Retrospective Economic Evaluation of Group Testing in the COVID-19 Pandemic

Each language version is independently generated for its own context, not a direct translation.

🦠 Le Dilemme du Test de Masse : Économiser ou Perdre du Temps ?

Imaginez que vous devez vérifier si des milliers de personnes dans une ville ont attrapé un rhume très contagieux. Vous avez deux options :

Tester chaque personne individuellement (comme vérifier chaque pomme d'un panier une par une). C'est précis, mais ça coûte une fortune en tests et en temps.
Le "Test de Groupe" (Group Testing) : Mélanger des échantillons de 5 ou 10 personnes dans un seul tube. Si le tube est négatif, tout le groupe est sain. Si le tube est positif, on sait qu'au moins une personne est malade, et il faut alors tester chacun du groupe séparément.

C'est comme chercher une aiguille dans une botte de foin : au lieu de fouiller chaque brin de foin, vous prenez des poignées. Si une poignée ne contient pas d'aiguille, vous gagnez un temps fou.

💰 Le Problème : Ce que les économistes ont oublié

Jusqu'à présent, les gouvernements et les assureurs (les "payeurs") ne regardaient que le coût des tests (le prix du tube, du personnel, du laboratoire). C'est comme si vous calculiez le prix d'une course en taxi uniquement en regardant le prix de l'essence, sans tenir compte du temps perdu dans les embouteillages.

Les auteurs de cette étude (Michael, Kainat et Christiane) disent : "Attendez ! Il manque un élément crucial !"

Lorsqu'une personne est mise en quarantaine en attendant le résultat d'un test de groupe, elle ne travaille pas.

Si c'est un boulanger, il ne fait pas de pain.
Si c'est un cadre, il ne signe pas de contrats.
En Allemagne, l'employeur doit souvent payer le salaire de la personne malade ou en quarantaine.

L'analogie : Imaginez que vous louez un camion pour livrer des colis.

L'ancienne méthode comptait seulement le prix du carburant (les tests).
La nouvelle méthode ajoute le coût du temps où le camion est bloqué dans un embouteillage (la quarantaine) et où le chauffeur ne peut pas livrer de marchandises (la perte de productivité).

🔍 Ce que l'étude a découvert (avec des images)

Les chercheurs ont créé un "simulateur" (un jeu vidéo mathématique) utilisant de vraies données allemandes (salaires, taux d'infection) pour voir quelle stratégie est la plus rentable. Voici leurs conclusions surprises :

1. Plus les gens gagnent cher, plus il faut aller vite !

La situation : Dans les villes où les gens ont de bons salaires (comme Berlin ou Hambourg), chaque heure de quarantaine coûte très cher à la société.
La leçon : Si vous testez par groupes de 10 personnes, vous devez attendre que le groupe soit testé, puis re-tester les malades. C'est long.
Le résultat : Pour les salaires élevés, il vaut mieux faire des groupes plus petits (2 ou 3 étapes) pour libérer les gens plus vite, même si cela demande plus de tests au total. On préfère payer plus de tests pour éviter de payer des salaires perdus.

2. Plus la population est grande, plus on peut se permettre d'être patient

La situation : Si vous testez une petite ville, chaque erreur de calcul coûte cher. Mais si vous testez une mégalopole, les coûts fixes des tests s'étalent.
La leçon : Pour les très grandes populations, on peut se permettre des algorithmes plus complexes (plus d'étapes) qui réduisent le nombre total de tests, car le coût de la quarantaine est dilué sur des millions de personnes.

3. Le super-pouvoir du télétravail 🏠💻

C'est la découverte la plus intéressante !

La situation : Imaginez que tout le monde peut travailler depuis chez soi pendant la quarantaine.
La leçon : Si les gens travaillent à la maison, ils ne perdent pas de productivité. Le "coût de la quarantaine" devient zéro.
Le résultat : Dans ce cas idéal, on peut utiliser des groupes très grands et complexes (5 étapes ou plus). On peut prendre son temps pour tester, car cela ne coûte rien à l'économie. On économise énormément de tests !

🎯 En résumé : La recette gagnante

Cette étude nous dit que l'ancienne façon de compter l'argent (seulement le prix des tests) nous trompait. Elle sous-estimait le vrai coût économique.

Si les gens ne peuvent pas télétravailler : Il faut privilégier la vitesse. Des groupes petits, des tests rapides, même si ça coûte plus cher en matériel.
Si les gens peuvent télétravailler : On peut être plus lent et utiliser des groupes géants pour économiser des tests.

La morale de l'histoire : Pour prendre les bonnes décisions en temps de pandémie, il ne faut pas seulement regarder le prix du test, mais aussi le prix du temps perdu par les travailleurs. C'est comme acheter une voiture : ne regardez pas seulement le prix d'achat, regardez aussi combien elle vous coûtera en essence et en temps de trajet !

Each language version is independently generated for its own context, not a direct translation.

1. Problématique

La surveillance des maladies infectieuses lors d'une pandémie est cruciale, mais le dépistage individuel est souvent impossible en raison de contraintes de ressources (matérielles, humaines, logistiques). Le dépistage en groupe (Group Testing - GT) a été proposé comme alternative pour réduire le nombre de tests nécessaires.

Cependant, les évaluations économiques existantes du point de vue du payeur se concentrent presque exclusivement sur les coûts déterministes (matériaux, personnel, logistique). Elles négligent une composante économique majeure : la perte de productivité et les coûts liés aux indemnités de quarantaine lorsque les individus doivent attendre les résultats des tests de groupe. L'objectif de cet article est de combler ce vide en développant un modèle mathématique qui intègre à la fois les coûts directs et les pertes économiques basées sur les revenus individuels, afin d'évaluer rétrospectivement les algorithmes de GT appliqués en Allemagne durant la pandémie de COVID-19.

2. Méthodologie

A. Modélisation Mathématique

Les auteurs proposent un modèle d'évaluation des coûts économiques totaux ( $c^{(k)}_{(p,u)}$ ) pour un algorithme de GT à $k$ étapes, dans une région $u$ avec une prévalence $p$ . Le coût total est la somme de trois composantes :

Coûts déterministes :
- Coûts fixes ( $c_f$ ) : Infrastructure et planification.
- Coûts variables ( $c_v$ ) : Coût par test (matériel, main-d'œuvre).
- Coûts de sous-traitance ( $c_l$ ) : Si le nombre de tests requis dépasse la capacité de laboratoire interne ( $\tau_0$ ), les tests excédentaires sont externalisés à un coût plus élevé.
Perte économique basée sur les revenus :
- Définie comme le revenu journalier des individus mis en quarantaine pendant la durée d'attente des résultats.
- Le modèle intègre un facteur de télétravail ( $h$ ) : seuls les individus ne pouvant pas travailler à distance contribuent à la perte de productivité ou aux indemnités.
- La durée de la quarantaine dépend du nombre d'étapes de l'algorithme (plus il y a d'étapes, plus la quarantaine est longue pour les pools positifs).

B. Algorithmes de Dépistage

L'étude se concentre sur les algorithmes de type Dorfman multi-étapes (adaptatifs et probabilistes) :

2 étapes : Test de groupe, puis re-test individuel si le groupe est positif.
3 à 5 étapes : Report du re-test individuel au profit d'étapes de regroupement supplémentaires pour réduire le nombre total de tests, mais au prix d'une durée de quarantaine prolongée.

C. Expérimentation Hybride (Monte Carlo)

Des expériences de Monte Carlo hybrides ont été menées pour simuler les coûts :

Données réelles : Utilisation des données du Panel Socio-économique allemand (SOEP) pour les revenus (2019-2021) et des données de l'Institut Robert Koch (RKI) pour les taux d'incidence (prévalence) dans trois districts : Berlin-Mitte, Brême et Hambourg.
Simulation : Génération stochastique du nombre de tests optimaux et tirage aléatoire des revenus quotidiens pour estimer les pertes économiques.
Analyse de sensibilité : Évaluation de l'impact de la taille de la population, des coûts variables, de la capacité de test et du taux de télétravail sur le coût économique par individu (ECI).

3. Résultats Clés

Sous-estimation des coûts : Les évaluations se basant uniquement sur les coûts déterministes sous-estiment systématiquement le coût économique total. L'inclusion des pertes de revenus modifie radicalement le choix de l'algorithme optimal.
Impact des revenus et de la quarantaine :
- Dans les zones à revenus élevés, les algorithmes avec une durée de quarantaine plus courte (2 étapes) sont préférés, même s'ils nécessitent plus de tests, car le coût de l'arrêt de travail est prohibitif.
- Dans les zones à revenus plus faibles, les algorithmes à plus d'étapes (3 étapes) deviennent plus attractifs car la perte de productivité est moindre, permettant de réduire le nombre de tests.
Impact de la capacité de test et des coûts :
- Lorsque les coûts variables ou les coûts de sous-traitance sont élevés (ou la capacité de test faible), la tendance s'inverse : les algorithmes à plus d'étapes (3, 4 ou 5) sont préférés pour minimiser le nombre total de tests, malgré la quarantaine prolongée.
Rôle du télétravail ( $h$ ) :
- Si le télétravail est possible pour tous ( $h=1$ ), la perte économique est nulle. Dans ce cas, les algorithmes à nombre d'étapes élevé (4 ou 5) sont optimaux car ils minimisent le nombre de tests sans pénalité économique.
- À mesure que le télétravail diminue, le choix optimal glisse vers des algorithmes à moins d'étapes (2 ou 3).
Taille de la population : Pour les très grandes populations, les coûts de sous-traitance dominent, favorisant les algorithmes à plus d'étapes. Pour les petites populations, les effets de bord aléatoires rendent les algorithmes à 2 étapes plus stables.

4. Contributions Principales

Nouveau cadre d'évaluation : Introduction d'un modèle mathématique intégrant explicitement les pertes de revenus (productivité et indemnités légales) dans l'évaluation économique du dépistage en groupe.
Validation empirique : Utilisation de données réelles allemandes (SOEP et RKI) pour démontrer que les disparités régionales (revenus, prévalence) influencent fortement le choix de la stratégie de dépistage.
Correction des biais : Démonstration que les modèles traditionnels, ignorant les coûts d'opportunité liés à la quarantaine, conduisent à des décisions sous-optimales pour le payeur.
Recommandations politiques : Mise en évidence du fait que la préférence pour un algorithme dépend de la structure économique locale (niveau de revenus, taux de télétravail) et non uniquement de l'efficacité technique du test.

5. Signification et Limites

Signification :
Cette étude démontre que l'efficacité économique du dépistage en groupe ne peut être jugée uniquement sur le nombre de tests économisés. La durée de la quarantaine et son impact sur l'économie réelle (revenus, emploi) sont des facteurs déterminants. Pour les décideurs publics, cela signifie qu'une stratégie de dépistage optimale doit être adaptée au contexte socio-économique spécifique de la région visée.

Limites mentionnées :

Hypothèses simplificatrices (tests parfaits, prévalence constante, dynamique épidémique linéaire).
Focus sur les algorithmes de Dorfman classiques, sans inclure les algorithmes récents plus complexes (grilles, hypercubes).
Le modèle de perte économique repose sur le cadre légal allemand (indemnisation obligatoire) ; les résultats pourraient différer dans des pays sans telle législation.
Absence d'analyse des impacts sur la santé mentale liés à une quarantaine prolongée.

En conclusion, l'article plaide pour une approche holistique de l'évaluation économique des pandémies, où les pertes de revenus sont traitées comme un coût direct du système de santé et de l'économie nationale.