4 questions clés que les décideurs politiques devraient poser aux modélisateurs COVID-19

Cet article a été écrit par Afreen Siddiqi, chercheur scientifique au MIT et Kaveri Iychettira, boursier postdoctoral, Belfer Center for Science and International Affairs à la Harvard Kennedy School. Il a été initialement publié sur le Forum économique mondial .

Les décideurs s'appuient sur les prévisions des coronavirus pour façonner la politique, il est donc vital qu'ils demandent comment les projections ont été faites, écrivent deux scientifiques.
De la raison pour laquelle le modèle a été créé et des données utilisées, voici quatre questions clés.

Le 8 avril, le gouverneur de New York, Andrew Cuomo, a annoncé que son État «aplatissait la courbe» de la pandémie de COVID-19. Mais seulement deux semaines plus tôt, divers modèles avaient prévu que les pics d'hospitalisation à New York pourraient être plusieurs fois supérieurs à ce qu'ils se sont avérés être.

Juxtaposant le nombre réel d'hospitalisations au COVID-19 à ces projections, Cuomo se demanda : «Comment trouvez-vous une courbe réelle si différente de ce que ces experts ont prédit?»

"Lorsqu'un modèle est réaffecté pour enquêter sur des questions auxquelles il n'était pas destiné à l'origine, les résultats ne seront aussi bons que l'alignement des questions et la conception du modèle"

La question de Cuomo résume le défi auquel les décideurs sont confrontés lorsqu'ils traitent de modèles prédictifs. Lorsque les enjeux sont importants et que les projections basées sur des modèles sont un guide principal, comment les décideurs doivent-ils procéder?

C'est une question pertinente non seulement lors d'une pandémie. La crise financière de 2008 a mis en évidence la puissance (et les risques) des modèles économiques et financiers , et la dépendance à de tels outils ne fera que croître à l'ère des mégadonnées et de la puissance de calcul. En tant que scientifiques qui construisent régulièrement des modèles d'analyse des politiques, nous proposons quatre questions que les décideurs devraient poser lorsqu'ils utilisent les résultats de ces modèles.

D'abord, pourquoi le modèle a-t-il été créé?

Chaque modèle simplifie la réalité, et les décisions de son créateur concernant ce qu'il faut simplifier (et comment), ce qu'il faut inclure et ce qu'il faut laisser sont basées principalement sur les questions que le modèle a été conçu pour explorer. La finalité spécifique d'un modèle guide le choix des équations mathématiques et des méthodes utilisées.

Lorsqu'un modèle est réaffecté pour enquêter sur des questions auxquelles il n'était pas destiné à l'origine, les résultats ne seront aussi bons que l'alignement des questions et la conception du modèle. Par exemple, un modèle conçu pour estimer l'utilisation d'un lit d'hôpital peut être très différent d'un modèle axé sur la compréhension de la dynamique de la propagation d'une maladie et les implications politiques qui en découlent.

Deuxièmement, quelles sont les hypothèses clés du modèle et sont-elles toutes valables pour la situation actuelle?

Ce n'est pas seulement la question pour laquelle un modèle a été conçu qui compte. Par exemple, certains modèles épidémiologiques de maladies infectieuses supposent une population fixe. Cela peut être valable pour certaines régions, mais pas pour les villes où un grand nombre de personnes - infectées ou en bonne santé - entrent et sortent quotidiennement.

"Les décideurs doivent savoir quels aspects du monde réel un modèle suppose comme fixes"

D'autres hypothèses peuvent porter sur les aspects du passé qui resteront les mêmes à l'avenir. De nombreux modèles fournissent simplement un scénario d'un avenir possible si les choses suivent le même cours qu'auparavant.

De telles analyses sont utiles, car elles montrent ce qui peut arriver si nous ne nous adaptons pas. Ces informations peuvent aider à galvaniser des actions visant à éviter un avenir indésirable et à en créer un plus attractif.

Nos sociétés sont dynamiques et la plupart des gens répondent constamment aux nouvelles informations avec des degrés de retard variables. En conséquence, l'introduction même d'une prédiction dans le domaine public peut modifier une trajectoire future.

Les décideurs doivent donc savoir quels aspects du monde réel un modèle suppose comme fixes. Ils doivent également se demander comment les résultats d'un modèle changent si certaines de ses hypothèses clés ne sont pas pleinement valables pour une situation spécifique.

Troisièmement, d'où viennent les données qui alimentent le modèle et dans quelle mesure sont-elles applicables dans le contexte actuel?

"Les décideurs doivent souvent tirer le meilleur parti des données disponibles, malgré les faiblesses de ces données"

Les modèles utilisent des données pour calculer des résultats spécifiques, il est donc crucial de savoir d'où viennent ces données et à quel point elles sont précises. Idéalement, les données devraient provenir de sources fiables, couvrir la région pour laquelle la politique en question est envisagée et être aussi à jour que possible. En réalité, les données peuvent être limitées, peu granulaires ou issues d'un contexte différent. Si c'est le cas, les modélisateurs devraient le préciser.

Par exemple, certaines des premières estimations du nombre de lits d'hôpital et de la capacité de soins intensifs nécessaires aux patients atteints de COVID-19 aux États-Unis étaient basées sur des données provenant de Chine . Mais si les médecins américains utilisent des normes d'hospitalisation des patients différentes de celles de leurs homologues de Wuhan, alors les données chinoises auront une applicabilité limitée.

Les modèles utilisent des données pour calculer les résultats, il est donc crucial de savoir d'où viennent les données. Image: medRxiv

Les décideurs doivent souvent tirer le meilleur parti des données disponibles, malgré les faiblesses de ces données. Prendre dûment note de ces lacunes ou lacunes fournit un contexte important pour les décisions et souligne également l'urgence d'acquérir de meilleures données dès que possible.

Enfin, dans quelle mesure les résultats sont-ils incertains?

"Les modèles ne peuvent jamais prédire parfaitement l'avenir. Mais s'ils sont construits avec soin et utilisés avec humilité, ils peuvent être comme des télescopes sur un navire sous la pluie"

Fixer une prévision unique sans mettre l'accent sur son incertitude peut être dangereux et coûteux. Les modélisateurs et les reportages faisant référence à des modèles doivent clairement communiquer les sources et l'étendue de toute incertitude. Dans le même temps, les décideurs doivent chercher à comprendre la marge d'erreur d'un modèle et à garder cela à l'esprit lorsqu'ils prennent une décision.

Les décideurs s'appuyant sur un torrent croissant de prévisions concernant COVID-19 et d'autres questions importantes, il est plus important que jamais de poser des questions sur la façon dont les projections ont été faites.

Les modèles ne peuvent jamais prédire parfaitement l'avenir. Mais s'ils sont construits avec soin et utilisés avec humilité, ils peuvent être comme des télescopes sur un navire sous la pluie - fournissant des images floues qui nous aident à discerner ce qui nous attend, afin que nous puissions décider de tracer une route différente et meilleure. - Afreen Siddiqi et Kaveri Iychettira

[Crédit photo: Dimitri Karastelev / Unsplash]