A transparent process for creating behavioural systems maps to inform population simulation models which aim to explain and predict public health policy effects: the case of smoking cessation in England

Imaginez essayer de prédire l'avenir d'une ville bouillonnante, mais au lieu de suivre les embouteillages et les conditions météorologiques, vous suivez quelque chose de bien plus personnel : pourquoi les gens font les choix qu'ils font. C'est le monde des politiques de santé publique, où les scientifiques agissent comme des détectives essayant de découvrir quelles lois et quelles campagnes aideront réellement les gens à être en meilleure santé. Pour ce faire, ils utilisent des « modèles de simulation », qui sont comme des jeux vidéo très perfectionnés. Dans ces jeux, vous pouvez construire une population virtuelle, modifier une règle (comme augmenter le prix des cigarettes) et observer ce qui se passe sur plusieurs années sans rister de vraies vies. Mais voici la partie délicate : ces jeux ne sont aussi bons que les règles que vous leur donnez. Si le jeu ne comprend pas pourquoi une personne décide d'arrêter de fumer, il ne peut pas prédire si une nouvelle politique fonctionnera. C'est là qu'intervient un cadre spécial appelé COM-B. Voyez cela comme un tabouret à trois pieds qui soutient tout comportement humain : vous avez besoin de Capacité (pouvez-vous le faire ?), d'Opportunité (le monde vous permet-il de le faire ?) et de Motivation (voulez-vous le faire ?). Sans ces trois pieds, le comportement s'effondre.

Imaginez maintenant une équipe de scientifiques essayant de construire l'ultime « Simulateur d'Arrêt du Tabac » pour l'Angleterre. Ils ont réalisé que le simple fait de deviner comment les politiques fonctionnent ne suffisait pas ; ils avaient besoin d'une recette transparente et étape par étape pour cartographier exactement comment une politique modifie la Capacité, l'Opportunité ou la Motivation d'une personne. C'est l'histoire de leur nouvelle méthode, un processus qu'ils appellent « cartographie systémique comportementale ». Ils n'ont pas seulement construit un modèle ; ils ont construit un plan pour construire le modèle, en utilisant le parcours complexe de l'arrêt du tabac comme cas de test. Ils ont découvert que l'arrêt du tabac n'est pas seulement un grand événement, mais deux batailles différentes avec des règles différentes. Et en dessinant ces règles sur une carte, ils ont montré comment créer une simulation capable de prédire les effets à long terme des politiques de santé publique, aidant ainsi les dirigeants à dépenser l'argent là où il sera le plus utile.

Le plan pour une révolution de l'arrêt du tabac

Les chercheurs, un mélange de magiciens de l'informatique et d'experts en comportement, ont commencé par une question simple mais massive : comment construire une simulation informatique qui ne se contente pas de deviner, mais qui comprend réellement pourquoi les gens arrêtent de fumer ? Ils savaient que les modèles traditionnels étaient un peu comme des cartes plates ; ils pouvaient montrer où se trouvaient les gens, mais ils ne pouvaient pas montrer les collines et les vallées qui rendaient le voyage difficile ou facile. Pour corriger cela, ils ont développé un nouveau processus transparent utilisant des « cartes systémiques comportementales ». Voyez ces cartes comme un immense diagramme interactif qui relie les points entre une politique gouvernementale, les rouages psychologiques qui tournent dans la tête d'une personne et l'action finale de poser sa cigarette.

Le processus qu'ils ont créé comporte quatre étapes principales, comme une recette pour un gâteau très compliqué. D'abord, ils ont dû décider quels « comportements » modéliser. Ils ont réalisé que l'arrêt du tabac n'est pas qu'une seule chose. Il s'agit en réalité de deux étapes différentes : le moment où l'on décide d'essayer d'arrêter (la « tentative d'arrêt ») et le long et dur combat pour rester non-fumeur (le « maintien de l'arrêt »). Ils ont découvert que les facteurs qui stimulent ces deux étapes sont totalement différents, comme les ingrédients d'une pâte à gâteau sont différents des ingrédients du glaçage.

Ensuite, ils ont utilisé le cadre COM-B pour construire leur carte théorique. Ils ont pris des centaines de petites choses observables — comme le plaisir qu'une personne éprouve à fumer, si elle reçoit les conseils d'un médecin ou combien de fumeurs se trouvent dans son cercle d'amis — et les ont classées dans les trois catégories : Capacité, Opportunité ou Motivation. Par exemple, ils ont découvert que pour quelqu'un qui essaie juste d'arrêter, sa motivation est énorme. Des éléments comme le plaisir de fumer ou le budget consacré aux cigarettes stimulent cette décision. Mais pour quelqu'un qui essaie de maintenir l'arrêt, la motivation compte moins, et la « capacité » prend le relais. Des éléments comme avoir une identité de non-fumeur, utiliser des patchs de nicotine ou avoir un niveau d'addiction plus faible sont les acteurs clés.

L'équipe a ensuite dû passer au concret. Ils ont examiné leur carte théorique sophistiquée et se sont demandé : « Que pouvons-nous réellement mesurer avec des données ? » Cela a conduit à leur carte « basée sur les données ». Ils ont dû écarter certaines idées théoriques intéressantes parce qu'il n'y avait pas assez de données pour les étayer. Par exemple, bien qu'ils sachent que comprendre les méfaits du tabac est important, ils n'ont pas trouvé assez de preuves dans le contexte anglais actuel pour prouver qu'il s'agissait d'un moteur majeur, ils l'ont donc laissé de côté dans la simulation finale. Ils ont également dû décider quelles politiques tester. Ils ont choisi une « campagne de médias de masse » pour encourager les gens à essayer d'arrêter (boostant la motivation) et un « financement accru pour les services d'aide au sevrage » pour aider les gens à maintenir l'arrêt (boostant la capacité).

L'une des parties les plus passionnantes de leur travail est la façon dont ils ont géré les « boucles de rétroaction ». Dans la vie réelle, arrêter de fumer change le monde qui vous entoure, qui à son tour vous change. Si vous arrêtez, vous pourriez avoir moins d'amis fumeurs, ce qui facilite l'arrêt de vos amis aussi. Ou, si vous essayez d'arrêter et que vous échouez, vous pourriez être moins motivé la prochaine fois. L'équipe a intégré ces boucles dans leur carte, créant un système complexe et vivant où le comportement d'une personne se répercute sur l'ensemble de la population. Ils ont même inclus une « population synthétique », une foule virtuelle de personnes qui reflète le vrai Royaume-Uni, avec ses différentes classes d'âge, professions et cercles sociaux. Cela signifie que leur modèle peut montrer comment une politique peut aider une personne riche différemment d'une personne pauvre, ou comment le parcours d'un jeune diffère de celui d'une personne plus âgée.

Ce qu'ils ont trouvé (et ce qu'ils n'ont pas trouvé)

La grande découverte ici n'est pas une pilule magique qui ferait arrêter tout le monde instantanément. Au contraire, l'article suggère que la façon dont nous modélisons ces problèmes nécessite une mise à jour sérieuse. En utilisant leur nouveau processus de cartographie, l'équipe a découvert que traiter l'« arrêt du tabac » comme un événement unique est une erreur. Les facteurs qui poussent à essayer d'arrêter sont distincts de ceux qui permettent de maintenir l'arrêt. Par exemple, ils ont trouvé que si l'utilisation de la thérapie de remplacement nicotinique (TRN) aide à motiver une première tentative, c'est la version prescrite de la TRN et d'autres aides qui aident réellement quelqu'un à maintenir l'arrêt.

Ils ont également exclu explicitement l'idée que nous puissions simplement jeter tous les facteurs possibles dans un modèle en espérant que cela fonctionne. Ils ont montré que sans une carte claire reliant les politiques à des moteurs psychologiques spécifiques, la simulation devient une boîte noire. Ils ont également noté que, bien que leur modèle soit sophistiqué, il s'agit toujours d'une simulation. Il suggère comment les choses pourraient fonctionner sur la base des données dont ils disposent, mais il n'a pas encore « prouvé » que ces politiques fonctionneront certainement dans le monde réel. Le modèle est un outil pour aider les décideurs à faire de meilleures suppositions, pas une boule de cristal.

De plus, ils ont pris soin de préciser que leur carte actuelle ne couvre pas tout. Ils n'ont pas modélisé en détail la danse complexe entre le tabac et la vape, et n'ont pas non plus inclus toutes les politiques possibles, comme l'augmentation des prix du tabac, car ils voulaient se concentrer d'abord sur les mécanismes comportementaux. Ils ont également admis que leur modèle dépendait fortement des données existantes, et si une donnée manque, la carte présente une lacune.

Pourquoi cela importe

Alors, pourquoi un adolescent curieux devrait-il se soucier de modèles informatiques et de diagrammes de flux ? Parce que ce processus change la façon dont nous résolvons les grands problèmes. Avant cela, essayer de prédire si une nouvelle loi aiderait à arrêter de fumer revenait à naviguer dans un labyrinthe dans l'obscurité. On devinait quel chemin prendre, et si on heurtait un mur, on essayait simplement à nouveau. Cette nouvelle méthode vous donne une lampe de poche et une carte. Elle permet aux scientifiques et aux décideurs de voir les connexions cachées entre une décision gouvernementale et la vie quotidienne d'une personne.

En séparant l'« essai » du « maintien », le modèle montre que nous avons besoin d'outils différents pour différentes étapes du parcours. On ne peut pas simplement utiliser une affiche de motivation pour aider quelqu'un qui n'a pas fumé depuis un an ; cette personne a besoin d'un soutien différent, comme un meilleur accès aux aides médicales. Et parce que le modèle tient compte de la façon dont les gens s'influencent mutuellement, il peut prédire comment une politique pourrait aider toute une communauté, et pas seulement une personne.

Les auteurs espèrent que ce processus transparent pourra être utilisé pour d'autres problèmes de santé, comme la consommation d'alcool ou l'obésité. Ils pensent qu'en rendant la « recette » de ces modèles claire et ouverte, nous pourrons construire de meilleures simulations à l'avenir. Ces simulations ne seront pas seulement des jeux sophistiqués ; elles seront des outils puissants qui aideront les dirigeants à prendre des décisions plus justes et plus efficaces, garantissant que l'argent public est dépensé dans les stratégies qui fonctionnent réellement pour les personnes qui en ont le plus besoin. C'est un pas vers un avenir où nous ne nous contentons pas de deviner ce qui fonctionne, mais où nous savons pourquoi cela fonctionne.