Des données, des informations, des connaissances : vers de meilleures décisions en santé...

Ve Congres International d’Epidemiologie Adelf-Epiter / Revue d’Epidemiologie et de Sante Publique 60S (2012) S43–S44S44

3 – Conference pleniere/2

Modelisation mathematique des maladies infectieusesA. Flahault

Directeur de l’Ecole des hautes etudes en sante publique (EHESP), Rennes–

Sorbonne Paris Cite, France

La modélisation mathématique des maladies infectieuses repose sur leparadigme de la contagion interhumaine (directe dans le cas de la grippe,ou par l’intermédiaire d’un moustique par exemple dans le cas de maladiesvectorielles). Elle permet de reconstituer à l’aide d’équations mathématiques oude simulations sur ordinateur des dynamiques de transmission d’agentsmicrobiologiques. Elle fournit des trajectoires épidémiques dans le temps etdans l’espace. Elle contribue à une meilleure compréhension des mécanismesépidémiques, et lorsqu’elle se nourrit de données d’observation, autorise dessimulations de scénarios qu’elle permet d’évaluer, voire propose des prédictionsqu’il convient d’interpréter avec précaution et prudence. Véritable « planche àdessin » du décideur en santé publique, les résultats de la modélisationmathématique peuvent l’aider à guider ses choix de politique de santé : parexemple, couverture vaccinale minimale à atteindre pour obtenir un niveau deprotection suffisant dans la population, âge optimal de la vaccination, impact dela fermeture des écoles, des lieux publics ou des aéroports, etc. Ainsi, ce sont lesmodèles mathématiques qui avaient clairement montré l’inutilité de lafermeture des transports aériens dans le cas de la grippe pandémique ; unetelle action aurait eu de très lourdes conséquences économiques et sociales dansnotre société très globalisée pour un gain très faible, voire inexistant, sur le plande la santé des populations.La prévision épidémiologique est un exercice délicat comme toute prévisiond’événement hautement incertain. Ainsi, les prévisions publiées par l’Institut deveille sanitaire (InVS) en France en octobre 2009 fournissaient une fourchettequi semblait large et prudente (3000 à 90 000 décès attendus par grippeH1N1 selon les différents scénarios envisagés) alors que le décompte officiel del’InVS allait être de 312 décès à la fin 2010. Pratiquement tous les autresorganismes de veille sanitaire dans le monde développé ont fourni desprévisions erronées dans les mêmes proportions. Dans un autre domaine, l’unedes meilleures équipes britanniques de modélisation (Imperial College,Londres) avait également largement surestimé la taille à venir de l’épidémiede maladie de Creutzfeld Jacob (nouveau variant) au Royaume-Uni. Lesprévisions se sont affinées avec le temps et se sont rapprochées de la réalité.

La lecon à retenir est que pour l’estimation de la taille d’une épidémie, lesprévisions précoces restent très incertaines et les fourchettes d’estimation,même très larges, sont encore très souvent sujettes à caution. En revanche,l’apport de la modélisation mathématique pour guider les politiques de contrôleet de prévention est souvent crucial, car le plus souvent on manque de donnéesissues d’observations épidémiologiques évaluant sur le terrain les différentesmesures envisagées.

doi: 10.1016/j.respe.2012.06.400

4 – Conference de clôture

Des donnees, des informations, des connaissances : vers demeilleures decisions en sante publique

D.A. Roy

Vice-president aux affaires scientifiques, Institut national de sante publique du

Quebec (NSPQ), Quebec, Canada

À l’instar des autres disciplines du champ de la santé, la transition sanitaire encours interpelle fortement la pratique de l’épidémiologie. La prise en compte dela nature multifactorielle des problèmes de santé, d’interventions à l’intérieurcomme à l’extérieur du système de soins, de l’influence des contextes local etglobal, exige une évolution des outils et des méthodes de l’épidémiologie. Déjàengagée, cette évolution doit s’accélérer. Nous construisons en effet dessystèmes de données de plus en plus sophistiqués, nous développons dessystèmes d’indicateurs élaborés, nous les analysons en mettant en jeudes modèles complexes. Il nous faut maintenant mieux intégrer ces ressourcesinformationnelles dans des systèmes de connaissances représentatifs despopulations, à des niveaux de résolution géographique appropriés, le pluspossible en temps réel, faciles d’accès et compréhensibles pour les décideurs.C’est ainsi que l’épidémiologie de demain sera en mesure de continuer desoutenir l’amélioration des politiques, des programmes et des services aubénéfice de la santé des populations.

doi: 10.1016/j.respe.2012.06.401