La science inexacte impliquée dans la prévision de la trajectoire probable de COVID-19

TORONTO –
Les experts en données mettent en garde les Canadiens déjà à l'affût de ne pas prendre à la lettre les prédictions désastreuses de l'Ontario concernant les décès dus au COVID-19, alors même que la révélation de données austères coïncidait avec plus de mesures physiques de distanciation et des appels passionnés du gouvernement et des responsables de la santé à rester à la maison.

Vendredi, le président et chef de la direction de Santé publique Ontario a déclaré que le fait de rester à la maison pourrait faire la différence entre 6 000 décès au 30 avril ou 1 600 décès. Le nombre de décès pourrait chuter à 200 si de nouvelles mesures sont prises, a déclaré le Dr Peter Donnelly.

Les responsables ont également donné un aperçu de ce qui pourrait se produire pendant la durée de l'épidémie, qui pourrait s'étendre de 18 mois à deux ans, mais a averti que ces scénarios deviennent moins sûrs à mesure qu'ils se préparent.

Si l'Ontario n'avait pas adopté diverses interventions, y compris des fermetures d'écoles, jusqu'à 100 000 personnes mourraient du COVID-19, a déclaré Donnelly. Mais avec diverses mesures de santé publique, les décès pourraient se situer entre 3 000 et 15 000, a-t-il déclaré.

Les experts en pandémie disent que de telles projections ne sont pas vraiment destinées à prédire l'avenir, mais plutôt à fournir un guide général aux décideurs politiques et aux systèmes de santé aux prises avec une pandémie croissante.

Idéalement, les informations devraient également garantir aux citoyens moyens que leurs actions individuelles peuvent faire la différence, a déclaré Ashleigh Tuite, professeur d'épidémiologie à l'Université de Toronto.

"Ce sont des commentaires très importants à partager non seulement au sein du gouvernement, mais avec la population en général, car tout le monde y investit énormément", a déclaré Tuite, qui a créé ses propres projections pour la propagation de COVID-19.

"La réponse peut être que cela va prendre plus de temps que nous ne le pensions. Et bien que ce ne soit pas la réponse souhaitée, c'est une réponse possible. Communiquer que cela va être vraiment critique, surtout si nous envisageons des horizons temporels plus longs."

Les responsables provinciaux de la santé ont exhorté le public à "sévir" contre les mesures d'isolement destinées à briser la chaîne de transmission du COVID-19, pointant vers les meilleurs et les pires scénarios qui, selon eux, dépendent largement de la conformité.

Les données ont été rapidement suivies par des nouvelles de fermetures supplémentaires, expliquant clairement pourquoi l'Ontario a soudainement poussé l'avertissement, dit Tuite.

"Nous sommes dans une situation où nous avons besoin de l'adhésion de tout le monde. Et donc je pense que traiter les gens comme des adultes et avoir ces conversations et expliquer ce que nous savons et ce que nous ne savons pas – et où nous apprenons et où nous avons potentiellement échoué – je ne pense pas que ce soit une mauvaise chose. En tant que société, nous devons avoir ce dialogue. "

Diverses hypothèses ont été utilisées pour établir le modèle de l'Ontario, et Donnelly a averti que «la modélisation et la projection sont une science très inexacte».

"Au tout début d'une épidémie, il s'agit de fournir aux décideurs politiques un guide précoce important sur ce qu'ils devraient faire. Et c'est ce qui s'est produit en Ontario", a-t-il déclaré.

"Parce que dès que la table de commandement a vu les chiffres qui suggéraient qu'il pourrait y avoir une mortalité globale entre 90 et 100 000, ils se sont déplacés très rapidement pour fermer les écoles, ce qui était la bonne chose à faire."

La modélisation est peut-être imparfaite, mais les décideurs opéreraient essentiellement à l'aveugle sans eux, explique Dionne Aleman, professeure en génie industriel à l'Université de Toronto.

Elle note que ces suppositions éclairées peuvent aider à répondre aux grandes questions qui pèsent sur de nombreux hôpitaux: quand arrivera la vague de patients COVID-19? Avons-nous suffisamment de lits de soins intensifs? Combien de patients auront besoin de ventilateurs? Y a-t-il suffisamment d'infirmières?

Pourtant, un modèle ne sera jamais aussi bon que les données sur lesquelles il est basé, et pendant une pandémie "il est essentiellement impossible d'obtenir des données réelles", dit Aleman, dont le travail a inclus la construction d'un modèle de simulation d'une pandémie hypothétique pour explorer comment des facteurs tels que les taux de transmission affectent les demandes de soins de santé.

«Les données réelles n'étaient pas vraiment disponibles pour le H1N1 il y a seulement 10 ans et elles ne sont pas vraiment disponibles maintenant», explique Aleman, notant de nombreux trous dans les statistiques COVID-19 disponibles pour une étude épidémiologique.

"Cela dépend en grande partie de la date à laquelle la personne est devenue séropositive au COVID-19, de la manière dont elle a contracté la maladie, de son âge et de son sexe. Mais beaucoup d'autres informations comme les comorbidités, telles que (si elles avaient) de l'asthme ou du diabète, ont-ils finalement eu besoin d'hospitalisation? Ventilateurs? Beaucoup de ces informations ne sont pas vraiment accessibles au public dans les ensembles de données … Ce n'est pas seulement qu'elles ont été supprimées, mais elles disent littéralement: "Non enregistrées" ou "Inconnues" signifie que ces informations ne sont tout simplement pas connues des agences de santé publique. "

Même avec de bonnes données, les modèles résument à peu près ce que nous savons à un moment donné, explique Tuite. À mesure que de plus amples informations seront recueillies, leurs conclusions changeront.

Tuite déconseille aux gens de s'appuyer sur les projections comme un fait. Elle dit également que les gens ne devraient pas les ignorer lorsque leurs prévisions ne se réalisent pas.

"Les informations que nous obtiendrons la semaine prochaine pourraient modifier ces projections. Et c'est OK", explique Tuite.

"Vous avez vu cela au Royaume-Uni où ils affinent leurs estimations de la mortalité attendue. Ils ne les affinent pas parce que leurs modèles étaient faux en soi. Ils les affinent parce qu'ils ont des informations supplémentaires … La capacité vous corriger ou ajuster ces estimations, est pour moi le signe d'une bonne science. "

Ce rapport de La Presse canadienne a été publié pour la première fois le 4 avril 2020.