Preparing for the next pandemic takes more than better models: expert consensus recommendations for infectious disease modelling

Lorsqu'une nouvelle maladie commence à se propager, les gouvernements doivent savoir à quelle vitesse elle se déplacera, où elle frappera ensuite et quelles actions permettront de l'arrêter. Pour répondre à ces questions, les scientifiques construisent des modèles mathématiques. Ce ne sont pas des boules de cristal qui prédisent l'avenir avec certitude ; ce sont plutôt des manières structurées de réfléchir à la façon dont un virus pourrait se comporter sous différentes conditions. Imaginez un modèle comme une carte complexe montrant les itinéraires possibles qu'un voyageur pourrait emprunter, en fonction des routes disponibles et de la météo prévue. Si la carte est dessinée avec des données médiocres ou des hypothèses cachées, le voyageur pourrait faire un mauvais tournant. Pendant des décennies, ces modèles ont aidé les responsables à gérer les épidémies, de la fièvre aphteuse chez les bovins à la propagation mondiale de la grippe. Cependant, la récente pandémie a révélé que posséder de meilleures cartes ne suffit pas. Le véritable défi réside dans la manière dont les cartes sont dessinées, la façon dont les données qui les alimentent sont partagées, et la manière dont les résultats sont expliqués aux personnes qui doivent prendre des décisions de vie ou de mort.

Un large groupe d'experts s'est maintenant réuni pour définir précisément comment la modélisation des maladies infectieuses devrait fonctionner pour être la plus utile possible. Dirigée par des chercheurs de l'Université de Lübeck, cette équipe a réuni 41 spécialistes en mathématiques, en santé publique et en sciences sociales provenant d'universités et d'instituts de recherche du monde entier. Ils ne se sont pas contentés de débattre pour savoir quelles équations étaient les meilleures. Au lieu de cela, ils ont mené un processus rigoureux pour trouver un accord sur les règles du jeu. D'abord, ils ont examiné des centaines d'études passées pour voir quels problèmes les scientifiques avaient rencontrés auparavant. Ensuite, ils ont tenu une série de quatre cycles de discussions et de votes, affinant leurs idées jusqu'à ce que tout le monde s'accorde sur un ensemble final de quarante recommandations. L'objectif était de créer une norme partagée qui rendrait la modélisation plus fiable, transparente et prête pour la prochaine urgence.

La conclusion la plus frappante de ce travail est que les experts se sont mis d'accord de manière quasi parfaite sur quarante énoncés spécifiques. Trente-huit d'entre eux ont reçu la note la plus élevée possible, ce qui signifie que l'ensemble du panel les a jugés essentiels. Cependant, l'accord ne portait pas sur la construction d'un type spécifique de modèle. Au lieu de cela, le consensus le plus fort se concentrait sur les conditions entourant le modèle : les données qu'il utilise, la manière dont il est rapporté et les personnes qui travaillent avec lui. Le panel a constaté qu'un groupe de modélisation ne peut pas résoudre ces problèmes seul. Bien que les scientifiques puissent décider de la manière d'écrire leur code ou d'expliquer leur incertitude, ils ne peuvent pas créer de systèmes de données publiques, négocier des traités internationaux de partage de données ou garantir un financement à long terme par eux-mêmes. Ces tâches nécessitent que les gouvernements, les agences de financement et les conseillers politiques agissent entre les pandémies, et non seulement pendant celles-ci.

Les experts ont identifié que les plus grands obstacles sont souvent d'ordre pratique plutôt que mathématique. Pour qu'un modèle soit précis, il a besoin de données opportunes, faciles d'accès et clairement étiquetées avec leurs limites. Actuellement, les données arrivent souvent tardivement, sont verrouillées derrière des barrières compliquées ou arrivent dans des formats que les ordinateurs ne peuvent pas lire automatiquement. Le panel a insisté sur le fait que les données devraient être disponibles via des systèmes ouverts et lisibles par machine, avec une documentation claire. Ils ont également souligné la nécessité d'accords transfrontaliers afin que les données puissent circuler librement entre les pays lors d'une crise. Sans ces fondations, même le modèle le plus sophistiqué aura du mal à fournir des conseils utiles. Le groupe a également insisté sur le fait que les modèles doivent être transparents. Cela signifie que les scientifiques doivent clairement énoncer les hypothèses qu'ils ont faites, partager leur code et leurs données afin que d'autres puissent vérifier leur travail, et expliquer les limites de leurs prédictions.

Un autre point critique d'accord concernait la manière de parler de l'incertitude. Par le passé, les modèles étaient parfois traités comme des oracles capables de prédire l'avenir exact. Le panel a précisé que les modèles sont des outils pour explorer des possibilités, et non pour prédire le destin. Un modèle peut montrer qu'un virus pourrait se propager rapidement si aucune mesure n'est prise, mais si les responsables mettent en œuvre des mesures strictes, cette propagation rapide pourrait ne pas se produire. Cela ne signifie pas que le modèle a échoué ; cela signifie que le modèle a exploré avec succès un scénario qui a été évité. Les experts ont soutenu que les scientifiques doivent clairement distinguer une prévision de ce qui va arriver d'un scénario de ce qui pourrait arriver sous des conditions spécifiques. Ils ont également convenu que l'incertitude devrait être communiquée sous forme de plages, montrant un spectre de résultats possibles, plutôt que comme un chiffre unique et précis qui donne un faux sentiment de précision.

L'étude a également mis en évidence le fait que les personnes qui construisent ces modèles travaillent souvent de manière isolée des personnes qui les utilisent. Le panel a recommandé la création de rôles permanents pour combler ce fossé, où des experts peuvent traduire les résultats complexes des modèles en conseils clairs pour les décideurs politiques. Ils ont également noté que les modèles négligent souvent les groupes vulnérables ou ne parviennent pas à rendre compte de la façon dont le comportement humain change pendant une crise. Pour remédier à cela, les experts ont appelé à des modèles incluant des populations diverses et à l'intégration des perspectives des sciences sociales. Cependant, ils ont reconnu que l'ajout d'une complexité excessive peut rendre un modèle difficile à utiliser, de sorte qu'un juste équilibre doit être trouvé en fonction de la question spécifique posée.

Malgré le haut niveau d'accord, le panel a reconnu des limites importantes dans son travail. Les experts provenaient presque entièrement de pays à revenu élevé et de milieux académiques. Cela signifie que leurs recommandations reflètent les ressources et les structures disponibles dans ces régions, lesquelles peuvent ne pas exister dans les pays à revenu faible ou intermédiaire où la prochaine pandémie pourrait frapper. Le groupe a admis que sa liste de priorités suppose un gouvernement et un système de santé fonctionnels, ce qui n'est pas toujours le cas. Ils ont également noté que leur étude n'a pas pleinement abordé les réalités politiques qui empêchent souvent de suivre de bons conseils, ni exploré en profondeur les coûts économiques des différentes interventions.

Enfin, le document conclut que la préparation à la prochaine pandémie nécessite plus que de meilleures mathématiques. Il faut construire les institutions et les infrastructures qui permettent aux modèles de fonctionner efficacement. Les experts ont proposé dix priorités spécifiques pour la période entre les épidémies, telles que l'établissement de systèmes de données interopérables, la création d'équipes interdisciplinaires permanentes et la garantie d'un financement soutenu. Ils ont soutenu qu'attendre le début d'une crise pour régler ces problèmes est trop tard. Les recommandations sont présentées non pas comme une solution finale, mais comme un point de départ pour une conversation mondiale. En s'accordant sur ces normes dès maintenant, la communauté scientifique espère que, lorsque la prochaine menace émergera, les outils disponibles pour la combattre seront robustes, clairs et prêts à servir le public.