour quantifier la mobilité des populations entre les 508 circonscriptions administratives ivoiriennes appelées sous-préfectures. Le modèle final est donné par la combinaison de ces deux niveaux et est décrit sous forme graphique par la Figure 2.

Figure 2 – Illustration schématique du modèle épidémiologique avec les dynamiques SEIR.

Sur la gauche, le réseau de sous-populations se compose de secteurs reliés les uns aux autres en fonction des déplacements des individus. Dans chaque sous-population, la transmission de la maladie se produit conformément au modèle SEIR. Les individus se déplacent ensuite entre les différents secteurs en fonction d’un schéma de mobilité spécifique décrit par les probabilités de transition (c’est-à-dire mij et mji).

Cela nous permet d’estimer l’évolution de l’épidémie au fil du temps, pour anticiper son cours et attirer l’attention sur ses conséquences si elle n’est pas contrôlée (Figure 3).

Figure 3 – Nombre total d’infections depuis le début des simulations, sur une période de sept mois

Outils d’action publique

Au-delà de la simple prévision, les modèles sont extrêmement pertinents pour évaluer l’effet des mesures visant à contenir l’épidémie, et pour orienter le niveau d’intervention. En effet, la propagation d’une maladie est un processus très hétérogène, avec certaines régions (ou même des individus) présentant un risque plus élevé que d’autres. Il est essentiel de comprendre ce caractère hétérogène pour ralentir la propagation d’une maladie, tout en optimisant l’utilisation des ressources disponibles.

Des travaux ont déjà montré que les comportements de mobilité des populations induisent des écarts significatifs dans la diffusion des maladies infectieuses. Nous étudions ici la corrélation entre le comportement de déplacement des individus et la diffusion des épidémies, afin de quantifier le risque d’être infecté et de transmettre une maladie infectieuse de la population à différentes échelles.

Notre première contribution consiste à utiliser ce modèle pour identifier les zones géographiques les plus vulnérables du pays. En nous appuyant sur la théorie des réseaux complexes, nous calculons le risque associé à chaque nœud (i.e. chaque lieu) en fonction de son accessibilité : plus l’accessibilité est élevée, plus la possibilité d’interactions entre individus l’est aussi. Ce risque est déterminé par le nombre de personnes se déplaçant vers ce lieu, la contribution de ces personnes étant elle-même fonction de l’accessibilité de la région d’où elles viennent.

Figure 4 – Nombre d’infections lors de la mise en quarantaine des sous-préfectures présentant le risque le plus élevé
(par ex. la première, les 5 premières et les 10 premières du classement)

La Figure 4 montre un exemple d’évaluation de mesures de restriction des déplacements entre différents ensembles de sous-préfectures à plus haut risque, sélectionnées en fonction de leur accessibilité. Le nombre de cas d’infections évolue en fonction des niveaux de restriction mis en place.

Pour aller encore plus loin, nous avons étudié le risque d’infection associé à des individus uniques en fonction de leurs profils de mobilité. De telles informations pourraient être particulièrement utiles pour cibler les campagnes de vaccination. Il est en principe suffisant d’immuniser une fraction de la population, mais cela dépend très fortement du comportement social et spatial de chaque individu. En effet, plus un individu est mobile, plus sa probabilité d’être infecté est élevée, et s’il est infecté, d’infecter alors d’autres individus. Il serait donc possible de mettre en place une campagne de vaccination sélective, grâce à l’évaluation de la probabilité pour chaque individu d’infecter ou d’être infecté, en fonction de son schéma de mobilité.

Pour cela, nous avons analysé les indicateurs de mobilité et étudié leur corrélation avec le risque de contagion des individus calculé dans notre modèle. Plus précisément, nous avons pris en compte trois perspectives essentielles :

• la portée spatiale, en termes de distance parcourue par l’individu (mesurée par le rayon de giration)
• la régularité ou l’hétérogénéité spatiale sur la séquence de lieux fréquentés (mesurée par l’entropie du mouvement)
• la fréquence de la mobilité (mesurée par le pourcentage de temps passé à la maison).

Comme indice supplémentaire permettant de quantifier le risque de contagion, nous avons examiné un modèle de risque hybride, appelé Progmosis, qui prend en compte à la fois le comportement en termes de mobilité des individus et la dynamique de l’épidémie elle-même.

Une fois encore, le modèle nous a permis de voir lequel de ces paramètres est le plus structurant, en identifiant les sous-populations d’individus présentant le plus haut risque comme meilleurs candidats pour des mesures de vaccination ou de mise en quarantaine. Comme le montre la Figure 5, en nous basant sur la modélisation des risques par Progmosis, nous avons pu déterminer que de telles mesures ont des effets significatifs sur la réduction du nombre d’infections lorsque ces mesures concernent au moins 20 % de la population.

Figure 5 – Nombre d’infections lorsque les individus présentant le risque le plus élevé font l’objet de mesures individuelles de vaccination ou de mise en quarantaine (c’est-à-dire 20 % de la population totale ; l’échantillon est sélectionné en fonction du profil de mobilité, élaboré à partir des indicateurs de mobilité décrits ci-contre)

Conclusion

Les approches présentées dans cet article fournissent des preuves supplémentaires que les données mobiles peuvent être exploitées efficacement pour permettre de mieux comprendre la dynamique des maladies infectieuses, le comportement des individus dans l’espace et le lien de ce dernier avec le risque de contagion. Nous apportons également la preuve que le succès des stratégies mises en place pour endiguer les épidémies peut s’appuyer sur l’identification de schémas de mobilité particuliers chez les individus.

L’un des plus grands défis posés est l’inclusion d’autres facteurs sociaux dans le modèle. La propagation d’une épidémie sur le terrain dépend des interactions des individus avec l’environnement extérieur, de la façon dont leur comportement s’adapte aux stimuli externes. En quoi la diffusion d’informations sur l’épidémie affecte-t-elle leur comportement ? Et comment, ensuite, cela affecte-t-il la progression de la maladie ? Ce sont des questions ouvertes, auxquelles nous ne pouvions répondre il y a 10 ans, et que nous sommes aujourd’hui en mesure d’aborder.