Omicron déstabilise la capacité de faire des prévisions au Québec

Graham Hugues (Archives) La Presse canadienne

Pour une rare fois depuis le début de la pandémie, l’Institut national d’excellence en santé et en services sociaux (INESSS) n’a pu établir de prévisions sur l’évolution de la pandémie à cause de « données trop instables ». En revanche, l’Institut national de santé publique du Québec (INSPQ) a pu faire ses propres prédictions. Pourquoi une telle disparité dans la science des pronostics ? Décryptage.

Les boules de cristal de l’INESSS et de l’INSPQ sont « extrêmement différentes », explique Mike Bénigéri, directeur du bureau des données clinico-administratives pour l’INESSS.

Son équipe utilise des calculs dits « de statistiques pures ». En se basant sur les données des nouvelles hospitalisations, des nouveaux cas et du taux de positivité des derniers jours, ils peuvent prédire ces mêmes données pour les jours suivants. « Ce modèle est bon seulement à court terme, note M. Bénigéri. […] En période de changement, on ne peut pas non plus l’utiliser, parce qu’il se base sur ce qui s’est passé statistiquement dans les dernières semaines. » Toute tentative de prédire l’avenir devient donc caduque si un couvre-feu, un nouveau vaccin ou un nouveau variant change rapidement la donne.

« Par contre, en période de stabilité, il va être facile à utiliser et assez bon pour prédire l’occupation des lits », précise M. Bénigéri.

Car voilà toute la différence entre les deux modèles. L’objectif du modèle statistique consiste à anticiper la hausse des hospitalisations afin d’épauler le réseau de la santé. Le modèle utilisé par l’INSPQ vise plutôt à décrire la « dynamique » ou les « tendances » de la pandémie dans des scénarios plus ou moins pessimistes.

Une complexité qui rime avec incertitude

 

Le modèle dont s’inspire l’INSPQ a été mis au point par l’équipe du Dr Marc Brisson, du Groupe de recherche en modélisation mathématique et en économie de la santé liée aux maladies infectieuses. Son approche est dite « mécanistique » et se fonde davantage sur des hypothèses que sur des données brutes. Ses calculs répondent à des interrogations telles que : si la vaccination augmente, si Omicron est trois fois plus contagieux, si l’on ferme les écoles, que va-t-il se passer ?

Le groupe de recherche calibre donc lui aussi ses pronostics avec les données d’hospitalisations et de décès, mais raffine son traitement de données avec d’autres « éléments clés ».

Son équipe parvient à contourner les incertitudes autour du nombre de cas déclarés en assumant le biais statistique. Ils partent ainsi de la prémisse que seulement un tiers des cas de COVID-19 ont été officiellement enregistrés au Québec. Ils parviennent à estimer cet écart en comparant le nombre de cas recensés avec les données de séroprévalence d’Héma-Québec. Les donneurs de sang constituent un groupe représentatif de la population générale, ce qui permet de vérifier la fiabilité des statistiques officielles.

Cette façon de faire est bien plus complexe, car elle utilise ces « données biaisées » comme rétroaction pour garantir la fiabilité des pronostics. « On regarde si les cas que l’on projette dans notre modèle se reflètent dans la tendance des cas observée. Et il faut que ça ait du sens », souligne Marc Brisson.

C’est ainsi que lui et ses collègues ratissent très large afin d’en arriver à des pronostics plus généraux. « Ça nous indique si c’est en train de monter ou de descendre. »

Toutefois, comme pour son équivalent « statistique », la modélisation « mécanistique » a évolué au fil de la pandémie pour inclure d’autres influences, comme les vaccins, les variants ou les mesures sanitaires.

L’arrivée d’Omicron et la saturation des systèmes de dépistage ont ainsi déstabilisé les deux modèles. Pour l’INESSS, cette instabilité s’est avérée trop importante pour que l’organisme puisse continuer à donner des avis. Pour l’INSPQ, les données d’hospitalisations ont pu prendre le relais pour qu’on puisse continuer à prédire l’avenir, avec en contrepartie moins de fiabilité dans les scénarios avancés.

Ainsi, la réouverture des écoles se pose comme le tout dernier problème à résoudre pour Marc Brisson, car l’absence de données sur la circulation du virus chez les plus jeunes fausse les données d’hospitalisation. « Chez les plus vieux, il y a une proportion des personnes plus âgées qui se font hospitaliser. Donc les hospitalisations et les décès représentent bien les tendances chez les adultes. Mais il y a tellement peu d’enfants qui se font hospitaliser que c’est important d’avoir d’autres sources de données », dit-il.

Notons que la plupart des États du monde utilisent conjointement ces deux modèles, « statistiques » et « mécanistiques », pour prévoir les prochaines tendances du virus.

Ce texte est tiré de notre infolettre « Le courrier du coronavirus » du 17 janvier 2022. Pour vous abonner, cliquez ici.



À voir en vidéo