Covid-19: l’IA confirme à 98,5% qu’une 2ème vague n’aura pas lieu cet été ou l’hiver prochain selon une modélisation réalisée par les data scientists de Devoteam

05 juin 2020

Pas de scénario noir d’une 2ème vague du Covid-19 pour cet été ou l’hiver prochain. L’étude réalisée par les data scientists de Devoteam, basée sur la modélisation IA de la propagation et de la virulence de la pandémie du Covid-19 en France, révèle que la probabilité d’une deuxième vague est extrêmement faible, avec un taux inférieur à 1,5%.

Elle esquisse les scénarios pour l’après-confinement. Si les différentes mesures sont correctement appliquées, la courbe de l’épidémie s’aplatira, avec un nombre de décès de  30 293 en France au 15 juillet, soit 1 272 de plus qu’aujourd’hui (29 021 au 4 juin). Le virus aura perdu de sa force pour le début des départs en vacances d’été.

Certes, le nombre de personnes contaminées risque d’augmenter légèrement à nouveau avec l’hiver qui arrive, mais il n’aura pas pour conséquence une augmentation drastique de la mortalité. En effet, nous avons plus de recul sur le  virus et son impact sur l’organisme dans différents cas de figure : personne saine, personne diabétique, personne âgée, personne avec facteur de risque cardiovasculaire etc.
De plus, la France a développé une expertise de diagnostic précoce de la maladie sans attendre les résultats du test PCR et l’évaluation des symptômes primaires et primo-secondaires de la maladie. Par conséquent, la prise en charge est beaucoup plus rapide, ce qui réduit considérablement la mortalité chez les personnes à risques – et encore davantage chez les personnes jeunes à risques, puisqu’ils sont plus réactifs au soins lorsque le diagnostic est précoce, contrairement aux personnes âgées.    

Ces scénarios sont basés sur la continuité des règles de prudence, notamment le dépistage et l’isolement de toute personne symptomatique ainsi que le traçage systématique de ses contacts, le maintien des distanciations sociales et le port du masque généralisé. 

Dans les modélisations, la saisonnalité de la maladie n’a pas été prise en compte”, explique Aymen Chakhari, Directeur de l’IA chez Devoteam. “On ne sait pas encore quel impact l’été peut avoir sur le virus, ni le comportement des populations. Ces modèles servent toutefois à faire des simulations en se basant sur diverses hypothèses pour modéliser l’évolution de l’épidémie.”

Les modélisations basées sur l’IA aboutissent à des conclusions optimistes, alors même que certaines hypothèses de base sont particulièrement prudentes.

Sans être des prédictions, ces modèles donnent néanmoins de l’espoir : le Covid-19 n’est certes pas encore derrière nous et est loin d’avoir disparu. Toutefois, adapter notre mode de vie et appliquer les mesures nécessaires dans les mois à venir nous permettra de vivre avec le virus plutôt que de le subir et éviter ainsi un nouveau confinement strict, dévastateur pour l’économie et la société.

Cette étude est fondée sur des approches hybrides de type régression couplées avec des modèles d’apprentissage par renforcement, les approches de type BANDIT (machine à sous) et le Bayesian SEIR model [1].

Elle tient compte des signes primaires et primo-secondaires de la maladie COVID-19 et des données communiquées par les services des urgences pour les motifs de consultations ou les motifs des appels du 15. 

L’équipe de data scientists a utilisé des approches NLP (Natural Language Processing) pour extraires des informations pertinentes de plusieurs questionnaires utilisés par des urgentistes après le déconfinement. L’idée est de pointer des symptômes inquiétants qui auraient pu être minorés par un patient positif non dépisté, en tenant compte par exemple des symptômes spécifiques aux personnes âgées (confusion, chute, aggravation de l’état général…), et ensuite de donner des scores de contamination et d’aggravation à ces personnes,  (réanimation ou pas, avec un pourcentage de décès, en se basant sur les protocoles utilisés en urgence), en fonction d’autres paramètres comme le nombre de personnes de leur entourage, l’âge, le sexe et autre. 

Ces différents scores extraits sont ensuites injectés dans notre modèle selon un processus stochastique probabiliste mixé avec un modèle de clustering fin de la population française (âge, sexe, département, comportement par département, …).

Sources :

[1] https://wp.bcamath.org/news/en/seir-bayesian-model/

devoteam