Depuis deux ans, la pandémie de COVID-19 contraint le système hospitalier et a des conséquences sur le parcours de soin des patients. Afin de soutenir la planification des activités hospitalières, il est important d’anticiper au mieux les besoins hospitaliers des patients COVID-19 et de continuer à améliorer les modèles prédictifs.
Dans cette étude publiée dans la revue PNAS, les chercheurs de l’unité Modélisation mathématique des maladies infectieuses à l’Institut Pasteur ont identifié les variables prédictives les plus pertinentes pour anticiper les besoins hospitaliers et proposent d’utiliser un modèle d’ensemble, consistant à faire la moyenne des projections de plusieurs modèles individuels.
Les chercheurs ont tout d’abord évalué l’efficacité de 12 modèles individuels et de 19 variables prédictives ou « prédicteurs », tels que des données épidémiologiques (par exemple nombre de cas), météorologiques ou de mobilité (par exemple fréquentation des transports en commun). Les chercheurs montrent que les modèles qui intègrent ces variables prédictives précoces sont plus performants. L’erreur moyenne de prédiction est réduite de moitié pour une prédiction à 14 jours. « Ces variables précoces détectent plus rapidement des changements dans la dynamique de l’épidémie. » précise Simon Cauchemez, responsable de l’unité Modélisation mathématique des maladies infectieuses à l’Institut Pasteur, dernier auteur de l’étude. « Par ailleurs, les modèles les plus performants utilisaient au moins un prédicteur épidémiologique et un prédicteur de mobilité. » complète-t-il. L’ajout d’une variable météorologique apporte un gain moins important.
Les scientifiques ont ensuite construit un modèle d’ensemble en prenant la moyenne de plusieurs modèles individuels et ont testé ce modèle de manière rétrospective, en utilisant les données épidémiologiques de mars 2021 à juillet 2021. Cette approche est déjà utilisée pour les prévisions climatiques. « Notre étude montre qu’il est préférable de construire un modèle d’ensemble. Cela permet de réduire le risque que la trajectoire prédite soit trop influencée par les hypothèses d’un modèle spécifique. » explique Juliette Paireau, ingénieure de recherche au sein de l’unité Modélisation mathématique des maladies infectieuses à l’Institut Pasteur et co-première auteure de l’étude.
Ce modèle d’ensemble est utilisé pour le suivi de l’épidémie au niveau national depuis le 15 janvier 2021.
Cette étude met en évidence une approche qui permet d’améliorer l’anticipation des besoins hospitaliers des patients COVID-19 en intégrant différents modèles de prédiction basés sur des prédicteurs précoces.
Retrouvez tous les résultats de cette étude sur l'espace modélisations
https://modelisation-covid19.pasteur.fr/realtime-analysis/hospital/
Source :
An ensemble model based on early predictors to forecast COVID-19 health care demand in France, April 27, 2022, PNAS
Juliette Paireaua,b,1, Alessio Andronicoa,1, Nathanaël Hozéa, Maylis Layana, Pascal Crepeyc, Alix Roumagnacd, Marc Laviellee,f , Pierre-Yves Boëlleg, and Simon Cauchemez a
a Mathematical modelling of Infectious Diseases Unit, Institut Pasteur, Université Paris Cité, CNRS UMR 2000, 75015 Paris, France
b Direction des Maladies Infectieuses, Santé publique France, 94415 Saint Maurice, France
c Arènes-UMR 6051, RSMS-U 1309, Ecole des Hautes Etudes en Santé Publique, INSERM, CNRS, Université de Rennes, 35043 Rennes, France
d Predict Services, 34170 Castelnau-le-Lez, Francee INRIA, 91120 Palaiseau, France
f Centre de Mathématiques Appliquées, Ecole Polytechnique, CNRS, Institut Polytechnique de Paris, 91128 Palaiseau, France
g Institut Pierre Louis d'Epidémiologie et de Santé Publique, INSERM, Sorbonne Université, 75012 Paris, France
1 J.P. and A.A. contributed equally to this work
