Characterizing the impacts of disease on behavior across scales: Policy, perception, and potential for infection

Cette étude démontre que, durant la pandémie de COVID-19 aux États-Unis, les comportements de distanciation sociale ont été davantage influencés par les politiques et les données épidémiologiques à l'échelle de l'État plutôt que par des informations locales, suggérant que les modèles de transmission futurs peuvent raisonnablement supposer des réponses humaines rationnelles basées sur des données à grande échelle.

L'essentiel

🦠 Le Grand Jeu de l'Épidémie : Qui nous fait rester à la maison ?

Imaginez que la propagation d'un virus (comme le COVID-19) est comme un grand feu de forêt. Pour éteindre le feu, on a deux options : soit on coupe le combustible (les gens qui se touchent), soit on arrose les zones en feu.

Cette étude cherche à comprendre pourquoi les gens décident de s'arrêter de se toucher (de "couper le combustible"). Est-ce parce qu'ils ont peur ? Parce que le gouvernement le leur ordonne ? Ou parce qu'ils voient des chiffres sur la télé ?

Les chercheurs ont joué aux détectives en regardant les États-Unis entre septembre 2020 et janvier 2021. Voici ce qu'ils ont découvert, traduit en langage simple :

1. La peur est plus forte que les chiffres (mais les deux fonctionnent)

Imaginez que vous êtes dans une pièce.

• Le risque mesuré (les chiffres) : C'est comme voir un thermomètre qui indique 40°C. C'est un fait objectif.
• Le risque perçu (la peur) : C'est la sensation de chaleur que vous ressentez sur votre peau.

L'étude montre que les gens réagissent surtout à ce qu'ils ressentent (la peur), pas seulement aux chiffres froids. Cependant, bonne nouvelle : quand les chiffres sont élevés, la peur suit généralement. Donc, même si on ne peut pas mesurer la peur de tout le monde, regarder les chiffres des cas réels donne une très bonne idée de ce que les gens vont faire. C'est comme si le thermomètre et la sensation de chaleur étaient presque toujours synchronisés.

2. On écoute la "Télé" plus que le "Voisin"

C'est la découverte la plus surprenante !

• L'hypothèse : On pensait que si votre voisin tombe malade, vous vous méfiez.
• La réalité : Les gens réagissent beaucoup plus aux nouvelles de tout l'État (ou même du pays) qu'aux nouvelles de leur propre petite ville.

L'analogie du mégaphone :
Imaginez que votre ville est une petite maison. Si votre voisin de droite tousse, vous l'entendez à peine (c'est le "risque local"). Mais si quelqu'un crie à travers un mégaphone depuis la capitale de l'État que "c'est dangereux partout", tout le monde se met à porter un masque, même si personne dans votre rue n'est malade.
Les gens regardent les grands médias, les réseaux sociaux et les ordres de l'État, plutôt que de surveiller leur propre rue. Ils agissent en fonction d'une "image globale" plutôt que d'une "image locale".

3. Les voisins "sociaux" comptent plus que les voisins géographiques

L'étude a regardé trois types de liens entre les villes :

1. Les villes voisines (qui touchent physiquement).
2. Les villes de pendulaires (où les gens vont travailler).
3. Les villes connectées sur Facebook (où les gens ont des amis).

Résultat ? Les gens sont influencés par les villes où ils ont des amis sur Facebook presque autant, voire plus, que par leurs voisins géographiques.
La métaphore : Si votre cousin en Californie poste une photo effrayante du COVID, vous allez peut-être rester chez vous, même si vous habitez à New York et que votre voisin immédiat ne fait rien. La peur voyage plus vite sur Internet que par la route.

4. Les ordres de l'État sont plus forts que ceux du comté

Aux États-Unis, chaque État et chaque petite ville (comté) a ses propres règles. L'étude montre que les gens suivent beaucoup plus les règles de leur État que celles de leur petite ville.
C'est comme si un chef d'orchestre (l'État) donnait le tempo, et que les musiciens (les gens) l'écoutaient, même si le chef de section (la ville) essayait de donner un autre rythme. Quand l'État dit "Restez chez vous", tout le monde s'arrête. Quand c'est juste la ville qui le dit, l'effet est plus faible.

🎯 La conclusion pour le futur

Si vous êtes un modèle mathématique qui essaie de prédire comment une épidémie va se propager, voici le message clé :

Ne supposez pas que les gens sont des robots qui regardent uniquement leur propre rue. Les gens sont comme des radio-récepteurs : ils captent les signaux de loin (l'État, les médias, les réseaux sociaux).

• Pour les décideurs : Si vous voulez changer les comportements, il faut parler à l'échelle de l'État ou de la nation, pas juste de la ville.
• Pour les scientifiques : On n'a pas besoin de faire des sondages compliqués pour savoir ce que les gens ressentent. Regarder simplement les chiffres des cas réels (les "chiffres froids") suffit à prédire comment les gens vont réagir, car ils réagissent de manière assez logique à l'ensemble de la situation.

En résumé : Les gens ne regardent pas seulement sous leurs pieds, ils regardent l'horizon. Et c'est cet horizon (l'information globale) qui dicte s'ils sortent de chez eux ou non.

Résumé technique

1. Problématique et Contexte

La pandémie de COVID-19 a souligné l'importance cruciale d'intégrer le comportement humain dans les modèles épidémiologiques. Cependant, prédire comment les individus réagiront à de nouvelles épidémies et aux politiques gouvernementales reste un défi majeur. Les questions centrales limitant l'intégration dynamique du comportement dans les modèles de maladie sont :

• Dans quelle mesure le changement de comportement individuel est-il piloté par les politiques, les informations objectives sur la maladie (données mesurées) ou la perception subjective du risque ?
• Les données objectives (plus faciles à mesurer) peuvent-elles approximer la perception subjective du risque ?
• Le comportement d'atténuation est-il davantage influencé par les politiques ou les informations sur la maladie à des échelles spatiales larges (État, national) ou fines (comté) ?

L'étude vise à combler le fossé entre les modèles théoriques (souvent non validés) et les données réelles pour comprendre les moteurs du changement de comportement chez les populations susceptibles.

2. Méthodologie

Les auteurs ont adopté une approche hybride combinant une analyse statistique spatiale et une modélisation épidémiologique dynamique.

A. Données et Période d'étude :

• Période : Septembre 2020 à Janvier 2021 (aux États-Unis).
• Échelle spatiale : Niveau des comtés (county-level).
• Variables de réponse : Nombre de contacts hors ménage (mesure de la distanciation sociale) et proportion de personnes inquiètes (mesure du risque perçu), issues de l'enquête COVID-19 Trends and Impact Survey (Delphi Group, CMU).
• Variables prédictives :
  • Risque mesuré : Incidence des cas et décès (NYT).
  • Politiques : Restrictions (restaurants, lieux de culte, etc.) aux niveaux du comté et de l'État (Oxford Tracker).
  • Facteurs de contrôle : Météo, densité de population, facteurs socio-économiques, jours fériés.
• Échelles spatiales intermédiaires : Pour capturer l'influence entre comtés, les auteurs ont agrégé les données selon trois types de connectivité :
  1. Comtés voisins (proximité géographique).
  2. Comtés de navette (flux de pendulaires).
  3. Comtés socialement connectés (via l'indice de connectivité sociale de Facebook).

B. Modélisation Statistique :

• Utilisation d'un modèle de régression spatio-temporelle via l'approche bayésienne INLA (Integrated Nested Laplace Approximation) dans R.
• Le modèle évalue l'impact des politiques, du risque perçu et du risque mesuré sur les contacts, en contrôlant les facteurs démographiques et environnementaux.
• Des analyses de sensibilité ont été menées en utilisant des données de mobilité (Safegraph) et des décès au lieu des cas.

C. Modélisation Épidémiologique :

• Développement d'un modèle SIR (Susceptible-Infecté-Rétabli) paramétré empiriquement.
• La population susceptible est divisée en deux groupes : "inquiets" et "non inquiets".
• Le modèle teste comment les dynamiques épidémiques changent lorsque le comportement (réduction des contacts) est piloté par le risque perçu vs le risque mesuré, et selon différentes échelles spatiales (comté, État, national).

3. Résultats Clés

A. Déterminants du changement de comportement :

• Perception vs Mesure : Le risque perçu (inquiétude) et le risque mesuré (incidence des cas) sont tous deux prédictifs des changements de comportement. Cependant, le risque perçu au niveau de l'État est le prédicteur le plus fort de la distanciation sociale.
• Échelle spatiale : Les variables au niveau de l'État sont significativement plus prédictives que les variables au niveau du comté. Cela suggère que les individus réagissent davantage aux informations et politiques à grande échelle qu'aux conditions locales immédiates.
• Connectivité : Les conditions dans les comtés socialement connectés (via Facebook) et les comtés de navette sont de meilleurs prédicteurs du comportement que les comtés géographiquement voisins. Les politiques dans les comtés voisins ont un impact faible, tandis que les politiques dans les comtés de navette ont un impact significatif.
• Politiques : Les restrictions étatiques (notamment sur les activités de plein air et la fabrication) sont associées à une plus grande distanciation, tandis que certaines restrictions locales montrent des effets variables ou non significatifs.

B. Dynamiques de transmission :

• Dans le modèle de transmission, l'utilisation du risque mesuré (cas) ou du risque perçu (inquiétude) comme moteur du comportement produit des dynamiques épidémiques quasi identiques (taille et timing des pics).
• Bien que le risque perçu explique mieux la variation comportementale dans la régression, les modèles épidémiologiques peuvent raisonnablement supposer une réponse rationnelle basée sur l'incidence des cas (risque mesuré) à grande échelle sans dégrader significativement les projections.

4. Contributions et Implications

Contributions scientifiques :

1. Validation empirique : L'étude valide empiriquement les hypothèses des modèles couplés maladie-comportement, montrant que les individus ne réagissent pas uniquement aux conditions locales mais aux signaux à plus large échelle (État/National).
2. Substitution des données : Elle démontre que, pour les modèles prédictifs, les données de surveillance des cas (objectives) peuvent servir de substitut fiable aux données de perception du risque (subjectives), qui sont difficiles et coûteuses à collecter.
3. Rôle des réseaux sociaux : Mise en évidence du fait que la connectivité sociale (réseaux sociaux) et les flux de navette influencent le comportement autant, voire plus, que la simple proximité géographique.

Implications pour la santé publique et la modélisation :

• Politique : Les politiques de santé publique sont plus efficaces lorsqu'elles sont coordonnées au niveau de l'État ou entre comtés connectés, plutôt que fragmentées au niveau local, pour éviter les "évasions" de politiques (people moving to counties with different rules).
• Communication : Les messages de risque doivent cibler des échelles plus larges (régionales/nationales) car c'est ainsi que les populations perçoivent le risque.
• Modélisation : Les modèles futurs peuvent raisonnablement supposer que les populations réagissent rationnellement aux données d'incidence à grande échelle, simplifiant ainsi la paramétrisation des modèles de comportement.

5. Conclusion et Limites

L'article conclut que la population américaine a modifié son comportement de distanciation sociale en réponse à l'incidence des cas et aux politiques à des échelles spatiales larges, reflétant probablement un manque de surveillance ou de mandats localisés.

Limites mentionnées :

• Les données d'enquête peuvent être sujettes à des biais de désirabilité sociale.
• L'étude exclut certains comtés très peu peuplés en raison de données manquantes, ce qui pourrait limiter la généralisation aux zones rurales.
• La distinction entre information et désinformation sur les réseaux sociaux nécessite des recherches supplémentaires.

En résumé, cette étude fournit une base empirique solide pour améliorer les modèles de maladies infectieuses en intégrant des hypothèses réalistes sur la manière dont l'information circule et influence le comportement humain à différentes échelles spatiales.