📊 epidemiology

State-dependent non-identifiability of the reproduction number under adaptive behavior: an empirical characterization from COVID-19 mobility

Cet article démontre que le nombre de reproduction de base ( $R_0$ ) est fondamentalement non identifiable à partir des seules trajectoires épidémiques car il confond la biologie du pathogène avec le comportement humain adaptatif, pourtant l'analyse empirique des données de mobilité liées à la COVID-19 aux États-Unis révèle que, bien que cette composante comportementale soit structurellement caractérisable comme étant dépendante de l'état, son impact pratique est modeste en raison d'une corrélation négative entre la réactivité au risque et la saturation comportementale entre les juridictions.

Auteurs originaux : Sanchez, F.

Publié 2026-07-21

📖 8 min de lecture🧠 Analyse approfondie

CC BY 4.0

Auteurs originaux : Sanchez, F.

Article original sous licence CC BY 4.0 (https://creativecommons.org/licenses/by/4.0/). ⚕️ Ceci est une explication générée par l'IA d'un preprint qui n'a pas été évalué par des pairs. Ce n'est pas un avis médical. Ne prenez pas de décisions de santé basées sur ce contenu. Lire la clause de non-responsabilité complète

Imaginez que vous essayiez de prédire comment une foule de personnes se déplacera dans un labyrinthe. Dans le monde de la modélisation des maladies, les scientifiques utilisent un nombre spécial appelé nombre de reproduction de base, ou $R_0$ (prononcé « R-naught »). Considérez le $R_0$ comme une fiche de score pour un virus : il vous indique combien de nouvelles personnes une personne malade infectera si tous les autres membres de la foule sont en bonne santé et n'ont aucune idée qu'un virus arrive. Pendant longtemps, les scientifiques ont traité ce nombre comme une propriété fixe du virus lui-même, semblable à la vitesse de pointe d'une voiture qui est une caractéristique fixe de son moteur.

Mais voici le hic : les humains ne sont pas des voitures. Lorsqu'un virus commence à se propager, les gens le remarquent. Ils ont peur, ils restent chez eux, ils portent des masques et ils arrêtent de s'embrasser. C'est ce qu'on appelle le comportement adaptatif. La grande question pour les scientifiques a été la suivante : si les gens changent de comportement à cause du virus, cela change-t-il le « score » du virus ? Le nombre $R_0$ que nous calculons aujourd'hui fonctionne-t-il encore si le virus change demain ? Ce document plonge précisément dans ce casse-tête, en utilisant la masse énorme de données de la pandémie de COVID-19 pour voir si nous pouvons réellement séparer la biologie du virus de nos propres réactions humaines.

Le grand mystère du « Qui l'a fait ? »

Imaginez que vous regardez une vidéo d'une voiture ralentissant à l'approche d'un panneau stop. Vous voulez savoir : le conducteur a-t-il freiné parce qu'il a vu le panneau, ou la voiture est-elle simplement tombée en panne d'essence ? Dans le monde des épidémies, le « ralentissement de la voiture » est la baisse du nombre de nouvelles infections. Les « freins » sont les gens qui restent chez eux (le comportement), et « l'essence » est la capacité naturelle du virus à se propager (la biologie).

Pendant des années, les scientifiques ont essayé de comprendre quelle part du ralentissement était due au fait que le virus perdait de la vitesse et quelle part était due aux gens qui tapaient sur les freins. Mais ils étaient bloqués. Ils pouvaient voir la voiture ralentir, mais ils ne pouvaient pas voir le pied du conducteur sur la pédale. Ils devaient deviner.

Ce document, cependant, possédait un superpouvoir : les Rapports de Mobilité Google. Pendant la pandémie, ces rapports suivaient exactement comment les gens se déplaçaient en temps réel. C'était comme avoir une caméra à l'intérieur de la voiture montrant le pied du conducteur. L'auteur, Fabio Sanchez, a utilisé ces données pour enfin regarder le « pied » bouger.

La grande découverte : Le « tour de magie » des données

La conclusion principale de ce document est un peu déroutante. Il s'avère que si vous ne regardez que l'histoire de l'épidémie (le chemin « factuel »), vous ne pouvez pas faire la différence entre deux histoires très différentes.

Histoire A : Le virus est super fort, mais les gens sont terrifiés et restent chez eux, c'est pourquoi les cas ont chuté.
Histoire B : Le virus est faible, et les gens n'ont pas changé leur comportement du tout, c'est pourquoi les cas ont chuté.

Les deux histoires correspondent parfaitement aux données. Elles produisent exactement la même courbe d'infections. Cela signifie que le « vrai » $R_0$ n'est pas identifié. Vous ne pouvez pas le fixer simplement en regardant le passé. Le nombre que nous calculons habituellement (le « $R_0$ apparent ») est en fait un mélange de la force du virus et de notre peur, et les données ne peuvent pas nous dire quelle partie est laquelle.

Le document appelle cela une « classe d'équivalence observationnelle ». Imaginez un magicien sortant un lapin d'un chapeau. Si vous ne voyez que le lapin, vous ne savez pas si le magicien avait réellement un lapin, ou s'il a utilisé un tour de magie. Les données sont le lapin ; le tour de magie est le mélange caché de biologie et de comportement.

Que se passe-t-il quand nous changeons les règles ?

Alors, si nous ne pouvons pas faire la différence dans le passé, est-ce que cela importe ? Le document dit oui, mais seulement si nous essayons de prédire l'avenir.

L'auteur a lancé des simulations pour voir ce qui se passerait si le virus changeait — par exemple, s'il devenait 40 % plus contagieux (un scénario « contrefactuel »).

Si nous supposons que les gens ne changent pas de comportement (la vue « exogène »), le modèle prédit une vague d'infections énorme et terrifiante.
Si nous supposons que les gens réagissent au nouveau danger (la vue « endogène »), ils restent chez eux encore plus, et la vague est beaucoup plus petite.

L'écart entre ces deux prédictions est ce que le document appelle « ce que le $R_0$ efface ». C'est la partie du futur que le nombre $R_0$ standard cache. Le document a trouvé que ce fossé caché est dépendant de l'état. Il est plus important lorsque l'épidémie est à un niveau de gravité « moyen ».

Si l'épidémie est minuscule, les gens ne réagissent pas, donc l'écart est faible.
Si l'épidémie est déjà un désastre total, les gens sont déjà chez eux autant qu'humainement possible (ils sont « saturés »), ils ne peuvent donc plus réagir davantage, et l'écart est faible à nouveau.
L'écart est le plus grand au milieu, là où les gens sont assez effrayés pour réagir, mais n'ont pas encore atteint le « plancher » de l'isolement à domicile.

Le retournement de situation surprenant : Pourquoi l'écart était faible en réalité

Vous pourriez dire : « D'accord, l'écart est réel, mais quelle est son ampleur dans le monde réel ? » L'auteur a vérifié cela dans les 50 États américains et à Washington D.C.

Voici la partie surprenante : l'écart était en fait assez faible en pratique.

Pourquoi ? À cause d'une étrange coïncidence dans le comportement humain. Le document a découvert que les deux choses nécessaires pour rendre l'écart énorme — une haute sensibilité au risque (les gens réagissant fortement) et une haute « marge de manœuvre » (les gens ayant de la place pour se déplacer moins) — ne se sont jamais produites en même temps.

Dans les endroits où les gens étaient très sensibles au risque (ils réagissaient fortement), ils avaient déjà réduit leurs déplacements au minimum absolu. Ils n'avaient plus de « marge de manœuvre » pour réagir davantage.
Dans les endroits où les gens avaient encore de la « marge de manœuvre » (ils se déplaçaient encore beaucoup), ils ne réagissaient tout simplement pas beaucoup au risque.

C'est comme un thermostat qui est soit déjà tourné au minimum, soit cassé et incapable de baisser la température. On n'obtient jamais la situation où le thermostat est sensible et possède de la marge pour descendre plus bas. Parce que ces deux conditions ne se chevauchaient pas, l'erreur « cachée » dans le nombre $R_0$ s'est avérée modeste pour la première vague de COVID-19.

Les enseignements pour l'avenir

Alors, qu'est-ce que cela signifie pour nous ?

Décrire le passé est sans danger : Si vous voulez simplement dire à quel point le virus était grave pendant la période que nous avons observée, le nombre $R_0$ standard convient.
Prédire l'avenir est délicat : Si vous voulez savoir ce qui se passera si un nouveau variant plus fort apparaît, le $R_0$ standard est incomplet. Il suppose que les gens ne changeront pas leur comportement, ce qui est rarement vrai.
Le « pic » est le plus important : Le document suggère que si le nombre total de personnes qui tombent malades (le « taux d'attaque ») ne change pas beaucoup en fonction du comportement, la hauteur et le moment du pic (combien de personnes tombent malades en même temps) changent énormément. C'est crucial pour les hôpitaux. Si les gens réagissent à une nouvelle vague, le pic peut être plus bas et plus tardif, donnant une chance aux hôpitaux de faire face. S'ils ne réagissent pas, le pic pourrait être un mur écrasant.

En résumé, le document nous enseigne que le « score » du virus n'est pas seulement un nombre gravé dans la pierre ; c'est une conversation entre le virus et notre peur. Nous ne pouvons pas toujours dire qui parle plus fort en regardant simplement l'histoire, mais si la conversation change, le résultat change aussi. Et heureusement pour la première vague de COVID-19, la conversation n'est pas devenue trop chaotique parce que les gens soit n'avaient plus rien à donner, soit n'avaient pas grand-chose à donner en premier lieu.

Résumé Technique : Non-identifiabilité de l'état-dépendante du nombre de reproduction sous comportement adaptatif

Énoncé du Problème
Le nombre de reproduction de base ( $R_0$ ) est traditionnellement défini comme un scalaire représentant le nombre attendu d'infections secondaires dans une population entièrement susceptible. Cependant, cette définition suppose implicitement que les taux de contact sont des propriétés fixes de la population. En réalité, le comportement de contact est endogène ; les individus adaptent leur comportement en réponse au risque épidémique perçu. Comme l'indique la théorie épidémiologique-économique préalable, le $R_0$ est une quantité de forme réduite qui amalgame la biologie du pathogène et le comportement adaptatif de l'hôte. Par conséquent, les estimations dérivées sous un régime comportemental donné peuvent ne pas décrire la transmission sous un autre. La lacune empirique centrale identifiée dans ce travail est l'incapacité d'observer directement la fonction de réponse comportementale (comment le contact change avec le risque) et l'incapacité qui en résulte à décomposer la transmission observée en composantes biologiques et comportementales. Alors que la littérature antérieure a utilisé les données de mobilité comme une entrée exogène pour ajuster les modèles de transmission, cette approche échoue à répondre aux questions contrefactuelles (par exemple, « et si un variant était plus transmissible ? ») car elle suppose que le comportement suivrait le même chemin quel que soit l' trajectoire épidémique altérée.

Méthodologie
L'étude utilise les données quotidiennes de cas, d'hospitalisations et de décès de la ville de New York et des États américains, couplées aux rapports de mobilité communautaire de Google comme proxy pour le contact. La méthodologie procède en quatre étapes :

Estimation de la Réponse Comportementale : Les auteurs estiment une fonction de réponse comportementale, $R(x)$ , qui associe le risque perçu (moyenne sur 7 jours des décès signalés) aux niveaux de contact ( $C(t)$ ). Ils ajustent une fonction de saturation de la forme $C(t) = C_{min} + \frac{C_0 - C_{min}}{1 + x/K}$ par la méthode des moindres carrés non linéaires, où $x$ est le risque décalé. Cela fournit un analogue empirique aux modèles d'optimisation prospective proposés par l'épidémiologie économique.
Construction de l'Équivalence Observationnelle : Les auteurs construisent une famille de modèles à un paramètre indexée par $\lambda \in [0, 1]$ $λ \in [0, 1]$ .
- $\lambda = 0$ représente un modèle entièrement exogène où le contact est gelé sur la trajectoire factuelle.
- $\lambda = 1$ représente un modèle entièrement endogène où le contact réagit de nouveau au risque contrefactuel.
- Les valeurs intermédiaires représentent une endogénéité partielle.
  Crucialement, pour la trajectoire épidémique factuelle ( $f=1$ ), tous les modèles de cette famille produisent des courbes d'incidence identiques et des valeurs de $R_0$ apparentes identiques car le terme de risque contrefactuel s'annule.
Preuve de la Non-Identifiabilité : Les auteurs prouvent que le paramètre $\lambda$ (la fraction d'endogénéité) n'est pas identifié à partir des données observées $(y(t), C(t))$ sur la fenêtre factuelle. Si le taux de transmission composite $\beta C(t)$ est identifié, la décomposition en susceptibilité biologique ( $\beta$ ) et réponse comportementale ne l'est pas.
Analyse Contrefactuelle et Panneau Transjurisdictionnel : Les auteurs simulent des scénarios contrefactuels (variant la transmissibilité $f$ ) pour mesurer l'« étendue de l'ensemble identifié » — la divergence dans les résultats (hauteur du pic, taille finale) à travers la famille $\lambda$ . Ils analysent ensuite un panel de 51 juridictions américaines pour tester si les conditions requises pour une correction comportementale importante (haute réactivité au risque et comportement non saturé) coïncident.

Contributions Clés

Caractérisation Empirique de la Fonction de Réponse : L'étude fournit une estimation empirique directe de la fonction de réponse contact-risque en utilisant les données de mobilité, confirmant un déclin monotone avec saturation, cohérent avec les théories comportementales prospectives.
Preuve de la Non-Identifiabilité Dépendante de l'État : L'article démontre que la décomposition de la transmission en biologie et comportement est fondamentalement non identifiable à partir d'une seule trajectoire épidémique. Le « $R_0$ à contact constant » n'est qu'un point final d'une classe d'équivalence observationnelle qui s'ajuste parfaitement aux données mais produit des prédictions contrefactuelles divergentes.
Caractérisation de ce que le $R_0$ « Efface » : Les auteurs quantifient le contenu comportemental omis par les estimations standard du $R_0$ . Ils trouvent que ce contenu « effacé » est dépendant de l'état et unimodal : il est négligeable lorsque l'épidémie est légère (le comportement reste à la ligne de base) ou sévère (le comportement est déjà saturé), et maximal à une sévérité intermédiaire où le comportement se situe sur la partie abrupte de la courbe de réponse.
Explication Empirique de Corrections Modestes : À travers une analyse transjurisdictionnelle, l'article révèle une corrélation négative ( $r = -0,57$ ) entre la réactivité au risque et la non-saturation comportementale. Les juridictions ayant une haute réactivité avaient déjà saturé leurs réductions de mobilité, tandis que celles ayant une marge de manœuvre présentaient une faible réactivité. Ce biais structurel explique pourquoi la correction empirique du $R_0$ est modeste dans le contexte spécifique de la première vague de COVID-19.

Résultats

Réponse Comportementale : À NYC, le contact a décliné d'une ligne de base de 0,857 à un plancher de 0,347 à mesure que le risque perçu augmentait, avec un point de demi-saturation à 7,3 décès/jour. L'ajustement était robuste selon différents proxies de risque et périodes.
$R_0$ Apparent vs Corrigé : Le $R_0$ « apparent » (supposant un contact constant) et le $R_0$ « corrigé » (tenant compte du comportement de base) étaient presque identiques ( $\approx 2,7$ ) car la transmission précoce s'est produite avant une adaptation comportementale significative. Le biais ne réside pas dans la valeur scalaire elle-même, mais dans la décomposition non identifiable.
Divergence Contrefactuelle : Sous une réduction contrefactuelle de la transmissibilité ( $f=0,8$ ), l'ensemble identifié pour le ratio de pointe des hospitalisations couvrait environ 0,18 (un écart de ~20 %), tandis que le taux d'attaque final restait largement invariant (étendue < 2,5 %). Cela indique que le comportement adaptatif remodèle considérablement le calendrier et la hauteur de la vague, mais a un impact limité sur l'incidence cumulée totale.
Confusion Inter-États : L'analyse des États américains a montré que le quadrant de « grande suppression » (haute réactivité + haute non-saturation) était vide. Par conséquent, l'ampleur empirique de la correction comportementale était faible partout.

Signification et Revendications
L'article prétend recadrer l'avertissement selon lequel le $R_0$ « cache » le comportement adaptatif. Les auteurs soutiennent que le $R_0$ n'est pas nécessairement « biaisé » dans sa valeur scalaire pour le régime observé, mais plutôt « incomplet » car sa décomposition est non identifiable. Cette incomplétude est invisible in-sample mais conséquente pour les contrefactuels out-of-sample.

La portée du travail réside dans :

Caractérisation Structurelle : Fournir une définition structurelle précise du contenu comportemental omis par le $R_0$ , plutôt qu'un simple avertissement vague.
Délimitation Pratique : Démontrer que si l'effet comportemental est réel et structurellement caractérisable, il est empiriquement modeste dans le contexte de la COVID-19 en raison du couplage spécifique de la réactivité et de la saturation.
Orientation Opérationnelle : Offrir des règles empiriques pour les praticiens : la description de la vague actuelle est sûre avec des modèles exogènes, mais la planification contrefactuelle (particulièrement concernant la capacité de pointe) nécessite de prendre en compte l'étendue de l'ensemble identifié ou d'estimer explicitement la fonction de réponse. Les auteurs mettent en garde que la faible correction empirique trouvée ici est spécifique à la première vague d'une pandémie sévère et pourrait ne pas s'appliquer à des agents pathogènes plus légers ou à des régimes comportementaux différents.

Le grand mystère du « Qui l'a fait ? »

La grande découverte : Le « tour de magie » des données

Que se passe-t-il quand nous changeons les règles ?

Le retournement de situation surprenant : Pourquoi l'écart était faible en réalité

Les enseignements pour l'avenir

Articles similaires