La modélisation numérique pour gérer la crise sanitaire donne du fil à retordre aux décideurs
« Comment se préparer à l’impréparable ? » s’est interrogé, en substance, l’Académie des technologies dans son dernier rapport publié cette semaine portant sur les modélisations et données pour la gestion de crises sanitaires. La crise sanitaire de la Covid-19 a permis à la modélisation et la simulation d’acquérir une nouvelle visibilité dans le paysage épidémiologique. Mais il faut à présent que les décideurs s’inspirent des industriels pour jeter les bases d’une « véritable politique de gestion de crise en France et en Europe fondée sur les données et les modèles », selon l’Académie.
Depuis le début de la pandémie, une multitude de données sont accumulées chaque jour, permettant de modéliser l’évolution des nouveaux cas de Covid-19 et d’en prédire l’évolution. Dans ces efforts de modélisation et de simulation déployés, l’Académie estime que des limitations sont apparues dans l’unique considération de la dynamique de l’épidémie, alors que d’autres facteurs non modélisés auraient mérité de figurer aussi dans ces études (industriels, économiques, sociétaux ou psychologiques, etc.).
Elle préconise une approche système globale, qui s’appuie sur une plateforme logicielle réunissant données et modèles relatifs aux divers facteurs concernés par la crise. Cette plateforme, un “crisis model hub” à l’échelle nationale ou européenne, permettrait diverses analyses et études de scenarios d’action dans des temps réduits.
Les enseignements des industiels
Gérard Roucairol, président du pôle numérique de l’Académie, a indiqué, à l’occasion d’une présentation à la presse des lignes directrices du rapport, que dans le cadre de la crise sanitaire inédite de la Covid-19, est apparu sur le devant de la scène un « recours à l’arbitrage politique ou économique déconnecté la plupart du temps d’éléments rationnels ». Sauf dans le cadre sanitaire où des modèles épidémiologiques existaient, il est apparu difficile de donner une vision sanitaire de la société incluant d’autres composants importants. Le pôle numérique de l’Académie des technologies met en liaison à la fois les paramètres mathématiques de modélisation, les initiatives industrielles de mise en oeuvre d’outils pour croiser toutes les dimensions, et les infrastructures numériques pour rendre en compte opérationellement la gestion de crise et se préparer ainsi à « l’impréparation ».
Selon les académiciens, il n’y a pas de raison que les gouvernements ne soient pas équipés comme les grands industriels. « Il faut jeter les bases d’une vraie gestion de crise en France et en Europe », et si possible en usant de toutes les techniques, aussi bien d’une approche système que des plateformes, des jumeaux numériques, et des combinaisons de modèles d’IA, estime Albert Benveniste, co-rédacteur du rapport.
Pour Albert Benveniste, il ne fait aucun doute : « les industriels sont au coeur de la réponse ». Pour conduire un projet d’envergure, deux options sont possibles, indique-t-il : s’appuyer sur quelques grands acteurs indutriels pour élaborer un cahier des charges, ou alors créer une entité plus étatique ex-nihilo qui prendrait en main le dossier dans sa globalité.
Détourner des outils existants pour gérer la crise
Les académiciens illustrent le rapport de quelques initiatives industrielles, nées pendant la crise, consistant à détourner des outils de leur fonction première pour répondre à la gestion de crise.
Le rapport met en lumière notamment le projet mené par IBM Paris, qui s’est servi de son outil CPLEX pour optimiser le transfert des malades entre les hôpitaux, avec les données de la première vague du printemps 2020. Contrairement à l’IA, l’optimisation n’est pas un hype, c’est la raison de ce PoC fait par IBM, défendent les académiciens. Mais les verrous de son déploiement à plus large échelle sont nombreux, à commencer par la barrière des coûts de modélisation et la collecte de l’expertise nécessaire à ce genre de projet, décrivent-ils.
Autre essai parlant, celui réalisé par Thales sur la base de sa plateforme SDP (Security Digital Platform). Il donne à voir une combinaison de plateformes permettant la collaboration entre différents corps, et permet de proposer différents scénarios de décision. Ce travail a suscité la surveillance de clusters, la collecte de données pour identifier les signaux faibles, la collecte des déplacements, le report dans les modèles d’épidémiologie, la correlation entre les différents indicateurs et la création de scénarios pour prédire et permettre aux décideurs de préjouer plusieurs politiques différentes. Ce projet a donc combiné à la fois de la collecte de données et de l’intelligence artificielle pour les traiter. Selon Albert Benveniste, l’intérêt d’une telle plateforme complexe est de « tout voir et pouvoir prédire l’effet de décision, et surtout, démontrer la force de collaboration. »
L’Académie des technologies a également interrogé dans le cadre de son enquête Dassault Systèmes, qui a elle aussi réalisé une expérience de modélisation multi-factorielle à partir de sa plateforme 3DExperience, capable d’accueillir des modélisations de nature différente à l’aide des jumeaux numériques, à l’origine commercialisée pour la conception de systèmes complexes. « Il s’agit d’un outil avancé, mais qui a été détourné pour de la gestion de crise. Il y a peu de modèles de cette envergure qui ont été réalisé dans le monde » soulignent les académiciens.
Comment améliorer le pouvoir prédictif des modèles ?
Dans la modélisation de l’épidémologie, certaines choses ont été bien faites, rassure Albert Benveniste. « Les vaccins sont sortis. Nous avons pu utiliser les prévisions des épidémiologistes. » Toutefois, il ressort de l’enquête que « les modèles d’épidémiologies qui ont été beaucoup utilisés, sous des formes plus ou moins évoluées, prennent essentiellement le point de vue du virus et décrivent l’évolution de sa dissémination dans la population à l’aide d’équations qui comportent un certain nombre de paramètres ». Or, « ces paramètres pour ajuster les modèles sont calés à partir de données observées : on s’en sert pour améliorer les modèles et prédire l’avenir. C’est par le biais de ces paramètres que les épidémiologistes ont cherché à comprendre le comportement des populations, ce qui rend l’aspect prédictif du modèle difficile » explique Albert Benveniste.
L’Académie des technologies souligne qu’il existe pourtant une méthode alternative, mise en avant par certains mathématiciens qui ont eu l’idée de travailler sur l’interaction entre l’économie elle-même et le comportement des populations, ce qu’on appelle les « anticipations rationnelles » précise Albert Benveniste. On s’est aperçu d’une chose : la tendance à l’anticipation est forte en temps de crise. Aussi, « la simple annonce d’un futur confinement pouvaient faire que les gens anticipaient leur comportement de transmission » a évoqué Laurent Gouzenes, co-rédateur du rapport.
Ce qui est reproché aux modèles SIR classiques, c’est de ne pas assez prendre en compte ce facteur d’anticipation dans le cas des transmissions chez l’homme, à la différence des transmissions chez les animaux. Bien que cette nouvelle approche épidémiologique plus globale soit intéressante, les académiciens s’accordent à dire qu’il n’y a pas eu suffisamment de travaux dessus pour vraiment en saisir l’efficacité.
Pour être pertinent, les modèles ont besoin de données. Le rapport note que l’utiliation de modèles de type “semi-physiques” requiert en permanence une calibration sur des données mesurées pour amélioer leur pouvoir prédictif. Laurent Gouzenes insiste sur les difficultés liées à la collecte des données pour construire de telles modélisations. « Il était très difficile, tout au long de la crise, d’avoir des données fiables et représentatives du terrain. » Au-delà du suivi des décès, d’autres indicateurs sont en effet à prendre en compte tels que les entrées en réanimation, le suivi des mobilités à travers les smartphones, ou encore le suivi des eaux usées, une méthode de mesure lancée par les marins pompiers de Marseille qui a débouché sur la création du réseau COMETE.
