Conformalized Physics-Informed Weak Regression for Parameter Estimation in Epidemic Models

Les épidémies sont souvent décrites par les mathématiciens à l'aide d'un système de compartiments, un peu comme des seaux d'eau reliés par des tuyaux. Dans ces modèles, les individus passent de l'état de personnes susceptibles à celui d'infectées, puis à la guérison ou au décès. La vitesse à laquelle ils passent d'un seau à l'autre est déterminée par des paramètres physiques : la contagiosité d'un virus, la durée d'une infection et la rapidité avec laquelle les gens guérissent. Connaître ces chiffres est vital. Ils indiquent aux responsables de la santé publique la vitesse à laquelle une épidémie va croître, le nombre de lits d'hôpitaux qui pourraient être nécessaires, et si un confinement ou une campagne de vaccination fonctionnera. Pendant des années, les scientifiques ont tenté de trouver ces chiffres cachés en observant des données du monde réel, telles que les décomptes quotidiens de personnes malades. C'est un puzzle difficile car les données sont souvent désordonnées, incomplètes ou collectées à des intervalles irréguliers. Ces dernières années, une méthode populaire appelée « réseaux de neurones informés par la physique » a été utilisée pour résoudre cela. Ce sont des programmes informatiques complexes qui apprennent à deviner les paramètres en s'entraînant pendant des heures, voire des jours, mais ils ne fournissent souvent aucune mesure claire de l'ampleur de l'erreur de leurs suppositions.

Une nouvelle étude de l'Université technique du Danemark propose une approche différente, beaucoup plus rapide, qui indique également aux scientifiques exactement à quel point ils peuvent faire confiance aux résultats. Les chercheurs ont développé une méthode qui traite le problème comme un puzzle mathématique direct plutôt que comme un exercice d'apprentissage. Au lieu d'essayer de deviner la vitesse de changement des données, ce qui est notoirement bruyant et difficile à mesurer, leur méthode examine l'accumulation totale de cas au fil du temps. En intégrant les données, ils lissent le bruit et peuvent résoudre les paramètres presque instantanément. L'équipe a testé cette nouvelle technique sur onze modèles de maladies différents, allant d'un modèle simple de la COVID-19 à des modèles complexes du virus Zika et d'Ebola. Ils ont constaté que leur méthode était souvent des centaines, voire des milliers de fois plus précise que les approches par réseaux de neurones populaires, et qu'elle produisait des réponses en quelques millisecondes plutôt qu'en plusieurs heures. Crucialement, ils ont enveloppé ce calcul rapide dans un filet de sécurité statistique qui génère une plage de valeurs probables pour chaque paramètre. Cette plage est étroite lorsque les données sont claires et large lorsque les données sont trop désordonnées pour donner une réponse précise, offrant ainsi aux scientifiques une image honnête de leur incertitude.

Le cœur de cette nouvelle méthode est un changement dans la lecture des données. Les méthodes traditionnelles tentent souvent de calculer le taux de variation à chaque instant, comme mesurer la vitesse d'une voiture en regardant la distance parcourue en une fraction de seconde. Si les données présentent du bruit ou des lacunes, ce calcul de vitesse devient extrêmement imprécis. L'équipe danoise a réalisé qu'elle pouvait plutôt regarder la distance totale parcourue sur une période plus longue. Dans le contexte d'une épidémie, cela signifie regarder le nombre total de personnes ayant été infectées sur une semaine ou un mois, plutôt que d'essayer de déterminer le moment exact où une nouvelle infection s'est produite. Cette approche, que l'auteur appelle « régression faible », est bien plus robuste face au bruit. Elle leur permet d'estimer simultanément les conditions initiales d'une épidémie et les taux de transmission, en résolvant l'ensemble du système en un seul calcul de forme fermée. Comme les mathématiques sont linéaires et directes, cela ne nécessite pas la puissance de calcul massive ou les longs temps d'entraînement associés aux réseaux de neurones.

Pour s'assurer que ces réponses rapides étaient fiables, les chercheurs ont ajouté une couche de calibration statistique. Dans de nombreux domaines scientifiques, il est difficile de savoir à quel point un modèle est précis car la réponse réelle est inconnue. L'équipe a résolu cela en utilisant les modèles de maladies eux-mêmes pour générer une vaste bibliothèque de fausses épidémies aux réponses connues. Ils ont fait tourner leur estimateur rapide sur des milliers de ces épidémies simulées, chacune avec des paramètres légèrement différents et du bruit ajouté, pour voir à quelle fréquence la méthode avait raison et quelle ampleur les marges d'erreur devaient avoir. Ce processus a créé une « population de calibration » qui a permis d'attacher un intervalle de confiance à chaque estimation du monde réel. Le résultat est un ensemble d'intervalles simultanés pour tous les paramètres d'un modèle de maladie à la fois. Si les données sont claires, l'intervalle est serré ; si les données sont rares ou si la dynamique est trop complexe pour être résolue, l'intervalle s'élargit automatiquement pour refléter cette incertitude. Cela garantit que les scientifiques ne seront jamais induits en erreur par un chiffre qui semble précis mais qui est en réalité faux.

Lorsque l'équipe a appliqué cette méthode à onze références standards utilisées pour tester les modèles de maladies, les résultats ont été frappants. Dans quinze des vingt-deux scénarios différents impliquant diverses maladies et niveaux de bruit, leur méthode a produit les estimations les plus précises. Pour les modèles où les données étaient assez denses pour résoudre la dynamique, leurs estimations étaient souvent une à quatre ordres de grandeur plus précises que celles rapportées par les méthodes de réseaux de neurones. En termes de vitesse, la différence était encore plus spectaculaire. Alors que les réseaux de neurones nécessitaient des temps d'entraînement allant de vingt minutes à plus de quatre-vingt-dix heures, la nouvelle méthode produisait un ensemble complet d'estimations et de leurs intervalles d'incertitude en moins d'une milliseconde. Même en incluant le temps nécessaire pour générer les données de calibration et vérifier les résultats, l'ensemble du processus prenait moins de deux minutes. Cette rapidité signifie que les responsables de la santé publique pourraient potentiellement mettre à jour leur compréhension d'une épidémie en temps réel à mesure que de nouvelles données arrivent, plutôt que d'attendre des jours pour qu'un modèle converge.

L'étude a également testé la méthode sur des données historiques réelles, spécifiquement l'épidémie de grippe de 1978 dans un internat britannique. Ici, les chercheurs ont comparé leurs résultats à une analyse bayésienne détaillée qui avait été publiée précédemment. Leur méthode a produit des intervalles qui se chevauchent avec les intervalles de crédibilité de l'étude bayésienne, confirmant que l'approche rapide et simple pouvait capturer la même réalité biologique que les méthodes plus complexes et gourmandes en calcul. Dans ce cas, ils ont également montré comment incorporer des connaissances préalables, telles qu'un taux de guérison connu, pour resserrer davantage les estimations. La méthode s'est avérée assez flexible pour gérer les taux de transmission variables, où la contagiosité d'un virus change au fil du temps en raison d'interventions ou de nouveaux variants. Dans ces tests, la nouvelle approche a de nouveau surpassé les bases de référence des réseaux de neurones, fournissant des estimations précises de la façon dont la transmission a évolué au fil du temps en une fraction du temps requis.

Les chercheurs soulignent que cette méthode ne remplace pas d'autres formes d'analyse, mais les complète. Elle est particulièrement puissante lorsque les données sont suffisantes pour résoudre la dynamique sous-jacente de la maladie. Cependant, la méthode connaît aussi ses limites. Lorsque les données sont trop rares ou que le bruit est trop élevé, les intervalles de confiance s'élargissent naturellement pour couvrir une large gamme de possibilités, signalant que les données ne peuvent tout simplement pas soutenir une réponse précise. Cette honnêteté vis-à-vis de l'incertitude est une caractéristique clé. L'étude montre que pour une large classe de modèles épidémiques, l'entraînement complexe de type « boîte noire » des réseaux de neurones n'est pas nécessaire. En revenant à la physique fondamentale du problème et en utilisant une approche intégrée robuste, les scientifiques peuvent atteindre une précision et une quantification de l'incertitude supérieures en quelques millisecondes. Cela ouvre la voie à une modélisation plus réactive et plus fiable pour les futures épidémies, où la vitesse et la clartité sont tout aussi importantes que les chiffres eux-mêmes.