Résumé technique : Modélisation de données adverses en épidémiologie

Énoncé du problème

La modélisation épidémiologique repose de plus en plus sur des données comportementales autodéclarées et issues du crowdsourcing (ex. : statut vaccinal, port du masque, distanciation sociale) pour prévoir la transmission des maladies et guider les interventions non pharmaceutiques (INP). Cependant, ces données ne sont pas échantillonnées de manière passive ; elles sont rapportées de manière stratégique. Les individus omettent ou falsifient souvent leurs comportements pour éviter des sanctions, accéder à des avantages ou en raison d'une méfiance envers les autorités de santé publique (ASP). Ce signalement erroné stratégique introduit des biais systématiques que les modèles traditionnels ne parviennent pas à prendre en compte, car ils traitent les données rapportées comme des observations véridiques plutôt que comme des entrées adverses. Par conséquent, les ASP peuvent sous-estimer des paramètres clés, entraînant des politiques inefficaces et une transmission épidémique prolongée. Les approches existantes traitent largement l'incertitude des paramètres comme un problème d'estimation statique plutôt que comme un processus comportemental dynamique dicté par des incitations.

Méthodologie

Les auteurs proposent un cadre de théorie des jeux qui modélise l'interaction entre une population et une ASP en tant que jeu de signalisation. Cette approche intègre des modèles d'actes de parole rationnels (RSA - Rational Speech Act) avec des dynamiques épidémiologiques compartimentales stochastiques.

Cadre central

1. Formulation du jeu de signalisation :

   • Émetteurs (Individus) : Une population d'individus choisit de rapporter son type de comportement réel (statut de vaccination et de port du masque) ou de tromper. Ils agissent sous une rationalité limitée, pesant les incitations individuelles (ex. : éviter les sanctions) contre la « perte sémantique » (le coût d'être mal compris ou la dégradation du signal collectif).
   • Récepteur (ASP) : L'ASP observe les messages rapportés et les données agrégées d'hospitalisation (la seule variable de vérité terrain disponible). Elle met à jour ses croyances sur le comportement de la population via l'inférence bayésienne et ajuste les paramètres épidémiologiques (taux de vaccination $\psi$, taux de port du masque $\eta$) pour maintenir le nombre de reproduction contrôlé ($R_c$) en dessous de 1.
   • Fonctions d'utilité :
     • Utilité de l'émetteur : Maximise les incitations individuelles liées à la tromperie tout en minimisant la perte sémantique (inexactitude de l'interprétation par le récepteur) et en tenant compte de l'impact économique d'un $R_c$ élevé (ex. : fermetures d'entreprises).
     • Utilité du récepteur : Minimise la distorsion entre les trajectoires d'hospitalisation prédites et observées tout en maximisant le gain d'information à partir des messages rapportés.

2. Modèle épidémiologique :

   • Le cadre utilise un modèle compartimental SVEAIR (Susceptible, Vacciné, Exposé, Asymptomatique, Symptomatique, Récupéré).
   • Le modèle intègre les taux de vaccination et de port du masque comme des paramètres qui réduisent les taux de contact.
   • L'ASP utilise une version estimée de ces équations différentielles ordinaires (ODE) pour prédire les comptes d'hospitalisation ($H(t)$) basés sur les paramètres comportementaux inférés.

3. Analyse de l'équilibre :
   Le document caractérise analytiquement trois régimes d'équilibre distincts selon le degré de tromperie :

   • Équilibre de séparation (Separating Equilibrium) : Tous les individus rapportent la vérité. L'ASP récupère des paramètres non biaisés, permettant un contrôle épidémique efficace ($R_c < 1$).
   • Équilibre de regroupement (Pooling Equilibrium) : Tous les individus non conformes mentent et déclarent une pleine conformité. L'ASP ne peut distinguer les types, se reposant uniquement sur les a priori et les données d'hospitalisation, ce qui conduit souvent à une transmission soutenue.
   • Équilibre de regroupement partiel (Partial Pooling Equilibrium) : Un état mixte où certains individus mentent tandis que d'autres disent la vérité. Le document dérive les conditions d'existence de cet équilibre et caractérise la « frontière de tolérance » — le niveau maximal de tromperie que le système peut supporter tout en maintenant le contrôle de l'épidémie.

4. Politique adaptative :
   L'ASP emploie une politique de rétroaction adaptative. Elle met à jour les recommandations d'intervention ($\psi_r, \eta_r$) en minimisant la distorsion entre les hospitalisations observées et les prédictions du modèle, en pondérant efficacement les données rapportées par leur crédibilité inférée.

Contributions clés

1. Modèle épidémiologique de théorie des jeux : Les auteurs couplent un modèle compartimental stochastique avec un jeu de signalisation à deux joueurs. Cela permet à l'ASP d'inférer la crédibilité et de tenir compte du signalement erroné stratégique plutôt que de supposer la véracité, concevant ainsi des politiques robustes aux données adverses.
2. Caractérisation de l'équilibre et conception de politiques : Le document identifie analytiquement les moments où le signalement véridique émerge et comment les leviers politiques peuvent être ajustés pour décourager la tromperie. Il propose une politique de rétroaction adaptative qui pondère les données par la crédibilité inférée pour maintenir $R_c \leq 1$.
3. Pipeline de simulation généralisable : Un cadre intégrant les équilibres de jeux de signalisation aux dynamiques épidémiologiques est développé pour étudier l'interaction entre la tromperie comportementale, l'adaptation des politiques et le contrôle de l'épidémie. Cela permet une évaluation systématique des interventions sous diverses hypothèses comportementales.

Résultats expérimentaux

Le cadre a été évalué à l'aide de simulations de Monte Carlo sur une population de 10 000 personnes sur 26 semaines, ainsi que par une validation sur des ensembles de données réels (CHECKED, CoAID, données CDC/HHS).

• Efficacité de la rétroaction interactive : La rétroaction adaptative et informée par le signal entre la population et l'ASP est essentielle au contrôle de l'épidémie. Dans les simulations, les équilibres de séparation et de regroupement partiel ont réussi à réduire $R_c$ en dessous de 1, tandis que les équilibres de regroupement et les bases non interactives ont échoué à contrôler la transmission sous de faibles taux comportementaux de base.
• Valeur informationnelle des données imparfaites : Même dans les équilibres de regroupement partiel présentant une tromperie significative, l'ASP peut extraire des signaux exploitables. Les croyances a posteriori du récepteur restent non triviales, permettant des ajustements de politique efficaces par rapport aux politiques aléatoires.
• Modèles de tromperie : La structure de l'équilibre domine le niveau de malhonnêteté. Les équilibres de regroupement présentaient les taux de tromperie les plus élevés (débutant à >0,8), tandis que les équilibres de séparation maintenaient les plus bas (~0,3).
• Frontières de tolérance : L'étude a quantifié la « frontière de tolérance », montrant qu'à mesure que la couverture vaccinale et le port du masque s'accumulent, le système devient plus robuste à la tromperie active. Il existe une complémentarité entre les interventions ; l'adoption plus élevée de l'une peut compenser partiellement une faible adoption de l'autre concernant la robustesse au signalement erroné.
• Validation en conditions réelles : L'analyse des données de désinformation réelles a révélé que les distorsions comportementales présentent des modèles structurés (coefficients de Gini élevés) plutôt que du bruit arbitraire. Le cadre proposé a surpassé les approches plus simples dans les scénarios de distorsions structurées dépendantes du risque, réduisant les erreurs d'état vaccinal jusqu'à 72 %.
• Robustesse : Les tests de résistance ont indiqué que si l'augmentation de l'efficacité vaccinale améliorait considérablement le contrôle, les variations modérées des incitations comportementales avaient des effets limités sur les dynamiques à long terme. Cependant, une part élevée de non-réponse (NRS - Non-Responsive Share) a impacté négativement les scores de contrôle de la maladie, soulignant la nécessité d'une participation suffisante.

Signification et affirmations

Le papier affirme faire progresser la compréhension des données adverses en épidémiologie en déplaçant la perspective des erreurs d'estimation statiques vers des processus comportementaux stratégiques et dynamiques. Il soutient que :

• Le signalement erroné stratégique est une entrée adverse canonique : Les données autodéclarées doivent être modélisées comme des signaux stratégiques plutôt que comme des observations passives.
• La structure de l'équilibre détermine la qualité du contrôle : Le contenu informationnel des comportements autodéclarés et la qualité de contrôle épidémiologique réalisable sont directement déterminés par le régime d'équilibre (Séparation > Regroupement partiel > Regroupement).
• La robustesse est possible : Même sous une tromperie omniprésente dans les équilibres de regroupement partiel, des stratégies bien conçues pour l'émetteur et le récepteur peuvent maintenir un contrôle épidémique efficace. (Note : le papier indique que les équilibres de regroupement ne parviennent pas à atteindre le seuil épidémique au cours de l'horizon de simulation en raison d'une dégradation sévère de la qualité de l'information).
• Les modèles structurés comptent : Les distorsions comportementales réelles sont structurées, et les cadres qui tiennent compte de cette structure offrent des avantages conditionnels par rapport aux méthodes supposant un bruit arbitraire.

Les auteurs concluent que leur cadre offre des outils pour concevoir des modèles de santé publique plus robustes face au comportement stratégique des utilisateurs, tout en reconnaissant des limites concernant l'hétérogénéité individuelle et la complexité des contextes de politiques multi-agents.