Konfedera

Proposition de parti politique décentralisé et multinational, pour la démocratie directe, l'allocation universelle et une Confédération d'États souverains.

Gestion des épidémies

email Facebook Twitter
Màj : 24 mai 2020   –   # pages : 47 [?]

Résumé

https://konfedera.org/gestion-epidemies#resume
  1. La thèse que la plupart des scientifiques et journalistes propagent concernant COVID-19 est la suivante :

    COVID-19 est un virus nouveau. Il en résulte que (i) il n'existe ni médicament spécifique ni vaccin ; (ii) personne n'est immunisé (absence d'anticorps) ⇒ il n'existe pas de barrière physiologique à sa propagation, qui est alors rapide. Par conséquent, pour éviter le risque de surcharge du système hospitalier, il faut imposer le confinement général des populations, ce qui aura pour effet de retarder et d'abaisser le sommet de la courbe épidémique.
  2. Hystérie. Pourtant, au cours des dernières décennies il y a eu de nombreux "nouveaux" virus (ou supposés tels ...) qui sont apparus et se sont répandus sur la quasi totalité de la planète (pandémie). Dans la plupart des cas on a également assisté à une hystérie collective, mais jamais avec une intensité telle que pour COVID-19, et en particulier on n'avait pas eu recours au confinement général.

  3. Prévisions. Durant les précédentes épidémies de virus nouveaux les prévisions calculées par les modèles mathématiques épidémiologiques (reposant généralement sur le modèle de base SIR) ont systématiquement (et énormément) exagéré la gravité de la situation (heureusement, sans que cela ait provoqué de confinement général).

  4. Mortalité. Il arrive régulièrement que jusqu'à 650.000 personnes meurent dans le monde sur une année en raison de complications liées aux virus de la grippe saisonnière. Au 19 mai 2020 le nombre de décès causés par COVID-19 dans le monde représentait 50% de ce nombre. Cependant ce chiffre pourrait être revu à la baisse en raison de décès attribués erronément à COVID-19.

  5. Question. En Europe, région du monde la plus touchée par COVID-19 la mortalité toutes causes sur l'ensemble de l'année 2020 pourrait probablement légèrement augmenter par rapport aux années de forte grippe saisonnière. Cependant cela n'est pas même certain car il est très probable que la mortalité durant la seconde moitié de 2020 s'avère particulièrement faible. Cependant des différences notables entre pays ainsi qu'entre régions du monde posent une question importante : le surplus de mortalité dans les pays les plus touchés est-il du au virus ou au confinement général ?

  6. Contradiction. Le modèle SIR montre que les pays qui appliquent le confinement général pourront obtenir finalement un taux de mortalité (très) supérieur à ceux des pays ayant plutôt appliqué la stratégie consistant à dépister & traiter (même avec des médicaments "non spécifiques").

  7. Causes. De nombreux faits suggèrent qu'une partie considérable de l'augmentation de la mortalité toutes causes en Europe durant l'épidémie de COVID-19 fut causée par :

    • les effets du stress psychique et de l'isolement causés par le confinement général, ce fut particulièrement le cas des personnes âgées : isolées et terrorisées par la terreur médiatique beaucoup se sont "laissées partir" ;
    • la suspension du suivi habituel des pathologies hors COVID-19 en raison du confinement général;
    • la pénurie de matériels & services médicaux dont la production & distribution fut entravée par le confinement général ;
    • une réglementation médicale pénalisant l'utilisation de médicaments non spécifiques même dans une situation de crise face à un virus nouveau (les partisans du confinement général invoquant alors cette réglementation pour "justifier" leur stratégie) ;
  8. Stratégie. La méthode rationnelle pour neutraliser l'épidémie d'un agent pathogène (nouveau ou non) est la suivante :

    • en situation normale : pas besoin de stratégie car la plupart des épidémies s'éteignent naturellement avant d'avoir infecté 100% de la population, pour des raisons peut-être liées à l'immunité collective mais aussi pour d'autres raisons inconnues à ce jour mais très probablement liées au virus lui-même et/ou aux écosystèmes dans lesquels il évolue ;
    • en situation de crise (c-à-d lorsque la capacité hospitalière risque d'être débordée par l'épidémie) :
      • s'il existe des groupes à risque ⇒ stratégie ciblée : "dépister au sein des seuls groupes à risque" ;
      • si toute la population est également à risque ⇒ stratégie massive : "dépister massivement".
      • traitement : en l'absence éventuelle de médicament spécifique pour réduire la charge virale on peut utiliser des médicaments non spécifiques ("repositionnement" dans le cadre d'une réglementation de crise).
  9. Démocratie. Étant donné que l'on découvre régulièrement de nouveaux virus (suite au progrès scientifique et à la mondialisation), il en résulte logiquement que si les populations ne se révoltent pas contre le confinement général et le traçage de nos relations, ces pratiques deviendront la norme.

  10. Responsabilités. Dans le délire collectif autour de COVID-19 il y a une immense responsabilité des médias "d'information" professionnels ainsi que des scientifiques médiatisés (qui dans le jargon de ces médias sont appelés "de bons clients"). Elle doit conduire à la prise de contrôle démocratique des moyens de production de l'information et du savoir.

Partagez ce résumé en copiant/collant son adresse dans votre réseau social ou email :
Pourquoi il faut rejeter le principe du confinement général :
https://konfedera.org/gestion-epidemies#resume


NB : la plupart des sections et sous-sections de cet article, ont leur adresse affichée en gris clair en dessous de leur titre.

Introduction

https://konfedera.org/gestion-epidemies#intro
epidemie.jpeg

AVERTISSEMENT. Étant donné la grave généralisation de l'hystérie autour de COVID-19 ce document est une publication en cours, faisant l'objet de mises à jour quotidiennes. Elle contient donc des erreurs et approximations, mais des corrections et précisions son apportées chaque jour, de sorte que la qualité, l'étendue et la profondeur de l'article augmentent constamment. N'hésitez pas à me communiquer vos commentaires. P.S. Je ne suis pas de formation médicale mais économiste. Enfin, en tant que chercheur libre, mon approche est fondée sur la transdisciplinarité (à ne pas confondre avec l'interdisciplinarité). Cette approche est certes ambitieuse voire prétentieuse, mais il demeure que la transdisciplinarité peut susciter utilement le sens critique et la réflexion constructive.

En Chine, où l'épidémie est terminée, le taux de mortalité morts / population est de seulement 0,03 % pour l'agglomération de Wuhan (le foyer de l'épidémie, 11 millions d'habitants) et 0,0002 % pour l'ensemble de la Chine (1,386 milliard d'habitants) [source]. On comparera utilement ce dernier taux avec le taux correspondant de la grippe en France, soit 0,02 % [source].

Taux de mortalité morts / population (%)
COVID-19 (Chine) Grippe (France) COVID-19 / Grippe
0,03 (Wuhan) 0,02 1,5
0,0002 (Chine) 0,01

Nomenclature : COVID-19 est le nom de la maladie ("COronaVirus Disease 2019") tandis que SARS-CoV-2 est celui du virus ("Severe Acute Respiratory Syndrome COronaVirus 2") [source].

Nous verrons dans la section consacrée à l'analyse du catastrophisme médiatique que le gouvernement chinois a imposé le confinement général – NB : dans la seule région de Wuhan (le foyer épidémique) – pour des raisons de politique intérieure et extérieure. Il ne pouvait s'agir de raisons médicales car il n'existe aucune étude scientifique démontrant l'utilité effective du confinement général. D'autre part le tableau montre que le confinement général (i) n'a pu empêcher la propagation du virus dans le reste de la Chine, et (ii) que le taux de mortalité y est (très) inférieur alors que le confinement général n'y a pas été appliqué. Il y a donc une forte probabilité qu'une partie considérable du surplus de mortalité dans la région de Wuhan fut causée par les effets pervers du confinement général. Nous verrons qu'il existe de nombreux facteurs explicatifs renforçant cette thèse.

Il importe donc de tirer les leçons du délire collectif autour de COVID-19. Que faire en cas d'épidémie (virale, bactérienne, ...) lorsqu'il n'existe ni vaccin anti-viral ni traitement curatif spécifique ? Quelle stratégie choisir, et comment la mener ? Pour ce faire nous proposons de concevoir un système de décision permettant aux individus et organisations (dont les gouvernements) de savoir à partir de quand il importe d'appliquer des mesures sanitaires, lesquelles (stratégies) et comment (annonce, timing, obligation/recommandation, ...).

Ce système de gestion des épidémies (SGE) permettrait :

  • d'aider les décideurs politiques à prendre les bonnes décisions au bon moment ;
  • de limiter si ce n'est neutraliser l'hystérie médiatique et les vagues de panique ;
  • enfin, "last but not least", de neutraliser le risque que des gouvernements mal intentionnés invoquent le "principe de précaution" pour imposer un régime de traçage des individus et de confinements récurrents.

La suite du présent article est composés de six parties :

  • analyse critique du modèle épidémiologique de base
  • analyse statistique et sociologique de l'épidémie du virus COVID-19 ;
  • description de trois stratégies de gestion des épidémies ;
  • présentation de la problématique politique ;
  • proposition pour un système de gestion des épidémies (SGE) ;
  • conclusion.

Modèles mathématiques

https://konfedera.org/gestion-epidemies#modeles-mathematiques

Dans cette section nous allons voir :

  • la problématique des modèles mathématiques;
  • le modèle SIR;
  • l'application du profil statistique de la grippe et de COVID-19 au modèle SIR
  • pourquoi les prévisions des modèles épidémiologiques sont aberrantes;
  • pourquoi et comment les modèles épidémiologiques sont utilisés de façon abusive;
  • une analyse critique des taux de mortalité comme instrument de gestion épidémique.

Principes

https://konfedera.org/gestion-epidemies#modeles-mathematiques-principes

La modélisation mathématique d'un phénomène naturel permet au moins trois types d'utilisation :

  1. explication : faciliter l'étude de ce phénomène (enseignement & recherche) en reproduisant sont fonctionnement par une simulation simplifiée ;
  2. prévision : prédire son évolution future ... mais seulement pour les phénomènes dont la valeur des paramètres est stable dans le temps ainsi que dans l'espace considéré (notion de référentiel);

    Cette stabilité des paramètres est vérifiée dans le cas de phénomènes tels que la chute d'un corps, mais nous verrons que ce n'est pas le cas des phénomènes épidémiques autres que in vitro.

  3. exploitation : élaborer des techniques pour exploiter ou au contraire neutraliser ce phénomène.

Corrélation. Ainsi le modèle M ≡ y = a * x + b décrit une relation (linéaire) entre des variables x et y, les grandeurs a et b étant considérées (à tort ou à raison) comme constantes et par conséquent qualifiées de "paramètres".

Causalité. Telle qu'écrite ci-dessus, c-à-d sans indices de temps, cette équation ne dit rien quant à une éventuelle causalité soit de x sur y, ou inversement, ou les deux (boucle de rétroaction), ou/et d'une ou plusieurs variables non représentées dans le modèle.

Propriétés de la causalité

Antériorité

Du point de vue physique l'effet d'une relation causale ne peut être instantanée, sauf à supposer qu'un corps peut se déplacer, du lieu de la cause à celui de l'effet, à une vitesse infinie c-à-d supérieure à celle de la lumière, ce qui dans l'état actuel de la science physique est généralement considéré comme impossible. La cause doit donc nécessairement précéder temporellement son effet. Par conséquent une causalité de x sur y devrait être formulée par : yt+k = a * xt + b où k est le temps écoulé entre une variation de x et son effet sur y.

Stabilité

Lorsque la modélisation que nous avons faite d'un phénomène ne nous permet pas de prédire son évolution future, deux explications sont possibles :

  • le phénomène est stochastique (c-à-d soumis au hasard) ⇔ il n'existe pas de modèle stable dans le temps (on constate que les paramètres du modèles sont variables dans le temps).
  • le phénomène est déterministe (c-à-d non soumis au hasard) mais nous manquons d'informations sur les paramètres du modèle :
    • identification incomplète, ce qui revient à poser la question de la forme réelle de la relation entre les variables (cf. régression polynomiale) ;
    • mesures erronées.

Relativité. Le degré requis d'exhaustivité de l'identification et de précision de mesure des paramètres peut être relatif au type de phénomène modélisé et/ou au type d'utilisation qui en est faite. Il est donc variable dans l'espace.

Précaution. Un chercheur dont le modèle ne fonctionne pas pourra néanmoins toujours considérer que cela ne démontre pas la nature stochastique du phénomène modélisé, et continuer ses recherches pour l'améliorer jusqu'au jour où, peut-être, le modèle réussira à prédire le phénomène, ce qui démontrera la nature déterministe de celui-ci.

Le calcul stochastique permet de faire passer un phénomène stochastique dans la classe des phénomènes déterministes [source] si les moyennes des variables stochastiques sont constantes dans le temps et l'espace.

Calcul descriptif ou prédictif. On pourra alors tirer les conclusions suivantes sur les possibilités d'utilisations du modèle M ≡ y = a * x + b :

  • si relation asynchrone yt+k = a * xt + b ⇒ au temps t=0 je peux prédire yk si j'ai la possibilité de mesurer x0;
  • si relation synchrone yt = a * xt + b ⇒ au temps t=0 :
    • je peux calculer y0 après avoir mesuré x0 (/ ou inversement), ce qui est généralement moins coûteux que de mesurer y0 (/ ou x0) ; mais il s'agit d'un calcul descriptif et non pas prédictif ;
    • il m'est impossible de prédire ni xt ni yt car pour cela je devrais connaître la valeur de leur(s) éventuelle(s) variable(s) déterminante(s) (on dit aussi "explicatives") en t=0, or le modèle M ≡ yt = a * xt + b ne contient pas les équations exprimant leurs relations avec xt et yt.

Notons que la valeur calculée y0 (descriptive) ou yk (prédictive) sera d'autant moins proche de sa valeur réelle que les erreurs de mesure de x0, a et b seront élevées, et que la valeur de chacun de ces deux paramètres a et b ne sera pas constante (ou suffisamment peu variable, puisque dans le monde réel les véritables constantes sont relativement rares).

Dimensions temporelle et spatiale

Les notions de variables et constantes concernent les dimensions temporelle et spatiale : une grandeur change (variable) ou pas (constante) :

  • avec le temps qui passe ⇒ dimension temporelle ;
  • selon le lieu (et donc l'individu) ⇒ dimension spatiale.

À noter que le temps est de dimension 1 (une droite) et ne peut évoluer que dans le sens positif (on ne peut reculer dans le temps), tandis que l'espace est de dimension 3 et un corps peut s'y déplacer dans les deux sens positif (avancer) et négatif (reculer) d'une droite, ainsi que dans toutes ses directions. D'autre part le temps passe inexorablement tandis qu'un corps peut être soit à l'arrêt soit en mouvement.

Un modèle est donc nécessairement une représentation simplifiée de la réalité. Il y a là une rationalité économique : on veut pouvoir reproduire (simuler) un phénomène au moyen d'un système le plus simple possible (petit nombre de variables et paramètres, relations linéaires, ...). Cela ne veut dire qu'il n'est pas possible de simuler un phénomène complexe (grand nombre de variables et paramètres, relations non linéaires, effets de rétroactions, ...), c'est même dans ce cas qu'un modèle programmé dans un ordinateur permet de dépasser les limites de l'intuition humaine. Il serait donc injuste d'assimiler ces modèles à l'allégorie de la caverne.

Il convient cependant de distinguer l'utilité des modèles mathématiques, qui dans certains cas est incontestable, de leur utilisation, qui peut parfois s'avérer contestable, en raison de l'incompréhension ou de l'intention de leurs utilisateurs. Pour illustrer mon propos je vous invite à observer le graphique suivant, qui est une parfaite illustration d'utilisation trompeuse d'un modèle mathématique, et aboutissant à des scénarios catastrophistes. Nous verrons que ceux-ci sont dangereux lorsqu'ils sont pris au sérieux et provoquent un effet de prophétie autoréalisatrice. Ce fut le cas avec COVID-19 dans les pays riches, où les effets pervers du confinement général ont aggravé la situation.

Une modélisation catastrophiste de COVID-19

covid19-modele.png

Ligne rouge : capacité hospitalière en lits de soins intensifs. Courbes : différents scénarios d’utilisation de la capacité selon la stratégie appliquée. Conclusion : dans tous les cas la capacité hospitalière serait submergée ... [source]. Voir aussi cette interface de simulation (étonnamment sans capacité hospitalière ...).

Avant de développer en détail le modèle épidémiologique de base dont est dérivé le graphique ci-dessus il est utile de nous attarder quelques instants sur la personnalité de l'auteur de ce graphique, ce qui nous fera comprendre que les scientifiques sont avant tout des êtres humains, avec leurs qualités mais également leurs défauts. Il existe des charlatans même parmi les scientifiques ...

Neil Ferguson

https://konfedera.org/gestion-epidemies#Neil-Ferguson

Le graphique hyper-catastrophiste ci-dessus est le résultat d'une étude réalisée par le physicien anglais Neil Ferguson de l'Imperial College London, que les médias "d'information" professionnels présentent comme une star mondiale des modèles épidémiologiques. Ses travaux sont basés notamment sur la comparaison des données statistiques des fermetures d’école à Hong Kong en 2003 et 2008, de celle occasionnée par la grève des enseignants en Israël en 2000, de l’impact des vacances par zones en France de 1984 à 2006, de la fermetures des écoles infectées par la grippe en France en 1957, et de celles de la grippe espagnole dans certaines villes US et en Australie en 1918.

Ferguson est également connu pour ses prévisions hyper-catastrophistes et erronées [source] :

  • en 2005 Ferguson prédit que la grippe aviaire tuerait 200 millions de personnes : il y eu quelques centaines de victime;
  • En 2009, Ferguson prédit que la grippe porcine tuerait 65.000 Britanniques : il y eu moins de cinq cents victimes.

Malgré ces prévisions délirantes de Ferguson son article de début mars 2020 (cf. source en-dessous du graphique supra) a pourtant servi à justifier l'application du confinement général dans de nombreux pays, dont la France, pour « retarder et aplatir » la courbe épidémique de COVID-19. Ferguson, qui est connu pour mener habilement sa carrière professionnelle, avait déjà par le passé systématiquement usé du catastrophisme pour se faire connaître, et rétribuer comme expert, notamment auprès de l'OMS, la Banque mondiale, l'Union européenne et de nombreux gouvernements [source]. En 2008 il fonda le MRC Centre for Global Infectious Disease qui reçut plusieurs dizaines de millions de dollars de la Bill & Melinda Gates Foundation [source].

Néolibéralisme. Pour comprendre l'utilisation de ces modèles mathématiques épidémiologiques malgré leurs manifestes échecs il faut la situer dans le contexte des politiques néolibérales de santé que sont en train de mettre en place de nombreux gouvernements, à la faveur du délire savamment entretenu autour de COVID-19. Le principe implicite de cette politique néolibérale est que le recours récurrent au confinement général permettrait d'abaisser le niveau requis de capacité hospitalière. Nous montrerons dans la suite du présent article que ce raisonnement est absurde et suicidaire. On ne s'étonnera donc pas que Ferguson soit qualifié par certains de "Lysenko du néolibéralisme".

D'autres intérêts économiques ont certainement joué : ainsi le confinement général fut l'occasion d'imposer le traçage des individus, ce qui constitue une source de revenus gigantesques pour les entreprises qui collecteront ces données.

Voici quelques extraits révélateurs d'un article du journal Le Monde du 15 mars 2020, concernant l'influence de Ferguson sur la stratégie du gouvernement Français pour gérer la crise COVID-19 [source] :

  • « Cette projection évalue le scénario le plus sombre, avec les hypothèses de mortalité les plus élevées et en l’absence de mesures radicales de prévention. »;
  • « Selon ces modélisations confidentielles, dont Le Monde a eu connaissance, l’épidémie de Covid-19 pourrait provoquer en France, en l’absence de toute mesure de prévention ou d’endiguement, de 300 000 à 500 000 morts. »;
  • « Précision extrêmement importante : ce scénario a été calculé en retenant les hypothèses de transmissibilité et de mortalité probables les plus élevées, et ce en l’absence des mesures radicales de prévention et d’éloignement social qui viennent d’être prises »;
  • « Les résultats pour la France ont été présentés jeudi 12 mars à l’Elysée. Quelques heures avant que le président ne prenne solennellement la parole devant les Français pour expliquer « l’urgence » de la situation. »;
  • « Il existe des incertitudes quant aux hypothèses retenues et au comportement du virus – pourcentage d’asymptomatiques, transmissibilité, impact des mesures de quarantaine »;
  • « différentes modélisations ont été présentées jeudi matin puis jeudi après-midi à Emmanuel Macron par le conseil scientifique, mais qu’il n’existe pas de consensus parmi les scientifiques qui le composent. »;
  • « Il y a eu plusieurs documents de travail qui ont été présentés, pas de document de synthèse, explique un conseiller du chef de l’Etat. On ne peut donc pas considérer qu’une étude fournie par l’un de ses membres reflète l’avis du conseil scientifique dans son ensemble. »;
  • « les chiffres évoqués [de 300 000 à 500 000 morts en cas d’absence de mesures d’endiguement] sont infiniment supérieurs à ceux communiqués par le ministère de la santé, ils apparaissent disproportionnés »;
  • « C’est toute la difficulté de cette stratégie, qui n’avait jusqu’à présent jamais été envisagée pour un virus circulant de façon globalisée, en raison de son coût économique et social.»

On constate donc que c'est le principe de précaution qui aurait été appliqué. Nous allons cependant montrer que la prétendue "incertitude" n'est en réalité que l'absence de courage de nombreux scientifiques par rapport aux méthodes abusives et pourtant largement connues du très influent Neil Ferguson. Pour ce faire commençons par étudier en détails la version basique des modèles mathématiques épidémiologiques.

Modèle SIR

https://konfedera.org/gestion-epidemies#modele-SIR

Le modèle mathématique SIR est le modèle épidémiologique de base. Nous allons le développer comme suit :

3.3.1. Système d'équations
3.3.2. Taux de reproduction
3.3.3. Immunité collective
3.3.4. Stratégies
3.3.5. Charge hospitalière
3.3.6. Mortalité

Système d'équations

Les modèles mathématiques en général, quel que soit le domaine qu'ils modélisent, se distinguent par leur degré de complexité (nombre de variables, paramètres et relations), mais leurs principes fondamentaux sont identiques, et sont les plus visibles/compréhensibles dans les modèles les plus simples.

Le modèle de base de la plupart des modèles épidémiologiques est appelé SIR [source1, source2]. Il sépare la population en trois groupes, des individus du premier passant progressivement au second puis au troisième : "Susceptible" (c-à-d contaminables) --> "Infected" (c-à-d infectés) --> "Removed". Pour éviter certaines confusions de notation nous allons ici remplacer le nom "Removed" par "Excluded" (exclus). Ce groupe comprend les immunisés (de naissance ou par vaccin) avant l'épidémie (donc en t=0) + les guéris naturellement + les guéris par traitement + les décédés.

  • Cette version basique du modèle suppose donc que les personnes guéries sont immunisées. Il n'est pas ici nécessaire de lever cette hypothèse, car les faits montrent que le modèle basique SIR produit déjà des prévisions surestimant de façon gigantesque la virulence effective des épidémies en cours (cf. supra). Ce sera donc nécessairement d'autant plus le cas de versions plus complexes levant cette hypothèse inhibitrice de la virulence.
  • Si toute la population du pays est susceptible d'être infectée alors S0 (c-à-d la taille du groupe S au début de l'épidémie) représente la population du pays.

Mathématiquement on peut formuler cela comme suit :

St + It + Et = 1 (1)

Excluded. Affinons ici la description qualitative du groupe "Excluded", car cela est fondamental pour une interprétation (et donc une critique) pertinente du modèle. Ce groupe comprend :

  1. les éventuelles personnes immunisées de naissance ou par vaccin en t=0;
  2. les personnes qui guériront sans hospitalisation (c-à-d sans traitement ou par la médecine de ville);
  3. les cas sévères (qui s'ajoutent à la charge "hors épidémie" du système hospitalier), dont une partie décédera à cause du virus (et qu'il s'agira de distinguer des personnes décédées "avec le virus" mais pour d'autres raisons).

Susceptibles vs population. Si 1 (membre de droite de l'équation 1) représente la population du pays et qu'en t=0 une partie de celle-ci est immunisée naturellement ou par vaccin, on doit donc avoir que S0 < 1, les personnes immunisées en t=0 étant alors représentées dans E0 > 0

Cette importante digression étant faite reprenons le développement du modèle. En dérivant (1) il résulte que :

dS/dt + dI/dt + dE/dt = 0 (2)

On peut alors décrire la dynamique des flux S --> I --> E au moyen d'un système d'équations différentielles tel que :

dS/dt = - ( β * It ) * St (3)
dI/dt = ( β * It ) * St - It / λ(4)
dE/dt = It / λ (5)

Lecture : durant la période dt, le flux net de I (c-à-d dI) est égal (au signe près) au flux sortant de S (dS) moins le flux rentrant dans E (dE).

Description des paramètres :

  • β (bêta) est l'incidence du virus c-à-d la probabilité d'infection d'un individu de St lors d'un contact avec un individu de It, tandis que It*St est la probabilité de contact entre un individu de St et un individu de It ;

    N.B. β est supposé constant dans le temps. Mais il est fondamental de bien comprendre que cette "constante" n'est en réalité qu'une valeur moyenne des βt. Par conséquent cette moyenne ne correspond qu'à la période sur laquelle elle est calculée ! Nous reviendrons plus loin sur ce point qui est à la base des erreurs de prévision des modèles épidémiologiques. Nous verrons qu'en fait il n'est pas possible de prévoir les phénomènes épidémiologiques mais seulement de les reproduire.

  • λ (lambda) est la durée de contagiosité = maladie = guérison (NB : cette égalité est une simplification de la réalité) ; plus λ est bas plus il y a de guérison par unité de temps : à la limite λ = dtdE = I ; 1 / λ est donc considéré comme le coefficient le plus simple pour exprimer dE/dt en fonction de de It ; dans la mesure où les individus guéris sont immunisés 1/λ et est donc le "taux d'immunisation" ;
Taux de reproduction

À partir de l'équation (4) dI/dt = β * It * St - It / λ on montre que :

  • il y a croissance du nombre d'infectés dès que (tant que) :
    dI/dt > 0    ⇔
    β * It * St - It / λ > 0    ⇔

    β * St * λ > 1(6)

Le membre de gauche de (6) est supposé représenter le nombre moyen de personnes contaminées par individu infecté, et est par conséquent appelé "taux de reproduction" (noté Rt) :

Rt = β * St * λ(7)

Un épidémie est donc neutralisée dès que Rt < 1.

Le tableau ci-dessous est une réalisation graphique du modèle. On y voit notamment que la valeur de Rt (courbe hachurée orange, échelle de droite) baisse au fur et à mesure de l'épidémie, et que le sommet de la courbe rouge (infectés) correspond au passage de Rt en-dessous de 1.

sir-60-15.gif

Tableur SIR.ods

Immunité collective
https://konfedera.org/gestion-epidemies#SIR-immunite-collective

Face à n'importe quel virus il y a toujours une partie de la population qui est immunisée : de naissance, par vaccin ou par guérison immunisante. Tous ces individus sont repris dans le groupe Et, avec E0 composé des immunisés de naissance et par vaccins en t=0. Nous allons montrer ici que le groupe Et rassemble les facteurs d'extinction exogène des épidémies.

À partir de (1) St + It + Et = 1
St = 1 - It - Et     ⇒
substitué dans (6) β * St * λ > 1    ⇒
β * ( 1 - It - Et ) * λ > 1    ⇔
Et > 1 - It - 1 / ( β * λ )

L'épidémie est donc neutralisée dès que Et – la part de la population qui est immunisée – est supérieure ou égale à E*t ("E étoile") qui est tel que :

E*t = 1 - It - 1 / ( β * λ )(9)

C'est pourquoi E*t est appelé "taux d'immunité collective neutralisante".

Et en particulier l'épidémie ne pourra pas même démarrer – c-à-d I0 = 0 – si :

E*0 = 1 - 1 / ( β * λ )(10)

Ainsi pour β=0,6 et λ=15 on obtient E*0=89%, ce qui signifie que si l'épidémie du virus (correspondant à ces valeurs des paramètres β et λ) s'est déclenchée c'est nécessairement "parce que" Et était inférieur à E*0. Autrement dit, en t=0 et étant donné la valeur des paramètres, il suffit que 89% de la population soit immunisée pour que la propagation du virus soit rendue impossible.

Immunité collective neutralisante

immunite-collective.png

β=0,60 ; λ=15 [tableur]

Enfin on notera que, étant donné (7) Rt = β * St * λ1 / ( β * λ ) = St / Rt que l'on substitue dans (9) E*t = 1 - It - 1 / ( λ * β )

E*t = 1 - It - St / Rt(11)

Mécanisme

Le phénomène d'immunité collective évoqué ici est de nature statistique : la valeur de E*t détermine un seuil au-delà duquel la probabilité de propagation du virus est trop faible relativement au nombre de susceptibles St c-à-d de potentiels vecteurs de transfert. D'autre part on voit via (1) St = 1 - It - Et que les facteurs explicatifs de l'extinction des épidémies sont de deux types :

  • facteur d'extinction endogène : l'augmentation de It explique l'auto-extinction des épidémies;
  • facteurs d'extinction exogène (immunité collective) : Et est composé des individus immunisés :
    • de naissance;
    • par guérison;
    • par vaccination

Cependant les faits montrent que malgré la prise en compte de tous ces facteurs par les modèles épidémiologiques dérivés de SIR, ceux-ci produisent de nombreuses et gigantesques surestimations de l'évolution future des épidémies en cours (cf. supra). Cela signifie que ces modèles sont incomplets (nombre de paramètre) et peut-être aussi fondés sur des types d'équation non pertinents. Les partisans de ces modèles ne peuvent alors "expliquer" (en fait illustrer) ces extinctions "miraculeuses" qu'en adaptant chaque fois la valeur de leurs paramètres c-à-d :

  • dans (3) dS/dt = - ( β * It ) * St en abaissant la valeur de β;
  • dans (5) dE/dt = It / λ en augmentant la valeur de 1/λ c-à-d en abaissant celle de λ.

Comprenons donc bien que les épidémies pourraient s'éteindre naturellement pour d'autres raisons qu'un trop faible nombre d'individus susceptibles. Ainsi pour expliquer le fait que les épidémies s'éteignent naturellement avant d'avoir infecté 100% de la population, le modèle SIR ignore toutes autres causes que la seule raréfaction des susceptibles, notamment toutes les causes spécifiques liées aux virus eux-mêmes ou aux écosystèmes. L'expression "sortir du cadre" prend ici toute sa signification ...

Stratégies
https://konfedera.org/gestion-epidemies#SIR-strategies

Nous avons vu que dans le modèle SIR la décroissance du nombre de contaminés correspond à une situation telle que Rt = β * St * λ < 1 (7), et que par conséquent l'on peut neutraliser une épidémie en abaissant tout ou partie des paramètres β et λ. Pour ce faire on peut distinguer deux types possibles de stratégie :

  • non pharmaceutique (notée SNP) : qui préventive, ancienne et fortement contraignante;
  • pharmaceutique (notée SP) : qui est curative, moderne et faiblement contraignante.
SNP

Il s'agit d'abaisser β (probabilité de contamination) par des mesures de distanciation sociale et d'hygiène. La stratégie SNP peut être appliquée à au moins deux niveaux d'intensité, selon que son application est générale (c-à-d sur l'ensemble de la population : confinement général) ou ciblée (c-à-d sur les seuls groupes à risque). En pratique il est utile d'ajouter un groupe intermédiaire. L'animation suivante compare les courbes épidémiques "sans SNP" (β=0,6 ; λ=15) et "avec SNP" (β=0,2 ; λ=15).

sir-beta.gif

β = 0,6 --> 0,2 [tableur].

SP

Il s'agit d'abaisser λ (durée de la maladie=contagion) au moyen de médicaments, et S0 = 1 - E0 au moyen de vaccins. L'animation suivante compare les courbes épidémiques "sans SP" (β=0,6 ; λ=15) et "avec SP" (β=0,6 ; λ=5).

sir-lambda.gif

λ = 15 --> 5 [tableur].

Comparaison

Toutes deux abaissent le sommet de la courbe épidémique (de 68% à 32%, sur base des paramètres spécifiés), ainsi que le niveau d'immunité collective neutralisante (de 89% à 67%, sur base des paramètres mentionnés en-dessous du graphique).

La stratégie SNP a en outre pour effet de retarder le pic épidémique (du 30° au 100° jour, sur base des paramètres spécifiés).

Mais corrélativement le confinement général freine l'immunisation collective : dans la simulation du graphique suivant, alors qu'au quarantième jour environ 50% de la population a été immunisée grâce à la stratégie SP (sous hypothèse de maladie immunisante), mois de 1% de la population est immunisée si l'on a appliqué plutôt la SNP.

Immunisation

immunisation-comparaison.png

Référentiel : β=0,60 ; λ=15
SNP : β=0,20 ; λ=15
SP : β=0,60 ; λ=5
[tableur SIR.ods]

Étant donné que le confinement général freine l'immunisation collective, il résulte de (9) E*t = 1 - It - St / Rt que le taux de reproduction baisse nettement moins vite que dans le cas d'une stratégie SP.

Taux de reproduction

taux-reproduction.png

Référentiel : β=0,60 ; λ=15
SNP : β=0,20 ; λ=15
SP : β=0,60 ; λ=5
[tableur SIR.ods]

Charge hospitalière
https://konfedera.org/gestion-epidemies#SIR-charge-hospitaliere

Nous allons ici compléter le modèle SIR afin de pouvoir calculer la charge hospitalière (notée CHt), que nous définissons par le nombre de patients hospitalisés en raison du virus (noté Ht), en pourcentage de la capacité hospitalière (notée k) :

CHt = Ht / k(12)

  • Ht = σ * Itσ ("sigma") est le taux d'hospitalisation c-à-d le pourcentage de It représentant les cas nécessitant une hospitalisation c-à-d soit sévères (patients sous respirateur, ...) soit critiques (dysfonctionnement de multiples organes, choc septique, ...);
  • k, la capacité hospitalière, est mesurée par le taux de lits de soins intensifs (c-à-d équipés de respirateurs, dialyse, ...), toutes causes confondues.
Résultat

Le graphique suivant montre un résultat notable du modèle SIR : la stratégie SNP (confinement général) a théoriquement pour effet de retarder le sommet de l'épidémie, et par conséquent celui de la charge hospitalière.

Charge hospitalière théorique selon la stratégie

charge-hospitaliere.png

Référentiel : β=0,60 ; λ=15
SNP : β=0,20 ; λ=15
SP : β=0,60 ; λ=5
∀ : σ=0,001 (taux d'hospitalisation)
∀ : k=0,003 (capacité hospitalière)
[tableur SIR.ods]

Il faut cependant se garder de tirer des conclusions hâtives du tableau ci-dessus. Le tableau suivant, qui synthétise son paramétrage, nous rappelle que les différentes combinaisons de paramétrages nous permettent d'illustrer un grand nombre de d'instances du phénomène modélisé. Les concepteurs des ces modèles utilisent pour décrire cette liberté les expressions "prévisions basse" et "prévision haute", constituant des marges inférieure et supérieure (NB : il est totalement abusif, c-à-d mensonger, de parler de "prévisions" : il ne s'agit que d'illustrations de possibles scénarios). Or ce tableau illustre une autre caractéristique importante des modèles épidémiologiques : l'extrême difficulté d'évaluer correctement les paramètres. Par exemple dans les lignes 2 et 3 nous avons supposé que les faisabilités respectives des deux stratégies seraient égales. Or il est peu probable que cette hypothèse soit exacte.

Tableau comparatif des stratégies selon SIR

SIR-synthese.png

Tableur SIR.ods

Par exemple si l'efficacité de la stratégie SNP sur son paramètre β est relativement moins efficace que la stratégie SP sur son paramètre λ – par exemple xβ=2 pour xλ=3 – alors le graphique devient comme suit : SNP retarde toujours le sommet mais celui-ci est plus haut que si l'on applique plutôt la stratégie SP.

Hypothèse de faible efficacité relative de la stratégie SNP

SNP-x-faible.png

Référentiel : β=0,60 ; λ=15
SNP : β=0,30 ; λ=15 ; xβ=2
SP : β=0,60 ; λ=5 ; xλ=3
∀ : σ=0,001 (taux d'hospitalisation)
∀ : k=0,003 (capacité hospitalière)
[tableur SIR.ods]

On pourra objecter que les deux stratégies SNP et SP pourraient être appliquées complémentairement, cependant nous verrons plus loin que de nombreux faits suggèrent leur incompatibilité. Mais ne brûlons pas les étapes. Il nous faut d'abord compléter le modèle SIR par un autre indicateur : la mortalité.

Mortalité et létalité
https://konfedera.org/gestion-epidemies#SIR-mortalite

Le taux de mortalité ne se calcule pas de la même façon que le taux de charge hospitalière CHt = σ * It / k. Alors que le ratio CHt est unique et de type Stock à flux entrant et sortant / Stock fixe la mortalité se mesure au moyen de deux types de ratio :

  • le taux de mortalité  Mt = Σ ΔMt / Popul. = Σ ΔMt (13)
    • est de type Stock à flux entrant / Stock fixe ⇒ il augmente constamment puis se stabilise à sa valeur finale de l'épidémie;
    • Popul.=1 en vertu de (1) St + It + Et = 1 : les variables sont ainsi dites "normalisées";
    • pour calculer une valeur théorique de Mt il faut évaluer un supposé paramètre μ tel que ΔMt = μ * It que l'on substitue dans (13)Mt = μ * ΣIt.
  • le taux de létalité  Lt = Mt / ( Et - E0 ) (14)

    • est de type Stock à flux entrant / Stock à flux entrant ⇒ son évolution est d'abord imprévisible puis il tend vers sa valeur finale de l'épidémie, qui est ≥ à celle du taux de mortalité.

La différence entre taux de mortalité et taux de létalité est que le second est calculé par rapport à une population d'ayant été infectés.

On trouve malheureusement dans nombre d'articles de presse, et mêmes des articles scientifiques, un taux de létalité hospitalière  Lht = Mt / Ht, qui n'a pourtant aucune signification puisque étant de type Stock à flux entrant / Stock à flux entrant et sortant il tend vers ... l'infini !

Mortalité vs létalité

mortalite-vs-letalite.png

β=0,60 ; λ=15 ; μ=0,01% [tableur SIR.ods]

Résultat

Un résultat notable est que si le pic du taux de mortalité est retardé par la stratégie SNP, il est aussi plus élevé que dans la stratégie SP (et cela en supposant les mêmes niveau de faisabilité). Voilà un résultat théorique qui peut expliquer le plus haut taux de mortalité dans les pays ayant appliqué le confinement général (cf. infra).

Taux de mortalité théorique selon la stratégie

morts-sur-population.png

Référentiel : β=0,60 ; λ=15
SNP : β=0,30 ; λ=15 ; xβ=3
SP : β=0,60 ; λ=5 ; xλ=3
∀ : σ=0,001 (taux d'hospitalisation)
∀ : k=0,003 (capacité hospitalière)
[tableur SIR.ods]

SIR et la grippe

Le tableau suivant présente le résultat d'une simulation d'épidémie de grippe par le modèle SIR. Ainsi selon le modèle SIR, chaque année les seuls hospitalisés de la grippe occuperaient trois fois la totalité de la capacité hospitalière (ligne 11) ! Voici donc qui illustre le fait que le modèle SIR exagère lourdement la sévérité des épidémies.

Profil statistique de la grippe

sir-grippe.png

Les cellules grisées sont les champs d'input. Pointez sur les cellules de la colonne A pour faire apparaître leur définition : tableur SIR.ods (feuille "Synthèse").

En cherchant sur Internet les valeurs des paramètres historiques de la grippe je me suis rendu compte que les statistiques que l'on peut trouver :

  • varient selon les sources, dans le temps et l'espace ;
  • varient selon les types de patients (âge, sexe, profession, ...) ;
  • sont souvent compris entre des marges maximales et minimales, ... ;

J'invite le lecteur à faire l'exercice. Il découvrira également la notion très relative de maladie "connue" : par exemple tous les médecins savent que la grippe n'est jamais exactement "la même" d'une année à l'autre (leur "R zéro" change), et que certaines années la surprise est de taille, provoquant des charges du système hospitalier approchant les 100%.

SIR et COVID-19

https://konfedera.org/gestion-epidemies#SIR-et-COVID19

Pour évaluer l'utilité d'un modèle mathématique il faut comparer ses prévisions aux faits réels. Nous allons ici introduire dans le modèle SIR les données brutes d'infection et de mortalité collectées par l'agence nationale de santé belge. La Belgique étant le pays ayant connu le plus haut taux de mortalité en pourcentage de la population, son cas est particulièrement intéressant à étudier. Des conclusions que nous tirerons de son analyse concernant la charge hospitalière et le taux de mortalité liés à COVID-19 pourront être généralisées à l'ensemble des pays.

Paramétrage
https://konfedera.org/gestion-epidemies#SIR-parametrage
Évaluation
paramètres

Pour produire les graphiques précédents nous avons du attribuer des valeurs aux paramètres β, λ et S0 = 1 - I0 - E0. Nous allons montrer ici une façon d'évaluer une valeur théorique du "paramètre" β (vous allez comprendre la pertinence des guillemets). Pour ce faire nous avons copié le tableur SIR.ods et nommé cette copie covid19-be.ods, dans laquelle on a alors ajouté une feuille "Data" contenant les données d'infections et décès publiées par l'agence nationale de santé belge. Dans toutes les autres feuilles les valeurs calculées de It sont ainsi remplacées par ces valeurs mesurées (⇒ St = 1 - It - St).

Pour évaluer β a va commencer par le considérer comme une variable βt (NB : ce qui dans la réalité est le cas), dont on va alors chercher une valeur moyenne. Pour ce faire on va utiliser l'équation centrale du modèle SIR : dI/dt = β * It * St - It / λ (4) dont on va isoler βt pour ainsi l'exprimer en fonction de la variable centrale du modèle c-à-d It    ⇒ en posant dt = 1

It+1 - It = βt * It * St - It / λ    ⇔
it+1 = βt * St - 1 / λ    ⇔

βt = ( it+1 + 1 / λ ) / St(14)

Et en substituant dans (7) Rt = βt * St * λ on obtient :

Rt = it+1 * λ + 1(15)

Or on peut montrer [approfondir] que le taux croissance moyen d'une variable It entre t=0 et t=n peut être calculé par la formule :

i = ln( It / I0 ) / t   ⇔(16)

It = I0 * e i * t (17)

(17) est l'équation d'une courbe (exponentielle) moyenne qui représentera d'autant mieux le nuage des points constitués par la série brute des It que celui-ci sera proche d'une exponentielle. Cette équation peut alors être utilisée pour calculer une approximation moyenne des valeurs futures théoriques de It.

Il est ici essentiel de comprendre que ces prévisions seront d'autant plus erronées que le nuage de point – dont la forme se modifie avec le temps c-à-d avec les nouvelles données – s'avérera moins proche de cette même courbe théorique (appelée courbe "de régression" ou "d'ajustement"). Or le futur, même proche, pourrait être plus proche d'une droite ou d'une courbe concave (creux tourné vers le bas), et son signe négatif (décroissance). Nous reviendrons plus loin sur ce point.

Courbe de régression

estimation.png

Par conséquent – pour en revenir au modèle SIR – en remplaçant it par i dans (15) on obtient ce que l'on pourrait appeler un taux de reproduction de base :

R0 ≈ i * λ + 1(17)

De même dans (14) βt = ( it+1 + 1 / λ ) / St on pourra également remplacer it par i ⇒ si St est proche de 1, ce qui est le cas durant les premières semaines d'une épidémie, on obtient la valeur correspondante de beta (correspondant à cette période) :

β0 ≈ R0 / λ(18)

Comprenons donc bien que :

  • la relation de causalité est : βt ⇔ itRt ;
  • R0 est une valeur moyenne (i) qui ne correspond qu'à la période sur laquelle a été calculée la moyenne i, et (ii) ne correspond aux It futurs que si ceux-ci restent à proximité de cette courbe exponentielle !
Utilisation
de R zéro

Théoriquement ce R0 pourrait être donc être utilisé pour comparer la situation de différents pays dans le cas d'une même épidémie. Cependant en pratique, la pertinence de R0 comme référentiel de comparaison doit être relativisée par deux limitations :

  • d'une part il faut pouvoir garantir que la période utilisée dans chaque pays pour calculer i (et donc R0) correspond au même stade de développement de l'épidémie dans chaque pays, ce qui requiert de définir de façon non ambiguë ce qu'est est un "même stade de développement d'une épidémie", et de pouvoir le mesurer avec une marge d'erreur pas trop grande ... ;
  • d'autre part il faut tenir compte de la structure sociale et démographique des pays, car les maladies transmissibles sont des phénomènes d'écosystème.
Analyses
abusives

Il apparaît que des scientifiques vont beaucoup plus loin dans l'exploitation du taux de reproduction, comme en témoigne cette "analyse prédictive" (sic) publiée le 10 avril 2020 par des chercheurs de l'école de santé publique de l'université libre de Bruxelles (esp.ulb.be).

Constatant une baisse du paramètre β les chercheurs en déduisent que « le confinement résulte en une chute spectaculaire de la force d’infection du paramètre β » ! Or le lecteur pourra constater dans SIR.ods que, confinement ou pas, la valeur de β baisse nécessairement durant toute épidémie puisque toutes les épidémies disparaissent naturellement.

Le modèle SIR n'est rien d'autre qu'une modélisation mathématique de courbe en cloche, qui est la forme que prennent toutes les épidémies. Le graphe suivant, qui est celui d'une courbe dite de Gauss, montre que son taux de croissance (it) diminue constamment, et donc aussi βt et Rt ... avec ou sans confinement !

Courbe en cloche et son taux de croissance

courbe-gauss.png

Tableur courbe-gauss.ods

Comment des chercheurs peuvent-ils commettre une erreur de jugement aussi grossière ? On pourrait le comprendre dans le chef d'étudiants de première année universitaire, mais je ne puis imaginer que ce soit le cas de professeurs d'université (quoiqu'il serait intéressant de procéder à des vérifications ...). Par contre je sais qu'un nombre non négligeable de scientifiques sont prêts à tout par opportunisme. Certains sont financés par des lobby pharmaceutiques, et d'autres qui estiment être injustement méconnus ont bien compris que le catastrophisme leur permettra d'être invités sur les plateaux de télévision (ce qui fut effectivement le cas d'un des auteurs l'article de l'ULB).

Le graphique suivant reproduit les statistiques de contamination (It en rouge) publiées par l'agence de santé publique belge. La courbe verte est la moyenne mobile sur 7 jours des valeurs It, et qui a pour effet de "lisser" la courbe des données brutes. La courbe noire est la courbe de régression du graphique supra qui permet également de lisser les données brutes, mais cette fois au moyen de l'équation d'une courbe typique calculée à partir du i de la période considérée. En l'occurrence il s'agit d'une exponentielle, qui est la forme prise par la plupart des épidémies durant le premier quart de leur durée totale. Durant leur deuxième quart – dont il est impossible de prédire la date – la courbe devient logarithmique, c-à-d que le creux de la courbe de cette seconde période est alors tourné vers le bas (dérivée seconde négative), alors qu'il était tourné vers le haut durant le premier quart (dérivée seconde positive).

Courbe de régression vs moyenne mobile

regression-covid19

Tableur covid19-be.ods (feuille "Data").

Une erreur souvent commise par des personnes ne comprenant pas bien les principes élémentaires de l'analyse statistique est de considérer que la partie de la courbe noire au-delà du jour 20 peut être utilisée pour :

  1. à la date 20, prédire ce qui se produira au-delà ;
  2. à une date ultérieure, juger de l'efficacité de mesures prises pour modifier l'évolution prédite des données It.

Or la croyance erronée en la capacité prédictrice mentionnée au point 1 (comprenons bien que l'équation indiquée en noir correspond aux seules données avant le jour 20) implique la non pertinence du point 2.

Il est ainsi facile d'abuser l'opinion publique en prétendant que la fin de l'épidémie est le fruit de l'action du gouvernement. Bien sûr une politique sanitaire peut accélérer l'extinction d'une épidémie, mais il n'est pas facile de faire la part des choses entre l'extinction naturelle (*) et l'effet de la politique sanitaire. D'autant plus que celle-ci peut avoir des effets pervers qui l'emportent sur les effets positifs, ce qui, comme nous verrons plus loin, pourrait être le cas du confinement général !

(*) L'extinction naturelle peut être le résultat de l'immunisation collective mais aussi d'autres facteurs, liés au virus lui-même ou aux différents écosystèmes dans lesquels il se répand.

Il aurait d'ailleurs été tout aussi abusif, pour réfuter l'argumentaire des professeurs de l'ULB, d'utiliser le graphique suivant, qui suggère que même en n'appliquant pas de confinement général la courbe épidémique n'aurait pas été différente de ce qu'elle a été ! En pointillé bleu vous avez l'évolution du nombre de personnes infectées par COVID-19, la ligne bleue continue est la courbe de régression polynomiale de degré 4, qui permet de lisser la série des données brutes. La courbe rouge est la courbe de régression calculée sur les 29 premiers jours de la même série (après lissage par moyenne mobile de 7 sept jours). Or ce n'est qu'après 29 jours que l'effet éventuel du confinement peut impacter les statistiques d'infection puisque le confinement a été appliqué à partir du 19 mars, et que l'incubation est de 10 jours (⇒ 19+10=29). Or le graphique montre que dès la fin du mois de mars la courbe épidémique prenait la forme d'une cloche – qui est la forme habituelle des courbes épidémiques – et que par conséquent nous avions peut-être dépassé le point d'inflexion de la première moitié de la courbe épidémique.

Fin mars s'était déjà plié ?

covid19-30jours

Tableur covid19-be.ods (feuille "Data").

Mais croire en ce graphique c'est ne pas comprendre qu'il pourrait être modifié ex-post de telle sorte que le point d'inflexion apparaîtrait finalement plus haut et/ou plus tard.

La leçon que nous devons retenir est qu'il n'est pas possible de prédire le future d'une épidémie ! Les modèles épidémiologiques sont donc utilisés à des fins prédictives par des individus soit incompétents soit mal intentionnés.

Les professeurs de l'ULB dont nous avons mentionné plus haut l'étude ne sont malheureusement pas les seuls. Un autre exemple est celui de ce médecin du CHC de Liège qui dans cet article catastrophiste, lu par 500.000 personnes en un seule semaine, et publié par lespecialiste.be, développe un raisonnement qui convaincra le lecteur naïf, malgré qu'il soit totalement erroné. L'auteur y commet en effet précisément l'erreur que nous venons de présenter : il ne comprend manifestement pas que Rt diminue constamment, confinement ou pas. Mais ce n'est pas tout : concernant le pourcentage d'hospitalisations parmi les infectés (sigma) le médecin affirme – sans mentionner de sources (souvent un mauvais signe) – que les chiffres chinois (20%) et italiens sont fort semblables. Or selon les statistiques collectées par worldometers.info à la date de publication de l'article (début mars 2020) le ratio sigma de la Chine était de 27% contre 9% pour l'Italie, soit trois fois moins [source-CHN, source ITA] ! Ce médecin "bon client", dont le lecteur jugera s'il est incompétent ou malhonnête, fut l'invité de chaînes TV belges et françaises ...

L'OMS aussi tombe dans le panneau du "R zéro", comme en témoigne cet extrait d'un communiqué du 23 janvier 2020 : « Human-to-human transmission is occurring and a preliminary R0 estimate of 1.4-2.5 was presented » [source].

Terminons la présente section par cette déclaration de la ministre belge de la Santé, Maggie De Block, concernant le confinement général : « On savait qu’il faut attendre 8 à 10 jours pour voir si les mesures sont efficaces » [source]. On est pas sortis de l'auberge ...

Charge hospitalière et mortalité
https://konfedera.org/gestion-epidemies#SIR-charge-hospitaliere-mortalite

Dans le fichier covid19-be.ods on peut constater que la charge hospitalière causée par COVID-19 a atteint en Belgique une valeur maximale inférieure à 1% de la capacité hospitalière ! Les informations de "surcharge hospitalière" étaient donc soit mensongères soit biaisées (limitées à quelques rares hôpitaux).

COVID-19 : hôpitaux débordés ... vraiment ? (5m11s - 8 avril 2020)

Chaque jour de l'épidémie COVID-19 la population fut littéralement matraquée "d'informations" selon lesquelles les hôpitaux seraient "proches de la surcharge" voire débordés par le nombre de patients gravement atteints par le virus COVID-19. Pour vérifier ces allégations nous avions visité le mercredi 8 avril 2020 l'accueil du service urgence de deux grands hôpitaux bruxellois : Saint-Pierre et Erasme ...

La mortalité de COVID-19 est de 0,07% de la population belge soit environ trois fois celui de la grippe. La comparaison de ce niveau élevé avec celui relativement faible du taux de charge hospitalière conduit à la question suivante : la plupart des victimes sont-elles décédées à l'hôpital (donc essentiellement à cause du virus) où en dehors (donc essentiellement pour des raisons non liées directement au virus, comme par exemple le stress et l'isolement qui auraient poussé de nombreux vieillards à se "laisser partir"). Les statistiques suggèrent que la répartition est d'environ 50%/50% [source p.10].

Des comparaisons spatio-temporelles renforcent la thèse selon laquelle le confinement général serait la cause principale du surplus de mortalité toutes causes en 2020 en Europe :

  • comparaison spatiale : le taux de mortalité fut plus élevé dans la région de Wuhan (où le confinement général fut appliqué) que dans le reste de la Chine, où le confinement général ne fut pas appliqué malgré que le virus avait réussi à s'y propager (ce qui suggère en outre l'inefficacité du "lock down" pour contenir une épidémie);
  • comparaison temporelle : les taux de mortalités des précédente pandémies de virus "nouveaux" furent nettement plus faibles "malgré que" (ou parce que) le confinement général ne fut pas appliqué.
Conclusion

Points importants à retenir de notre analyse du modèle SIR :

  • le confinement général permet théoriquement de retarder le sommet de l'épidémie, mais cela peut théoriquement aboutir à une charge hospitalière et à une mortalité très supérieures à celles obtenues si la stratégie SP (dépister et traiter) avait été plutôt appliquée ;
  • des scientifiques abusent l'opinion publique en affirmant que le confinement général aurait permis d'éviter une catastrophe : les modèles épidémiologiques ne constituent pas une preuve de l'efficacité du confinement général, il ne font rien d'autre que d'illustrer cette thèse ... au moyen d'une paramétrisation adéquate;
  • l'analyse des taux de charge hospitalière et de mortalité renforce la thèse selon laquelle le surplus de mortalité toutes causes en 2020 en Europe serait lié non pas directement au virus mais aux effets pervers du confinement général.

Nous verrons plus loin divers arguments suggérant que dans la pratique la forme forte de la stratégie SNP c-à-d le confinement général est antagoniste non seulement avec la stratégie SP mais également avec le reste de la stratégie SNP (forme faible c-à-d confinement limité aux seuls groupes à risque), en raison de ses effets pervers.

Mais ne brûlons pas les étapes, et revenons à notre analyse des modèles mathématiques épidémiologiques. Dans les sections suivantes nous allons montrer :

  • pourquoi ils peuvent produire des prévisions aberrantes ;
  • pourquoi et comment ils peuvent être utilisés de façon abusive.

Prévisions aberrantes

L'inefficacité prédictive de nombreux modèles mathématiques (notamment en épidémiologie et économie) peut s'expliquer par :

  • le réductionnisme;
  • la sensibilité aux conditions initiales;
  • des malversations.

Bien sûr il y a des domaines, par exemple l'astrophysique, où les modèles prédictifs sont relativement exacts (à telle date, tel astre se situera à telle distance de tel autre). Mais la mécanique céleste est un phénomène nettement plus simple que celui des maladie transmissibles.

Réductionnisme

Les modèles mathématiques reposent sur un certain nombre d'hypothèses – notamment la formulation des relations entre variables (les équations), la valeur des paramètres (les supposées "constantes" de ces équations) et conditions initiales – supposées représenter la réalité. En l'occurrence il s'agit notamment de décrire les modes de transmission du virus.

Exemples d'hypothèses tirés de l'article de Ferguson [source] :

  • "30% des hospitalisés le seront en soins intensifs, et 50% de ceux-ci meurent" ;

  • "le nombre de contacts par individu dans les écoles est le double de celui observé ailleurs" ;
  • "la période d'incubation est de 5,2 jours" ;
  • "l'infectiosité survient 12 heures avant le début des symptômes pour les symptomatiques, et 4,6 jours après l'infection pour les asymptomatiques" ;
  • "le taux de propagation R0=2,4" (N.d.A. : soit plus que pour le R0 mesuré ex post des pandémies modernes majeures de grippes [source] ainsi que de SARS et MERS) ;
  • "les symptomatiques sont 50% plus contaminants que les asymptomatiques" ;
  • "deux tiers des symptomatiques le sont suffisamment pour s'auto-confiner dans les 24 heures suivant l'apparition des symptômes, et sont hospitalisés dans les cinq jours" ;
  • "la durée d'hospitalisation est de 8 jours pour les cas non critiques et 16 jours pour les cas critiques" ;
  • "70% des ménages respectent les mesures sanitaires" ;
  • "le taux de contact sur le lieu de travail est diminué de 25% (distanciation)" ; ...

L'on peut bien sûr augmenter sans cesse le nombre des variables et des relations entre elles (ce qui implique un augmentation des paramètres, source majeur d'erreurs), mais ce faisant la complexité du modèle augmente, ce qui peut avoir de substantiels effets pervers sur sa conception et son utilisation.

C'est que la dynamique des maladies transmissibles est extrêmement complexe. On observe ainsi une grande diversité dans la nature et la puissance des vecteurs : tous ne transmettent pas la maladie de la même manière, certains étant plus contaminants mais moins malades (par exemple les enfants) tandis que d'autres sont plus sensibles mais moins contaminants (par exemples les personnes âgées). D'autre part les comportements culturels, comme cracher par terre et consommer peu ou beaucoup de tel aliment, peuvent induire des différences dans la propagation et la létalité d'un virus. Les maladies infectieuses sont donc des maladies d'écosystème. Par conséquent un modèle fonctionnant bien pour tel pays pourra ne pas fonctionner du tout pour d'autres pays. À cette variabilité spatiale s'ajoute une variabilité temporelle : les écosystèmes sont par nature changeant d'une année à l'autre.

Les modèles épidémiologiques reposent sur une hypothèse de base extrêmement forte (c-à-d généralement non vérifiée dans la réalité) : l'homogénéité de la population. Or en réalité il y a des barrières sociales et culturelles qui font que la société est composée de groupes et que les relations inter-groupes sont nettement moins nombreuses et fortes que les relations intra-groupes. Voilà très probablement une des causes d'exagération systématique de la propagation des épidémies et de leur mortalité par les modèles mathématiques ne prenant pas ou mal en compte ce fait.

Didier Raoult – premier expert mondial dans le domaine des maladies transmissibles selon le classement expertscape – dénonce « une façon de transformer en mathématiques des phénomènes extrêmement complexes qui n'est jamais lucide » [source]. Il y a une incapacité des modèles mathématiques à représenter la complexité des maladies transmissibles, qui plus est dans le cas de virus nouveaux et/ou à mutations fréquentes : aucun modèle ne peut prendre en compte toute l'hétérogénéité spatiotemporelle d'un contexte écoépidémiologique, ni même le degré de transmissibilité ou la vulnérabilité à une infection. On notera ainsi le gigantesque réductionnisme consistant à ramener à la seule problématique de propagation d'un virus celle, beaucoup plus complexe, de neutralisation de ses effets sur la santé publique.

Nous avons vu l'équation (9) E*t = 1 - It - 1 / ( β * λ ) qui exprime la valeur de Et au-delà de laquelle, la croissance du nombre d'infectés (It) est impossible ("taux d'immunité collective neutralisante"). L'interprétation selon laquelle le virus n'arrive plus à se propager faute de suffisamment de vecteurs permet d'expliquer pourquoi une épidémie s'éteint naturellement avant que le virus ait contaminé l'intégralité de la population au sein de laquelle il se propage. Cependant rien ne prouve que cette interprétation soit la bonne : peut-être les épidémies s'éteignent-elles naturellement pour d'autres raisons qu'un trop faible nombre d'individus susceptibles (rappel : (1) St + It + Et = 1St = 1 - It - Et). Ainsi pour expliquer le fait que les épidémies s'éteignent naturellement avant d'avoir infecté 100% de la population, le modèle SIR ignore toutes autres causes que la seule raréfaction des susceptibles, notamment toutes les causes spécifiques liées aux virus eux-mêmes ou aux écosystèmes. C'est là une hypothèse très forte, et donc probablement erronée, qui selon nous explique pourquoi lors des précédentes pandémies de virus nouveaux les prévisions des modèles épidémiologiques ont systématiquement (et considérablement) exagéré l'incidence des épidémies.

Le phénomène des maladies transmissibles est déterminé par de nombreux facteurs sociologiques et culturels qui en font un phénomène aussi complexe que le système économique, et l'ont sait l'inefficacité des modèles mathématiques pour prévoir l'évolution future des variables économiques. Ce sont des systèmes complexes. Ils ont pour propriété d'être souvent sensibles aux conditions initiales, ce qui rend impossible leur prévisibilité au-delà d'un horizon temporel très court.

Sensibilité aux conditions initiales

Certains systèmes, mêmes simples, peuvent être déterministes sans pour autant être prévisibles. Même si l’état futur du système est complètement déterminé par son état présent, il n’est pas forcément possible de prédire le futur du système au-delà d’un temps très court. Les scientifiques avaient l’habitude de penser que si l'on pouvait isoler un système des influences de son environnement et le décrire à l’aide d’un nombre réduit de variables, il serait à la fois déterministe et prévisible. Mais on sait aujourd'hui que pour être prévisible, un système doit être déterministe et stable : de petites incertitudes sur l’état initial du système ne doivent pas s’amplifier trop vite, sinon toute prédiction sur le comportement futur du système devient illusoire [source].

Un système est dit chaotique si une infime perturbation de son état initial peut bouleverser entièrement son évolution. On notera donc qu'un système chaotique n'est pas nécessairement complexe.

Sensibilité aux conditions initiales

Dans cette animation en boucles (30 sec.), après quelques secondes les deux pendules se désynchronisent brusquement [source].

Modèles stochastiques. Les modèles classiques sont dit "déterministes". Mais avec le développement des capacités de traitement des donnés (quantité et vitesse) sont apparus des modèles dits "stochastiques", supposés être mieux adaptés aux systèmes complexes. Ils concernent des quantités "macroscopiques" vues comme des moyennes statistiques de quantités microscopiques (par exemple la pression et la température d'un volume gazeux). Le principe est ici que l’instabilité exponentielle du système "microscopique", c-à-d l'imprévisibilité des variables du niveau micro, n'impliquerait pas l'imprévisibilité de moyennes statistiques au niveau macro. Il existe cependant des situations particulières (exceptionnelles ?) dites "critiques" où l'on observe un phénomène de "transition de phase" c-à-d tel que le système hésite entre deux chemins possibles [source]. Quoi qu'il en soit, les modèles stochastiques n'ont pas encore démontré leur capacité à produire des prévisions suffisamment précises en matière de maladie transmissibles.

Enfin il n'y a pas que les limitations naturelles des systèmes complexes qui pose problème. Il y a aussi l'utilisation abusive des modèles par des personnes incompétentes (notamment des journalistes) ou mal intentionnées (notamment des journalistes et des scientifiques).

Utilisation abusive

Illustrer vs
démontrer

Comprenons bien que les résultats d'un modèle mathématique ne constituent aucunement une démonstration (c-à-d une preuve) de la thèse modélisée ! Un modèle mathématique ne fait rien d'autre que de produire des valeurs (les "résultats du modèle") correspondant à différentes valeurs de ses paramètres. Un modèle permet seulement d'illustrer différents scénarios d'une thèse (par exemple : "le confinement général permet de retarder et abaisser le sommet de la courbe épidémique"), mais cela ne démontre pas cette thèse. Par exemple, il est incontestable que les modèles astrologiques produisent des prévisions, mais cela ne prouve en rien que ces modèles sont effectivement capables de prédire l'avenir. D'ailleurs, lorsque l'on compare une série de leurs prévisions (donc ex ante) avec les faits observés (donc ex post) on constate que ces modèles ne font pas mieux qu'un tirage aléatoire de résultats possibles.

La plupart des journalistes, décideurs politiques et même de nombreux scientifiques tombent dans le piège de cette confusion. C'est alors que peut entrer en jeu la manipulation des paramètres.

Valeurs des
paramètres

Nous avons vu que les résultats d'un modèle sont des scénarios correspondant à différentes valeurs des paramètres. Ces paramètres sont déterminés par les utilisateurs du modèle, mais sont généralement entachés de deux types de biais :

  • estimations erronées : les valeurs initiales et les paramètres peuvent être des valeurs :
    • mesurées sur l'épidémie en cours ; ⇒ ces valeurs sont d'autant moins pertinentes que les biais de mesures évoqués précédemment seront importants ;
    • mesurées sur de précédentes épidémies considérées comme "potentiellement similaires" ⇒ ces valeurs sont d'autant moins pertinentes que l'épidémie en cours est différente des celles utilisées comme référentiels ;
    • calculées à partir d'autres modèles ⇒ ces modèles ne sont plus alors que des objets divinatoires.
  • intérêts financiers/politiques : ce dernier biais ne doit pas être sous-estimé : on peut faire dire beaucoup de chose (ce que l'on veut ?) à un modèle ; or des résultats catastrophistes augmentent les chances de médiatisation d'un modèle, et donc de ses auteurs ...

On passe alors au stade suivant de la confusion voire manipulation : faire passer une valeur calculée pour une valeur observée.

Mesure
vs calcul

Les modèles peuvent être utilisés comme instrument d'analyse descriptive, par exemple pour calculer une valeur lorsque sa mesure n'est pas ou plus disponible. Il n'y a là rien d'abusif, sauf si on ne le mentionne pas. Or la plupart des articles de presse mélangent sans distinction des données mesurées et des données calculées (donc provenant de modèles), ce qui a pour effet que des valeurs calculées (qui peuvent être très éloignées de la réalité) sont présentées comme valeurs mesurées.

Enfin en toile de fond de ces confusions voire manipulation, il y a la question fondamentale de la causalité.

Corrélation
vs causalité

Une autre pratique abusive est d'interpréter une simple corrélation entre deux variables comme étant une relation de causalité selon laquelle l'une déterminerait l'autre. Exemple : « le nombre de mort a diminué peu après l'implémentation du confinement général, donc celui-ci permet d'abaisser le nombre de mort » (alors qu'en réalité c'est peut-être un autre facteur qui a bloqué la contamination et partant le nombre de décès).

Exemples

Quelques lignes extraites d'une étude scientifique [source], et qui nous rappellent que les modèles doivent être interprétés avec prudence et sens critique :

  • « Certaines études antérieures ont signalé différente valeurs de R0 (de 1,40 à 6,49 avec une moyenne de 3,28) en raison de différentes sources de données, périodes et méthodes statistiques » (p. 16).
  • « (...) nous avons fixé les valeurs de plusieurs paramètres sur la base d'études épidémiologiques antérieures sans tenir compte de l'incertitude, ce qui pourrait réduire la précision de nos résultats » (p. 17).
  • « L'impact des interventions doit être considéré dans son ensemble et nous n'avons pas pu évaluer les stratégies individuelles par la courbe épidémique » (p. 17).

Suivi en temps réel

Le suivi en temps réel des épidémies c'est souvent du grand n'importe quoi. Cela n'est pas du qu'à un manque de méthodologie : nous allons montrer que la plupart des statistiques épidémiques – notamment le nombre d'infectés et le taux de mortalité – ne peuvent être évaluées correctement qu'une fois l'épidémie éteinte. Les scientifiques qui prétendent « suivre l'épidémie au jour le jour pour conseiller le gouvernement » sont donc nécessairement guidés par des motivations autres que scientifiques.

Définition des variables mesurées

Nous allons ici montrer les difficultés à évaluer correctement deux paramètres importants pour modéliser l'incidence d'un nouveau virus lors d'une épidémie en cours : la virulence (c-à-d la propension à contaminer de nombreux individus) et la létalité. Pour cela il faut commencer par définir correctement les variables épidémiologiques qui s'y rapportent, et souligner certaines particularités de leurs relations .

On peut distinguer au moins deux types de maladies transmissibles, selon que le vecteur est endogène (exemple : postillons) ou exogène (exemple : moustiques).

Diagnostiqués > testés. Seules les personnes testées comme porteuses du virus ou de ses anticorps devraient être considérées comme infectées (virus) ou comme ayant été contaminées par celui-ci (anticorps). Cependant en l'absence éventuelle de possibilités de tests virologiques les médecins s'en remettent à d'autres moyens de diagnostic, notamment basés sur l'identification de symptômes (mesure de température, scanner, ...). Un diagnostic est positif si le patient est porteur du virus ou symptomatique, et négatif dans le cas contraire.

Erreurs. Un partie des diagnostics se révéleront plus tard (après la fin de l'épidémie : cf. "ex post" infra) comme erronés quant à l'identification de l'agent pathogène.

Infectés > examinés. Le nombre de personnes diagnostiquées positives ("confirmed cases") ne donne qu'une sous-estimation du nombre réel de personnes infectées (NB : nous utilisons indifféremment les termes "infecté" et "contaminé"). Ce n'est que si 100% de la population a été examinée que le nombre de personnes contaminées est égal au nombre de personnes diagnostiquées positives.

Infectés > contagieux. Seule une partie des personnes contaminées sont contagieuses.

La période d'incubation est la durée entre la contamination et l'apparition de symptômes (la contamination précède l'infection c-à-d l'apparition des symptômes de la maladie). Une question importante est de savoir si l'individu contaminé est contagieux pendant la période d'incubation, parce que dans l'affirmative il n'applique pas de mesures pour protéger autrui.

Malades (c-à-d "symptomatiques"). En général la plupart des personnes infectées ne développent que des symptômes bénins, parfois tellement insignifiants qu'elles ne s'en rendent pas compte (ce qui est problématique dès lors qu'elles sont contaminantes, mais d'autant moins que le taux de mortalité est faible). Parmi les symptomatiques une partie ne se présentent pas à un service médical et guérissent naturellement (c-à-d sans traitement). Donc seuls les autres symptomatiques seront traités et enregistrés (par cette voie) dans les statistiques ! Notons enfin que les cas graves ne se concluent pas nécessairement par un décès.

Guéri ⇒ immunisé. En général les personnes guéries (notion de charge virale négative), que ce soit par traitement ou naturellement, ne peuvent plus ni contaminer ni être contaminées (notion de "maladie immunisante"). "Traiter" un individu malade c'est notamment abaisser sa charge virale en-dessous d'un niveau correspondant à la disparition (i) des symptômes de la maladie et (ii) de la contagiosité de l'individu (NB : ceci concerne le premier stade de la maladie, or celle-ci peut évoluer vers des pathologies différente et alors que la charge virale a disparu).

Ces définitions étant précisées, nous pouvons maintenant montrer analyser les limites de la mesure en temps réel du taux de mortalité Mt / popul.. Celui-ci est évidemment fonction du taux d'hospitalisations par rapport au nombre d'infectés Ht / It.

Taux d'hospitalisation et mortalité

Le taux de mortalité Mt / popul. augmente jusqu'à la fin de l'épidémie, de sorte qu'on ne peut juger de la létalité d'un virus qu'à la fin de l'épidémie.

Taux de mortalité

taux-mortalite.png

Tableur SIR.ods

Taux de
létalité

On peut également mesurer le taux de mortalité par rapport à la seule population des infectés (on parle alors de taux de "létalité") plutôt qu'à celle de la population totale : dans un échantillon représentatif de la population on teste 100% des individus pour identifier la présence d'anticorps contre l'agent pathogène, signe que les individus positifs ont été contaminés.

Biais de mesure. Cependant force est de constater que les statistiques utilisées par les journalistes et de nombreux scientifiques pour suivre l'évolution du nombre d'infectés durant une épidémie en cours ne sont pas mesurées comme ci-dessus, mais sont l'ensemble des infectés hospitalisés.

Il en résulte une forte surestimation du taux de létalité en raison d'un double effet :

  • effet numérateur : les infectés hospitalisés sont généralement les plus gravement atteints, dont le taux de mortalité est nettement plus élevé que dans un échantillon représentatif de la population des infectés ⇒ la surestimation du numérateur de Mt / It surestime donc la valeur réelle de ce ratio;
  • effet dénominateur : vu que ces statistiques ne proviennent pas d'un échantillon représentatif intégralement testé, il en résulte que le nombre d'individus testés positifs (c-à-d le It mesuré) est inférieur au nombre d'individus contaminés (c-à-d le It réel) ⇒ la sous-estimation du dénominateur de Mt / It surestime à nouveau la valeur réelle de ce ratio.

Au total, la surestimation au numérateur combinée à une sous-estimation au dénominateur produit une gigantesque surestimation du taux de létalité Mt / It.

Les erreurs de diagnostic ne sont pas rares, mais elles opèrent dans les deux sens (faux négatifs et faux positifs).

Mortalité
"toutes
causes"

Et ce n'est pas tout ! Il n'est pas évident de faire la distinction entre les décès "par le virus" et ceux "avec le virus", de sorte qu'il faut observer la mortalité toutes causes pour, par comparaison avec les années précédentes, vérifier s'il y a eu une hausse anormale de mortalité toutes causes (dont le cycle saisonnier se maintien d'année en année à une hauteur moyenne relativement constante). Mais là encore il peut être nécessaire d'attendre quelques mois pour obtenir le taux de mortalité final. Par exemple si la population des patients décédés est essentiellement composée de personnes ayant dépassé l'espérance de vie il en résultera une baisse du niveau habituel de mortalité toutes causes durant les mois suivants. Il se pourrait alors que la mortalité annuelle ne soit pas significativement augmentée.

Notre analyse des modèles épidémiologiques se termine ici. Ayant ainsi décrit le contexte scientifique dans lequel le délire collectif COVID-19 s'est réalisé, nous allons pouvoir aborder son analyse statistique et sociologique.

COVID-19 : analyse d'un délire collectif

https://konfedera.org/gestion-epidemies#COVID-19-analyse-delire-collectif

Régulièrement des continents sont confrontés à des pandémies d'agents infectieux nouveaux (grippes aviaires, H1N1, SARS, MERS, Ebola, chikungunya, Zika, ...), causant des morts, et dont la croissance est exponentielle. À chaque fois il existe un risque plus ou moins élevé que le système hospitalier soit surchargé. Et il arrive parfois que ce soit effectivement les cas, ce qui augmente le nombre de décès. À chaque fois les médias d'information ont suscité une atmosphère de panique. Mais jamais on avait atteint un état d'hystérie et de délire collectif tel qu'avec COVID-19. En particulier jamais on avait appliqué le confinement général, et cela à l'ensemble de la planète.

L'application de cette stratégie moyenâgeuse – inefficace et aux effets pervers considérables – est d'autant plus irrationnel que dès le début de l'épidémie, il était évident que la probabilité que COVID-19 augmente substantiellement la mortalité globale (c-à-d toutes causes confondue) était proche de zéro. Or malgré ce fait évident même la communauté scientifique, dans sa grande majorité, s'est laissée emporter par le délire collectif. Il importe donc d'en comprendre les causes, ce que nous allons tenter de faire dans les sections suivantes.

Ce travail de compréhension est d'autant plus important en raison de la similitude du phénomène avec la guerre (la vraie), cette autre folie collective. Or en situation de guerre, il n'y a plus de place pour le débat : si vous critiquez le gouvernement, celui-ci et ceux qu'il a rallié à lui grâce à la panique, vous accusent de jouer le jeu de l'ennemi meurtrier. Cette vision réductrice a pour effet d'inhiber (voir criminaliser) le débat public et partant l'intelligence collective. Cela conduit à l'incapacité collective de s'adapter intelligemment à l'évolution de la situation et des informations disponibles. Il en résulte généralement des catastrophes. Ainsi en cédant à la panique on peut perdre une guerre face à un ennemi même insignifiant.

Mortalité : analyse statistique

https://konfedera.org/gestion-epidemies#analyse-statistique-mortalité

La mortalité toutes cause a probablement légèrement augmenté en 2020 en Europe par rapport aux années de forte grippe saisonnière. Cependant des différences notables entre pays ainsi qu'entre régions du monde posent une question importante : le confinement général était-il la meilleure stratégie anti-épidémique ?

Mortalité toutes causes
https://konfedera.org/gestion-epidemies#mortalite-toutes-causes

Dans le graphique suivant c'est la surface en-dessous de la ligne bleue qui est significative. La courbe hachurée en rouge montre que la mortalité globale est relativement constante d'une année à l'autre, avec le sommet en début d'année et le creux en milieu d'année. Nous avons ajouté les cadres bleus, qui sont de largeurs égales et calés sur la semaine 17. Pour comparer les années il suffit de comparer les surfaces situées entre la ligne bleue et la courbée hachurée en rouge. On voit alors que la mortalité de 2020 pourrait être supérieure à celle de 2017 ou 2018. Il faut cependant attendre la fin de l'année pour avoir une information complète car le pic de mortalité lié à COVID-19 pourrait être suivi par une période de faible mortalité relativement aux années précédentes sur la même période car les plus faibles (qui sont les principales victimes du virus) auront déjà disparu.

Mortalité toutes causes en Europe (janvier 2016 à 3 mai 2020)

mortalite-toutes-causes-europe-2.png

Source

Il convient en outre d'affiner l'analyse pour comprendre les véritables causes de cette évolution. Le tableau suivant montre les dix premières causes de mortalité dans le monde. On constate que la plupart sont très impliquées dans la mortalité attribuée, à tort ou à raison, à COVID-19.

mortalite-mondiale-causes.png

Source : OMS.

Polypathologies

La plupart des décès des personnes positives à COVID-19 sont en réalité causés par des pathologies chroniques (hypertension, diabète, maladies cardiovasculaire, cancers, etc). C'est la combinaison de ces affections qui explique la quasi totalité des décès "causés par COVID-19".

  • À l'opposé la létalité de COVID-19 est quasiment nulle pour des personnes saines : le cas du navire de croisière US Diamond Princess suggère ainsi un taux de mortalité de seulement 1% pour les personnes âgées en bonne santé [source].
  • Il y a aussi des particularités régionales, comme par exemple les nombreuses affections respiratoires chroniques en Chine en raison de la pollution atmosphérique, et en Iran suite aux intoxications chimiques durant la guerre contre l'Irak.

Didier Raoult – premier expert mondial en maladies transmissibles selon le classement expertscape – rappelle qu'il y a une surmortalité saisonnière, que l'on a attribuée à la grippe pendant très longtemps, et qui en réalité représente probablement toutes sortes de mortalités associées à des infections virales y compris leur conséquences [source]. Ainsi près de 30% des cas suspects de COVID-19 seraient en réalité des grippes ... [source].

Les virus nouvellement découverts s'ajoutent-t-ils "ex nihilo" à la liste des virus existants (> connus) ? Je suppose qu'en vertu des premier et second principes de la thermodynamique ainsi que du fonctionnement des écosystèmes, des virus nouveaux apparaissent par mutation tandis que d'autres disparaissent.

Par conséquent, si tous ces décès sont classés comme comme "décès par COVID-19" – donc y compris ceux qui sont en réalité des "décès avec COVID-19" – il en résulte que le taux de mortalité de COVID-19 surestime la réalité, et sera donc revu à la baisse dans les mois à venir. Il est donc possible que les statistiques de mortalité globale de 2020 seront caractérisées par un nombre anormalement bas de décès causés par le diabète, les crises cardiaques, les cancers, etc, qui auront été classés comme "décès par coronavirus" plutôt que "décès avec coronavirus". D'autre part l'agence de santé publique française santepubliquefrance.fr note que « depuis le début de la période de confinement, l’activité toutes causes aux urgences a fortement diminué pour toutes les classes d’âges » [source].

Le graphique de mortalité globale supra concerne l'Europe. Or c'est dans cette région du monde que la mortalité de COVID-19 fut la plus élevée [source], et de façon substantielle. Il en résulte donc que l'incidence de cette pandémie sur la mortalité toutes causes au niveau mondial sera moins marquée. Il importe cependant de comprendre la cause, ou les causes, des fortes différences d'incidence entre pays.

Différences entre pays
https://konfedera.org/gestion-epidemies#differences-entre-pays

Les maladies transmissibles constituent un phénomène d'écosystème, c-à-d extrêmement complexe (grands nombre de facteurs, relations non linéaires, effets de rétroaction, etc) qui peuvent expliquer que dans deux pays voisins une même pandémie pourra avoir des effets très différents. Parmi ces facteurs de différenciation il y a probablement :

  1. la capacité hospitalière, l'intuition suggérant une corrélation négative avec le taux de mortalité;
  2. la densité de population, l'intuition suggérant une corrélation positive avec le taux de mortalité;
  3. les pratiques culturelles;
  4. le type de stratégie anti-épidémique appliquée et son intensité; ...

Par conséquent lorsque l'on étudie les causes de différences d'incidence d'une même pandémie entre pays, il faut pouvoir déterminer la part de chacun des ces facteurs. Dans les quatre ci-dessus les trois premiers ont une particularité importante par rapport à la stratégie anti-épidémique : elle ne peuvent être changées du jour au lendemain. C'est pourquoi nous étudierons plus en détails les stratégies anti-épidémiques.

Capacité
et densité

Sur base des statistiques de mortalité COVID-19 actuelles l'analyse statistique ne révèle pas de corrélation significative, ni avec le taux de lits de soins intensifs, ni avec la densité de la population [source]. Ces résultats sont évidemment contre-intuitifs mais peuvent s'expliquer par la nature multifactorielle des maladies transmissibles, phénomène hautement complexe.

Pratiques
culturelles

Une différence dans la consommation d'un aliment particulier peut avoir pour effet que telle substance se retrouvant dans les organismes en quantités moyennes très différentes entre deux pays pourra avoir pour effet des sensibilités différentes par rapport à un virus ou une bactérie. D'autres habitudes culturelles comme le fait de cracher par terre peuvent se traduire par une propagation plus rapide d'un agent pathogène. Et l'on peut probablement trouver d'autres exemples presque à l'infini ...

Stratégie
nationale

Notre analyse statistique (dont la taille de l'échantillon doit être élargie) suggère une certaine corrélation positive entre taux de mortalité et stratégie SNP (mesurées en degrés de confinement) : les pays ayant appliqué une stratégie de confinement fort (degré 3/3) – c-à-d le confinement général – ont généralement un taux de mortalité supérieur à celui observé dans les pays ayant appliqué un confinement faible (degré 1/3) – c-à-d le confinement ciblé sur les seuls groupes à risque.

Mortalité vs stratégie SNP (confinement)

mortalite-SNP.png

Source

Les données du graphique proviennent du tableau ci-dessous : les carrés représentent les pays de la colonne A, les valeurs d'abscisse correspondent à la colonne B, et les valeurs d'ordonnée à la colonne E.

Mortalité vs stratégies

mortalite-vs-strategie-tableau.png

SNP : stratégie non pharmaceutique (confinement)
1 : confin. faible – 2 : confin. moyen – 3 : confin. fort
SNP : stratégie pharmaceutique (dépistage & traiter)
Source

Le cas de la Suède est très intéressant : bien que faisant partie du groupe 2 (SNP), son taux de mortalité est relativement élevé, ce qui pourrait s'expliquer par le fait que le taux de dépistage (stratégie SP) dans ce pays est très bas. La Belgique est un autre cas intéressant : ce pays, dont le taux de mortalité attribué à COVID-19 est le plus élevé, est passé de SP(1) à SP(2) durant le mois d'avril.

Cependant on ne distingue pas de corrélation notable entre taux de mortalité et stratégie SP (dont l'intensité est mesurée en nombre de tests par 1000 hab.). Cela est probablement du au nombre encore limité de pays repris dans le tableau (nous allons l'augmenter).

Mortalité vs stratégie SP (dépister & traiter)

mortalite-SP.png

Source

Pour illustrer la thèse d'une corrélation positive de la stratégie SNP, et négative de la stratégie SP relativement au taux de mortalité, nous utilisons l'indice combiné niveau de confinement - niveau de nombre de tests (⇒ échelle de 1-3=-2 à 3-1=2). Nous trouvons effectivement une corrélation positive, mais faible (< 0,5).

Ainsi, confrontés à un virus nouveau les pays dont la législation médicale est très restrictive en matière d'autorisation de médicaments (interdiction d'utiliser des médicaments non spécifiques même pour traiter un virus nouveau) auront par conséquent un faible niveau de SP (c-à-d une faible valeur pour le paramètre λ dans notre modèle SIR). Le gouvernement peut alors être tenté de compenser par un fort niveau de SNP (c-à-d une forte valeur pour le paramètre β dans le modèle SIR), ce qui, si notre thèse s'avère exacte, accentue l'incidence létale du virus.

Mortalité vs stratégie SNP(+) + SP(-) (dépister & traiter)

mortalite-SNP+SP.png

Source

On comparera utilement ces résultats empiriques avec les taux de mortalité théoriques du modèle SIR (cf. supra).

Taux de mortalité théorique selon la stratégie

morts-sur-population.png

SNP+SP : β=0,60 ; λ=15
SNP : β=0,20 ; λ=15
SP : β=0,60 ; λ=5
[tableur]

Le taux de mortalité final "avec SNP" est certes (légèrement) inférieur à la mortalité "sans stratégie" (courbe hachurée), mais comprenons bien qu'il ne peut en être autrement puisque le modèle SIR ne comprend aucun paramètre permettant de prendre en compte les effets négatifs des stratégies sur la mortalité. Or nous verrons dans l'analyse pratique de la stratégie SNP qu'ils sont nombreux. La plus forte mortalité attribuée à COVID-19 dans de nombreux pays riches pourrait ainsi s'expliquer par la combinaison du confinement général et d'un faible taux de dépistage, qui aurait fait exploser la panique et partant ses effets directs et indirects sur la mortalité. Ce ne serait donc pas le virus qui expliquerait le surplus de décès mais un effet de prophétie autoréalisatrice.

Nous sommes arrivés ici à la fin de notre analyse statistique du phénomène COVID-19. Nous en tirons deux conclusions :

  • la crise COVID-19 est une fabrication médiatique, car au niveau mondial (NB : il s'agit d'une pandémie) la mortalité toutes causes n'est pas modifiée substantiellement ;
  • le confinement général pourrait accentuer le taux de mortalité.

L'analyse statistique permet de mesurer rationnellement un phénomène et d'ainsi corriger nos perceptions, qui sont très influencées par les médias de masse. Ce qui nous conduit à la section suivante ...

Exploitation médiatique

https://konfedera.org/gestion-epidemies#exploitation-mediatique

Comment expliquer la surmédiatisation (amplification) catastrophiste (distorsion) et anxiogène (dramatisation) de l'épidémie de COVID-19, alors que celle-ci n'a rien d'exceptionnel ?

Didier Raoult : le taux de mortalité de COVID-19 n'est pas exceptionnel (3m31s - 2020)

En pleine épidémie COVID-19, Didier Raoult, premier expert mondial dans le domaine des maladies transmissibles selon le classement expertscape, conteste la vision catastrophiste propagée par les médias.

Nous allons ici montrer que ce délire collectif est une parfaite illustration :

  • de ce que les phénomènes sociaux sont généralement multifactoriels ;
  • d'un effet "boule de neige", c-à-d cumulatif, par lequel les facteurs originels en induisent d'autres, qui renforcent les premiers par boucle de rétroaction.

Nous simplifierons l'analyse en distinguant facteurs sources (la vague) et facteurs induits (les surfeurs, qui amplifient la vague).

Facteurs sources
https://konfedera.org/gestion-epidemies#delire-collectif-facteurs-sources"

Les facteurs/agents sources sont des organisations qui (de façon pas nécessairement coordonnée) déclenchent la vague médiatique pour servir des intérêts particuliers. En observant la couverture médiatique de COVID-19 nous en avons identifié deux : les entreprises "d'information" et l'atlantisme anti-chinois.

Entreprises
"d'information"

La concurrence que représentent les médias sociaux pour les entreprises "d'information" incite ces entreprises à toujours plus de catastrophisme ("biased news") afin de doper l'audimat et partant les revenus publicitaires. Ainsi dans le cas de l'épidémie COVID-19 ces médias "professionnels" ont annihilé chez les infos-dépendants toute capacité d'analyse des faits statistiques, en les matraquant de messages catastrophistes focalisants. Notamment des témoignages de personnes ayant perdu plusieurs parents en quelques semaines à cause du virus, ou encore de personnel médical de soins intensifs surchargés, ... mais en passant sous silence le fait que chaque année on observe de tels cas rien qu'avec la grippe saisonnière.

Les médias ont également dénigré des informations contrecarrant le très rémunérateur catastrophisme (audimat = revenus publicitaires). Ainsi le journal Le Monde a accusé Didier Raoult – premier expert mondial en matière de maladies transmissibles selon le classement expertscape – d'avoir propagé des « fake news » dans sa vidéo annonçant la disponibilité d'un traitement (très) efficace de l'infection à COVID-19 [source] !

COVID-19 : hyper-hystérisation (8m03s - 2020)

Voici le témoignage de Christine Borowiak, une journaliste de la RTBF (télévision publique belge) qui s'est rendue à l'hôpital pour une maladie dont les symptômes et la mortalité sont équivalents à ceux de la grippe. Seule différence notable : le nom de cette maladie est COVID-19 ...

Atlantisme
anti-chinois

La volonté des appareils d'États atlantistes de nuire à la réputation de la Chine, où se situait la source de l'épidémie. S'inspirant alors de la technique du judo (exploiter l'attaque de l'adversaire) le gouvernement chinois aurait surfé sur la vague médiatique (voire même l'aurait amplifiée) pour positionner la Chine en champion de la gestion des épidémies, une fois la "bataille" gagnée "avec brio", et d'autant plus facilement que l'épidémie n'avait rien d'exceptionnel. Ainsi le confinement général de l'agglomération de Wuhan (foyer de l'épidémie) – visuellement très spectaculaire – n'avait aucune nécessité de santé publique, mais fut motivé par des raisons d'image du gouvernement chinois dans l'opinion publique nationale et étrangère.

Facteurs induits
https://konfedera.org/gestion-epidemies#delire-collectif-facteurs-induits"

Les facteurs/agents induits sont des personnes, groupes ou organisations qui surfent sur la vague déclenchée par les sources originelles, ce qui a pour effet de l'amplifier. Nous en proposons trois au jugement du lecteur : les pseudos experts, le personnel médical (médecins et infirmières), les gouvernements.

Scientifiques
"bon clients"

Les entreprises "d'information" n'ont aucune peine à attirer sur leur plateau ou dans leurs colonnes des scientifiques considérant être injustement méconnus, et espérant que la fréquentation des plateaux de télévision et les contributions dans les colonnes de la presse écrite, leur permettra – en alimentant le catastrophisme – d'enfin briller sous les spotlights. Il existe d'ailleurs dans le jargon des médias "d'information" professionnels un terme pour dénommer ces experts : des "bons clients" [exemples pour la Belgique].

(*) Spectacle médiatique. Le temps d'antenne et l'espace rédactionnel sont limités par de fortes contraintes liées à l'audimat et aux proportionnels revenus publicitaires. Il en résulte que le discours de ces scientifiques est simplifié à outrance, ce qui facilite son détournement en "biased news" à des fins commerciales ou idéologiques.

Personnel
médical

La stratégie de l'UE pour tuer les entreprises publiques du service public c'est de réduire progressivement leur financement public afin de rendre impossible les conditions de travail ⇒ dégrader la qualité des services ⇒ pousser les citoyens vers des entreprises privées plus chères [ France : L'hôpital public au bord de la crise de nerfs (avril 2018) ; Belgique : Hôpitaux publics bruxellois: le ras-le-bol des blouses blanches (juin 2019) ]. Dans le contexte catastrophiste de COVID-19, certains médecins et infirmières ont pu amplifier l'effet boule de neige en cédant à la panique (crainte de surcharge au pic de l'épidémie) ou en exagérant leur situation (*) pour revendiquer plus de moyens financiers pour les hôpitaux.

(*) Notamment en ne soulignant pas que la surcharge n'est pas causée par les cas graves de COVID-19 mais par la masse des personnes que le catastrophisme médiatique fait accourir vers les services médicaux pour des symptômes bénins. Cette surcharge non justifiée réduit les ressources humaines et matérielles requises pour les cas graves, provoquant ainsi une hausse du nombre de décès.

COVID-19 : hôpitaux débordés ... vraiment ? (5m11s - avril 2020)

Chaque jour de l'épidémie COVID-19 la population fut littéralement matraquée "d'informations" selon lesquelles les hôpitaux seraient "proches de la surcharge" voire débordés par le nombre de patients gravement atteints par le virus COVID-19. Pour vérifier ces allégations nous avions visité ce mercredi 8 avril 2020 l'accueil du service urgence de deux grands hôpitaux bruxellois : Saint-Pierre et Erasme ...

Gouvernements

Une fois mis au pied du mur par l'hystérie médiatique, la plupart des gouvernements s'y soumettent. L'imposition du confinement général a fait explosé la panique et ainsi accru la pression sur les hôpitaux, ce qui était pourtant ce que les gouvernements cherchaient à éviter. Ce phénomène est bien connu des économistes, sous le nom de "prophétie autoréalisatrice" ("self-fulfilling prophecy"). Enfin des gouvernements (ou leurs "sponsors" ...) peuvent voir dans l'hystérie collective une opportunité pour imposer des mesures impopulaires telles que la vaccination obligatoire ou encore le traçage de nos relations [exemple] (N.B. les technologies requises sont aux mains de grandes entreprises privées, qui vont ainsi acquérir un pouvoir informationnel, et donc aussi financier, supérieur à celui des États).

Comment un gouvernement terrorise la population (1m07s - mars 2020)

Chaque jour à 11 heures le gouvernement belge organise une conférence de presse, présentée par des scientifiques, et consistant essentiellement (i) à mentionner le nombre de nouveaux décès ; et (ii) à répéter inlassablement les mêmes instructions. Or citer chaque jour le nombre de nouveaux décès sans les placer en perspective (notamment par rapport au nombre quotidien de victimes de la grippe saisonnière) n'a aucune valeur informative, et ne peut avoir pour effet que de terroriser la population.

Des pratiques telles que celle illustrée par la vidéo ci-dessus mettent gravement en question la crédibilité des gouvernements et de la communauté scientifique. Leur volonté manifeste d'attiser la peur par des effets de focalisation pose une question légitime : quelles autres pratiques manipulatoires les gouvernements sont-ils prêt à appliquer pour convaincre la population de respecter le confinement général et d'accepter le traçage de leurs relations ? Ainsi parmi ces autres mesures il y a-t-il la modification de statistiques "pour le bien de la population" ?

Stratégies anti-épidémiques

https://konfedera.org/gestion-epidemies#strategies

Dans la section consacrée au modèle SIR nous avions défini deux types de stratégie anti-épidémique :

  • non pharmaceutique (notée SNP) : consistant à abaisser la valeur du paramètre β, fortement contraignante, ancienne;
  • pharmaceutique (notée SP) : consistant à abaisser la valeur du paramètre λ, faiblement contraignante, moderne.

La présente section étant consacrée à l'épidémiologie non plus théorique mais pratique, nous allons ici développer cette typologie en l'étendant à quatre types :

  • passive : en situation normale il n'y a pas besoin de stratégie car la plupart des épidémies disparaissent avant d'avoir provoqué de nombreuses malades, pour des raisons peut-être liées à l'immunité collective mais aussi pour d'autres raisons inconnues à ce jour mais très probablement liées au virus lui-même et/ou aux écosystèmes dans lesquels il évolue ;
  • active préventive générale : confinement général ;
  • active curative générale : dépister massivement ⇒ isoler et traiter les seuls positifs ;
  • active curative ciblée : dépister et traiter au sein des seuls groupes à risque.

Immunité collective

https://konfedera.org/gestion-epidemies#strategie-immunite-collective

Dans la section consacrée au modèle SIR nous avons vu l'équation (13) E*t = 1 - It - 1 / ( β * λ ) qui exprime la valeur de Et au-delà de laquelle, la croissance du nombre d'infectés (It) est impossible. C'est pourquoi E*t est appelé "taux d'immunité collective neutralisante".

L'équation (9) n'exprime pas de causalité mais seulement une corrélation entre Et et It, c-à-d que lorsque It arrête de croître sa valeur correspond à une valeur de Et égale à E*t. Et inversement lorsque Et atteint la valeur de E*t c'est que nécessairement It arrête de croître. Mathématiquement cela s'exprime par :

E*t = 1 - It - 1 / ( β * λ )  ⇔   It = 1 - E*t - 1 / ( β * λ )(9')

On peut interpréter cette expression mathématique de façon intuitive en disant que si la répartition spatiale de la population It est uniforme (ce qui est une des hypothèses du modèle SIR) il existe une valeur minimale de It en-dessous de laquelle – c-à-d une valeur maximale de Et au-delà de laquelle – le virus n'arrive plus à se propager faute de suffisamment de vecteurs. Cette interprétation surlignée en jaune permet d'expliquer pourquoi une épidémie s'éteint naturellement avant que le virus ait contaminé l'intégralité de la population au sein de laquelle il se propage.

Cependant rien ne prouve que cette interprétation surlignée en jaune soit la bonne : peut-être les épidémies s'éteignent-elles naturellement pour d'autres raisons qu'un trop faible nombre d'individus susceptibles (rappel : (1) St + It + Et = 1St = 1 - It - Et). La ou les véritables causes pourraient se situer au niveau des virus ou/et des écosystèmes. Rien ici ne permet donc d'affirmer que le modèle SIR représente bien le mécanisme réel des maladies transmissibles.

Quoi qu'il en soit, une question vient à l'esprit : qu'est ce qui fait qu'un individu est immunisé ? Il y a trois voies possibles d'immunisation (synonyme "d'exclusion" c-à-d le fait d'appartenir au groupes des exclus du risque de contamination ) :

  • de naissance ;
  • par guérison d'une maladie immunisante;
    • Toutes les maladies ne sont pas immunisantes.
    • Une guérison peut être naturelle (sans traitement médical) ou non (avec traitement médical).
  • par vaccination.

Or selon le modèle SIR, pour E0t=0, β=0,6 et λ=15, on obtient E*0=89%, ce qui signifie qu'en t=0 il faut que 89% de la population soit immunisée pour que la propagation du virus soit rendue impossible. Cependant les épidémies en elles-mêmes ne sont pas graves (et peut-être même constituent-elles un phénomène indispensable aux écosystèmes !). Ce qui importe, du point de vue de la politique sanitaire, c'est leur impact sur la mortalité et plus précisément sur la charge hospitalière, que l'on peut mesurer par (16) CHt = σ * It / κσ est le pourcentage de cas sévères dans It (c-à-d nécessitant une hospitalisation) ; et κ est le taux de lits de soins intensifs (toutes causes confondues). Or selon le modèle SIR pour σ=0,02 et κ=0,003 il faut que E0 > 70% pour que les individus sévèrement affectés par le virus consomment à eux seul moins de 50% de la capacité hospitalière [tableur].

Mais s'il n'existe ni vaccin ni traitement spécifique les individus ne peuvent donc être immunisés que :

  • de naissance ;
  • par guérison d'une maladie immunisante :
    • soit naturellement;
    • soit au moyen d'un traitement médical non spécifique.

Par conséquent en cas d'épidémie d'un virus nouveau, dans lequel aucun individu n'a donc été immunisé par maladie ou vaccin, il résulte du modèle SIR que la politique sanitaire passive dite "stratégie d'immunisation collective" n'est fondée que si les immunisés de naissance représentent à eux seuls 70% de la population.

Est-ce beaucoup ? Je l'ignore. Mais attention : tout cela n'est que le résultat de modèles mathématiques ultra-simplistes (dérivés du modèle SIR), qui pour expliquer le fait que les épidémies s'éteignent naturellement avant d'avoir infecté 100% de la population, ne considèrent que la seule raréfaction des susceptibles, et par conséquent ignorent toutes causes se situant en amont du phénomène épidémique et pouvant expliquer que même avec un taux élevé de susceptibles une épidémie s'éteint pour des raisons liées aux virus eux-mêmes ou aux écosystèmes. Cette ultra simplification du phénomène viral constitue une partie de l'explication multifactorielle (*) du fait que lors des précédentes pandémies de virus nouveaux les prévisions des modèles épidémiologiques ont systématiquement (et considérablement) exagéré l'incidence des épidémies.

(*) Cette explication multifactoriellle comprend notamment des déterminants micro et macroéconomiques évoqués supra et infra.

La dite "stratégie" dite "d'immunisation collective" repose sur le pari que le pic de l'épidémie, c-à-d le nombre le plus élevé de personnes contaminées par unité de temps ne dépassera pas les capacités matérielles et humaines du système médical. Elle est donc d'autant plus justifiée que le produit incidence x mortalité est faible. Avant COVID-19 cette stratégie du laisser faire était appliquée dans la plupart des épidémies, et même des pandémies. Ainsi chaque année des épidémies létales et dont la propagation est exponentielle, son maîtrisées sans confinement général. Par conséquent, chaque année nous sommes confrontés au risque que le système hospitalier soit surchargé. Et certaines années cela est effectivement le cas, ce qui implique que des malades sont moins biens soignés voire pas du tout, et que certains en meurent. Le nombre de ces décès est implicitement considéré comme "acceptable" au regard des coûts sociaux, économiques et politiques du confinement général, dont l'application systématique aux épidémies saisonnières aurait pour effet d'instaurer le confinement général quasiment chaque année ... (PS : dans la section consacrée à la problématique politique nous analyserons cet arbitrage).

Confinement général

https://konfedera.org/gestion-epidemies#confinement-general
Principes

Cette stratégie (qui à notre connaissance n'était mentionnée dans aucun article d'épidémiologie avant COVID-19) s'applique aux épidémies se propageant par contacts interindividuels directs, et non par le biais d'un vecteur tel un moustique. Elle consiste à inciter voire forcer l'ensemble de la population à appliquer des mesures dites de "distanciation sociale" :

  • limiter le nombre de contacts : fermeture des crèches et écoles, isolement des malades, suppression des rassemblements publics, réduction des mouvements de population, ... ;
  • limiter la probabilité de contamination lors de contacts, par des mesures d'hygiène : lavage des mains, port de gants et masques de protection, maintient d'une distance de deux mètre entre individus.

Détail des mesures de confinement général : France ; Belgique.

Les partisans du confinement général affirment, sur base de modèles épidémiologiques tels que le modèle mathématique SIR, que celui-ci aurait pour effets [source] :

  • d'abaisser le sommet de la courbe épidémique ⇒ on réduit le risque que la capacité hospitalière soit dépassée par le nombre de cas sévères;
  • de retarder le sommet de la courbe épidémique ⇒ on gagne du temps pour augmenter la capacité hospitalière et en particulier le nombre de lits de soins intensifs.

En théorie l'ensemble de ces mesures seraient très efficaces : appliquées pleinement elles permettraient de stopper l'épidémie en quelques semaines.

PS : la plupart des épidémies s'éteignent naturellement en quelques semaines ... !

Le graphique suivant illustre le principe de fonctionnement du confinement général.

reductionnisme-epidemie.gif

Confinement général : l'un télétravaille, l'autre ne se rend pas à ce barbecue, une troisième ne voyage pas en avion, et le dernier reste à la maison ...

On notera que l'animation ci-dessus – qui illustre la stratégie de confinement général, consistant à abaisser la valeur de β – vaut aussi bien pour illustrer l'immunisation collective, ainsi que la stratégie "dépister & traiter" (si l'on suppose que la guérison est immunisante) consistant à abaisser la valeur de λ. Pour s'en rendre compte il suffit de remplacer le commentaire en-dessous de l'animation par « l'un est immunisé, l'autre est immunisé, une troisième est immunisée, et le dernier est immunisé ».

Le graphique suivant illustre l'effet théorique du confinement général sur la courbe épidémique : retardement et abaissement du sommet :

capacites-hospitalieres.png

Dans le cas de virus nouveau, dont la virulence et la létalité sont donc inconnues, la stratégie préventive qu'est le confinement général est fondée sur le principe de précaution c-à-d une spéculation : au moment où l'on décide d'appliquer ou non des mesures préventives (zone verte), moment qui se trouve proche de T=0, on ne sait pas avec précision (notions d'estimations hautes et basses de la propagation effective) quel sera ex post le positionnement relatif de la courbe épidémique par rapport à la capacité hospitalière.

Selon le positionnement relatif des courbes par rapport à la capacité hospitalière (cf. graphique ci-dessus), ont pourra tirer l'une de trois types possibles de conclusion :

  • Capac. hospit. 1 : le coût social et économique de la stratégie de distanciation a permis de minimiser le nombre de malades ne pouvant être traités : la surface verte au-dessus de la ligne de capacité 1 est inférieure à la surface bleue au-dessus de cette ligne ;
  • Capac. hospit. 2 : le coût social et économique de la stratégie de distanciation a permis de réduire à zéro le nombre de malades ne pouvant être soignés : la surface verte est inférieure à la ligne de capacité 2, de sorte que l'on a pu éviter un nombre de décès équivalent à la surface bleus située au-dessus de la ligne de capacité 2 (on suppose que les malade non traités meurent) ;
  • Capac. hospit. 3 : le coût social et économique de la stratégie de distanciation fut inutile.
Vagues
suivantes

Le confinement général ayant pour effet de freiner le phénomène naturel d'immunisation collective, il résulte du modèle SIR (mais représente-t-il bien la réalité ?) que lorsque ce confinement sera levé – parce qu'il aura ramené la valeur de R0 en-dessous de 1, c-à-d que l'on aura dépassé le sommet de la courbe épidémique – celle-ci pourrait ... repartir à la hausse. On s'inscrirait alors, selon le modèle SIR, dans un cycle de confinements et dé-confinements, qui durera tant que l'on aura pas développé de médicament spécifique ou de vaccin (ce qui peut durer des années), ou tant que la réglementation médicale pénalisera l'usage de médicaments non spécifiques pour réduire la charge virale des infectés.

NB : la stratégie du confinement général ne peut donc se justifier que par la négation de l'efficacité des traitements non spécifiques (stratégie SP en cas de virus nouveau, qui elle aussi abaisse le sommet de la courbe épidémique).

Ce cycle de confinements et dé-confinements est un moindre mal, affirment les promoteurs de cette stratégie, car on aura ainsi pu retarder le sommet de la courbe épidémique, ce qui permet selon eux de gagner du temps pour augmenter la capacité hospitalière, ainsi que pour développer un médicament spécifique et/ou un vaccin.

Le problème est ici qu'il n'est pas possible, en moins de deux ans, ni de multiplier par dix la capacité hospitalière (cf. le graphique de Ferguson), ni de développer un nouveau traitement ou vaccin (ce qui prend cinq à dix fois plus de temps).

Capacités
hospitalières

Il n'est pas possible d'augmenter substantiellement en quelques mois la capacité hospitalière d'un pays. Construire les bâtiments est une chose, mais les équiper d'unités de soins intensifs requiert du matériel complexe et surtout du personnel compétent. Or ces ressources ne peuvent être créées en quelques mois, qui plus est si le système productif est entravé par un confinement général. Dans une situation de crise c-à-d d'urgence, ces ressources ne peuvent qu'être redistribuées entre hôpitaux. Or comme il n'est pas possible de prévoir les régions qui seront en surcharges et celles qui ne le seront pas, cette réallocation ne peut être réalisée que dans l'urgence, ce qui rend sa faisabilité peu réaliste, qui plus est si le système productif est entravé par un confinement général. Les affirmations des gouvernements qui ont prétendu l'avoir fait (et alors qu'ils n'étaient pas même en mesure de gérer efficacement les seuls stocks de masques de protection) sont donc probablement mensongères et concernent au mieux des lits de soins non-intensifs.

Médicament
ou vaccin

Il n'est pas possible de développer un médicament spécifique ou un vaccin efficaces (et non nuisibles) en moins de deux ans (y compris l'autorisation de mise sur le marché), car cela prend d'habitude cinq à dix fois plus de temps ! En outre le confinement général allonge la durée de R&D, en entravant la production et distribution de biens et services qui lui sont indispensables. Pendant ce temps ce même confinement général aura fait des ravages, notamment sur la mortalité (cf. infra).

Les raisonnements développés dans cette section reposent l'hypothèse implicite que le confinement général serait efficace. Mais est-bien le cas ?

Efficacité
https://konfedera.org/gestion-epidemies#confinement-efficacite

Les deux graphiques précédents présentant les principes du confinement général peuvent paraître pertinents, et l'on est alors tenté de croire que « oui, ça fonctionne bien comme cela, et le résultat obtenu est bien celui-là ». Cependant nous avons montré supra que les modèles mathématiques ne sont qu'une illustration d'une thèse mais n'en constituent nullement une démonstration. Pour démontrer la thèse selon laquelle le confinement général serait efficace il faut la confronter à la réalité des faits ... qui en matière de maladie transmissible est non seulement extrêmement complexe mais en outre liée aux écosystèmes.

Interrogé fin mars 2020 par le journal français Le Parisien sur l'efficacité du confinement général, le professeur Didier Raoult, premier expert mondial en maladies transmissibles selon l'indice expertscape, répond en ces termes : « Jamais on n’a pratiqué ainsi à l’époque moderne. On faisait ça au XIXe siècle pour le choléra à Marseille. L’idée du cantonnement des gens pour bloquer les maladies infectieuses n’a jamais fait ses preuves. On ne sait même pas si ça fonctionne. C’est de l’improvisation sociale et on n’en mesure pas du tout les effets collatéraux » [source].

Le déconfinement dans le cadre de l'épidémie COVID-19 pourrait apporter des éléments de réponse car s'il est suivi d'une deuxième vague c'est la preuve que le confinement a effectivement protégé la population. Par contre si le déconfinement ne provoque pas de seconde vague c'est que le virus a disparu. La question est alors de savoir si l'épidémie a été neutralisée par le confinement ou bien elle a disparu d'elle même, comme le font toutes les épidémies.

En attendant la réponse à cette question voici quelques arguments qui pourraient expliquer que les effets des mesures hygiéniques et de distanciation pourraient être illusoires lorsqu'elles doivent être appliquées par l'ensemble de la population.

Mesures
hygiéniques

L'application effective des mesures d'hygiène telles que le port du masque, de gants et le lavage des mains est réaliste dans le cadre très circonscrit d'un hôpital et avec une très petite population professionnelle (médecins et infirmières). Mais elles sont par contre irréalistes dans la vie de tous les jours c-à-d en tous lieux, en toutes circonstances, à tout instant, par tout le monde. Et cela alors que les plus fines particules expectorées peuvent rester en suspension dans l'air pendant plusieurs heures, donc y voyager au gré des courants d'air et se fixer n'importe où (et y rester infectieuses pendant plusieurs jours). Ainsi même en milieu hospitalier on ne peut éviter les infections nosocomiales !

Le masque est à usage unique, à remplacement périodique. Il doit être posé et retiré sans le toucher avec lavage des mains avant après le port. Il ne doit jamais être porté sur le front, sur le cou ou dans la poche, au risque de contaminer son porteur en cas de repositionnement. En outre la production et distribution de masques en quantités suffisantes est entravée par le confinement général [source].

Distanciation

Quant au confinement proprement dit, on ne peut l'appliquer à une large population sur des périodes de plusieurs semaines car les gens doivent sortir au moins pour aller (i) chercher de la nourriture (sauf à constituer massivement des stocks, ce qui n'est pas gérable globalement) ; (ii) sur leur lieu de travail (les services qui peuvent être réalisés par télétravail ne représentent qu'une partie du PIB). Que ce soit sur leur lieu de travail comme dans leur domicile, il ne leur est pas possible d'appliquer en permanence la distanciation (un mètre cinquante), le port du masque et de gants, le lavage des mains (après chaque contact sans gants).

Enfin, face à un virus, les mesures de confinement et d'hygiène peuvent-elle être d'une quelconque efficacité lorsqu'elles ne sont pas appliquées intégralement, par tous, en tous lieux, en toutes circonstances, 24h/24 ? Est-il raisonnable de croire qu'elles sont « quand même un petit peu efficaces même si on ne les applique que partiellement » ? Et dans l'affirmative, n'existe-t-il pas un niveau d'application partielle en-dessous duquel elles deviennent totalement inefficaces ? Dans ce cas, quel est ce niveau ?

Bilan

Il n'est donc pas évident que le confinement général soit réaliste. Bien sûr l'on pourrait accroître le degré de discipline de la population en entretenant en permanence un climat de terreur via les médias "d'information", et en instaurant un régime policier fondé notamment sur la dénonciation des contrevenants. Mais voulons-nous d'une telle société ?

Et nous n'avons pas encore évoqué le gros point faible du confinement général : ses effets pervers ...

Effets pervers
https://konfedera.org/gestion-epidemies#confinement-effets-pervers

Il reste à prendre en compte les effets collatéraux du confinement général et de sa corrélative sur-médiatisation anxiogène, qui augmentent le taux de mortalité :

  • entrave à la production & distribution de biens et services indispensables à la lutte contre l'épidémie (dont du matériel médical : masques, désinfectant, respirateurs, matériel de dépistage, médicaments, ...) ;
  • stress psychique (et ses effets nuisibles sur la santé physique et le système immunitaire ) :
    • angoisse de la mort omniprésente et invisible;
    • familles confinées dans des trois pièces sans terrasse;
    • femmes ou enfants battus confiné(e)s avec leur bourreau;
    • personnes âgées ou handicapées privées de contacts physiques et d'autant plus terrorisées par les médias "d'information" (beaucoup se sont "laissées partir" par désespoir et crainte de mourir étouffées);
    • petits indépendants ruinés, ...
  • suspension du suivi médical des pathologies hors COVID-19 (ou alternativement : surcharge inutile des hôpitaux et cabinets médicaux, par des personnes paniquant parce qu'elles présentent des symptômes bénins qui ne les auraient pas inquiétées sans la dramatisation médiatique du confinement général) ;
  • une réglementation médicale pénalisant l'utilisation de médicaments non spécifiques même dans une situation de crise face à un virus nouveau ; or, comme toute réglementation, elle peut être levée en cas de nécessité, mais de nombreux gouvernements ont manifestement préféré ne pas le faire, ce qui leur a permis de "justifier" le confinement général avec d'autant plus de force.

COVID-19 : le cas du personnel médical infécté

Dans le cas de la crise actuelle (COVID-19) on observe un nombre élevé de malades parmi le personnel médical. Deux explications possibles sont (outre l'évidente surexposition) :

  • le manque de moyens de protection : gants, masques, désinfectant, ... dont la fabrication & distribution est entravée par le confinement général ;
  • le cumul du stress :
    • psychique (⇐ augmentation de l'info-dépendance ⇐ confinement général) ;
    • physique (travail en première ligne alourdi par des personnes en panique suite au confinement général, et se ruant vers les services médicaux malgré des symptômes bénins) ;
    Or on sait que le cumul du stress psychique et physique augmente considérablement le risque de développer des affections graves.

Des effets positifs du confinement général existent certes, tels que la baisse de la pollution atmosphérique et des accidents de la route. Mais compensent-ils les effets négatifs ?

Conclusion
https://konfedera.org/gestion-epidemies#confinement-conclusion
Scénarios

Faisons à nouveau abstraction de tous les arguments défavorables au confinement général (NB : ça commence à faire beaucoup ...), et supposons qu'il permette de gagner du temps pour augmenter quelque peu la capacité du système hospitalier. Analysons alors les deux scénarios possibles :

  • Soit les prévisions d'explosion épidémique ne se produisent pas, et les coûts encourus l'auront été également pour rien. Mais en outre le détournement d'une partie considérable des ressources humaines et matérielles des hôpitaux pour préparer ceux-ci à l'hypothétique tsunami de nouveaux cas a eu pour effet une hausse (qui elle est certaine) du taux de mortalité des affections habituelles (puisqu'il y moins de ressources pour les traiter). D'autre part l'ensemble des ressources humaines hospitalières sont alors exténuées avant même le sommet de la courbe épidémique, ce qui peut avoir pour effet que même si ce sommet s'avère finalement gérable dans des conditions de travail habituelles, il risque fort de ne plus l'être dans ces conditions d'épuisement.
  • Soit les prévisions d'explosion épidémique se réalisent, et dans ce cas les services hospitaliers seront presque certainement submergés et par conséquent totalement hors d'usage en 24h. Non, on ne peut tout éviter dans la vie, et brûler des cierges ou s'enfermer chez soi n'y changera rien (cierges) voire aggravera la situation (confinement général).
Croyance

Il semble donc peu pertinent d'appliquer le confinement général au nom du principe de précaution. La croyance en l'effet du confinement général relève alors du comportement magique, comme aller brûler un cierge à l'église, ce qui peut s'avérer très dangereux si cela nous détourne d'une stratégie rationnelle. Nous vivons aujourd'hui dans un monde où les médias "d'information" ont remplacé les prêtres, et dans l'actualité duquel le confinement général joue la fonction d'un sacrifice rituélique.

Il est hautement probable que le confinement général n'ait pas pour effet de neutraliser une pandémie, mais de provoquer ce que des modèles mathématiques réductionnistes "prévoient" erronément. La crise actuelle serait ainsi causée par la seule panique. C'est un phénomène connu des économistes sous le nom de "prophétie autoréalisatrice" ("self-fulfilling prophecy").

Passons donc à des stratégies plus pertinentes.

Dépister et traiter

https://konfedera.org/gestion-epidemies#depister-et-traiter

La stratégie curative massive dite "dépister et traiter" consiste à tester massivement la population et à ne confiner que les personnes positives, et les traiter si nécessaire. Cette stratégie requiert des moyens techniques spécifiques (pour le test et le traitement), mais surtout une organisation bien conçue. Elle est recommandée par Didier Raoult, premier expert mondial en matière de maladies transmissibles selon le classement expertscape.

C'est la stratégie appliquée par la la Chine et surtout la Corée du Sud, qui sont les pays ayant neutralisé le plus rapidement COVID-19.

Dépister
https://konfedera.org/gestion-epidemies#depister

Quelques formes de dépistage :

  • le test PCR mesure la présence de l'ARN viral, attestant ainsi la contamination et son intensité;
  • le test sérologique (par exemple ELISA) mesure la présence d'anticorps, (et partant l'immunisation);

    Les tests sérologiques seraient moins précis que les tests d'ARN viral, mais ils permettent d'évaluer le nombre de personnes immunisées (et donc le stade d'immunisation collective).

  • imagerie (par exemple scanning des poumons dans le cas de COVID-19) : permet de repérer des symptômes (mais avec plus d'incertitude que les tests quant à l'agent pathogène);
  • scanners rapides de la température corporelle; ...

Faut-il tester 100% de la population ? Non, en raison :

  • du phénomène d'immunité collective (variable Et du modèle SIR);
  • du fait que les épidémies s'éteignent naturellement avant d'avoir infecté 100% de la population, en raison de facteurs se situant en amont du phénomène épidémique et pouvant expliquer que même avec un taux élevé de susceptibles (St = It - Et) une épidémie s'éteint pour des raisons liées aux virus eux-mêmes ou aux écosystèmes.

Ainsi la Corée du Sud a pu neutraliser l'épidémie en testant très rapidement trois cent mille personnes, principalement dans les foyers épidémiques [source1, source2], soit seulement 0,6% de la population du pays.

N.B. Ce pourcentage est environ cent fois inférieure à la valeur de l'immunisation collective immunisante calculée par le modèle SIR. Cette gigantesque différence illustre l'incapacité des modèles mathématiques à représenter la réalité du phénomène épidémiologique.

Les tests pourraient être proposés dans les aéroports, ports et postes frontières. Et des cliniques ambulantes peuvent réaliser des tests partout sur le territoire, avec résultats envoyés par SMS le lendemain. Si possible le test pourrait être réalisé par les personnes elles-mêmes au moyen d'un kit disponible en pharmacie et dans les grandes surfaces.

Pas de
traçage

En Corée du Sud et en Chine, les personnes ayant eu des contacts avec des individus contaminés furent recherchées de manière systématique afin d’être testées à leur tour et confinées de force. Nous pensons cependant que c'est aller trop loin, et fut probablement motivé plus pour des motifs politiques que scientifiques. Selon nous le traçage doit être volontaire et ne peut donc être imposé : c-à-d que si Alice accepte d'être tracée et qu'elle rencontre Bob qui n'a pas accepté d'être tracé, un contact entre Bob et Alice ne peut être enregistré.

Traiter
https://konfedera.org/gestion-epidemies#traiter
Définition

On a souvent pour habitude de distinguer traitement symptomatique vs curatif d'une maladie. Cependant cette approche dichotomique du traitement médical est simpliste. D'une part on peut favoriser la guérison naturelle en atténuant les symptômes (dans le cas de COVID-19 : fièvre, toux et dyspnée) au moyen de médicaments habituels pour ces symptômes. Selon des estimations le seul traitement symptomatique peut réduire de moitié le taux de mortalité [source]. D'autre part le traitement curatif peut être appliqué avant l'apparition de symptômes. Ainsi le traitement curatif d'une infection virale ou bactérienne consiste notamment à abaisser sa charge virale ou/et bactérienne en-dessous d'un niveau correspondant à (i) la contagiosité de l'infection et (ii) l'apparition des symptômes de la maladie.

Repositionnement

En situation d'urgence et en l'absence de vaccin ni traitement curatif spécifique, il faut concentrer les ressources scientifiques disponibles sur le "repositionnement" c-à-d la recherche de médicaments existants permettant de traiter le nouveau virus. L'avantage du repositionnement c'est que ces médicaments sont déjà agréés, donc immédiatement disponibles. En outre leurs effets secondaires, posologie et interactions sont connues. Dans le cas de COVID-19 le repositionnement fut réalisé avec succès et une rapidité stupéfiante (qui a suscité beaucoup de jalousies ...) par l'équipe du Pr. Raoult (sur base de recherches chinoises sur des médicament antipaludiques). Il a ainsi été confirmé que les pays qui utilisent principalement des médicaments antipaludiques comme traitement de COVID-19 voient une dynamique plus lente des décès quotidiens, le nombre de décès parmi les cas critiques étant divisé par deux [source].

Une façon d'identifier des médicaments candidats pour un repositionnement est donnée par le cas de la Chloroquine : en Italie COVID-19 se serait répandu essentiellement dans les régions qui avaient été touchées par le paludisme ... dont la Chloroquine est un traitement [à confirmer par une source crédible].

Médecine
de guerre

Dans une situation de crise telle que la pandémie COVID-19 – virus nouveau pour lequel il n'existe pas de médicament spécifique – l'utilisation immédiate de ces traitements non spécifiques devrait être appliquée dans des conditions moins strictes que celles habituellement requises (réplication des résultats par d’autres équipes, étude randomisée en double-aveugle, ...). La situation s'apparente en effet à une situation de guerre, ce qui requiert logiquement l'application d'une médecine de guerre. Dans ce cas la primauté doit être redonnée temporairement aux médecins traitants (l'art de la médecine) sur la méthodologie scientifique applicable en situation hors crise ("temps de paix").

On s'étonnera donc à juste titre de de l'accusation portée par le journal Le Monde à l'encontre du Pr. Raoult, premier expert mondial en matière de maladies transmissibles selon l'indice expertscape, que le journal a accusé de propager une "fake news" (sic) en annonçant les résultats d'une étude scientifique suggérant l'efficacité d'un traitement non spécifique pour COVID-19 : source).

Diagnostiquer et traiter (18m25s - 16 mars 2020)

Selon Raoult il n'existe dès aujourd'hui aucune barrière autre que politique au dépistage et au traitement de COVID-19 [fiches de la présentation].

Dépistage et traitement de COVID-19

Dépistage : recommandations du gouvernement français pour les prélèvement de dépistage par RT-PCR :

Traitements :

  • L'équipe du Pr. Raoult recommande (et applique) l'association d'hydroxychloroquine (200 mg x 3 par jour pour 10 jours) et d'azithromycine (500 mg le 1er jour puis 250 mg par jour pour 5 jours de plus), dans le cadre des précautions d’usage de cette association (avec notamment un électrocardiogramme à J0 et J2), et hors AMM. Dans les cas de pneumonie sévère, un antibiotique à large spectre est également associé [source1 ; source2]. Ce traitement permettrait de réduire le temps de portage moyen du virus (durée entre le début et la fin de l’infection, et donc de la contagiosité possible) de 20 jours [source] à 6 jours.
  • Les autorités chinoises ont autorisé l'utilisation :

    • du favipiravir (un médicament antigrippal dont l'utilisation clinique a été approuvée au Japon en 2014) après un essai clinique montrant une bonne efficacité contre COVID-19 et n'ayant provoqué aucune réaction adverse [source];
    • des médicaments de la médecine traditionnelle chinoise [source].

Dépistage et confinement ciblés

https://konfedera.org/gestion-epidemies#depistage-et-confinement-cibles

Nous distinguons deux types de "groupes à risque" :

  • type "blanc" : les personnes avec une haute probabilité de développer des symptômes sévères, par exemple des personnes âgées avec polypathologie chronique (hypertension, diabète, maladies cardiovasculaire, cancers, ...) ;
  • type "noir" : les super-contaminateurs :
    • individus avec forte charge virale ;
    • individus avec nombre élevé de contacts (dans le temps et l'espace).

Il s'agit alors de :

  • isoler les groupes blancs ⇒ dépister au sein de ce groupe et diminuer la charge virale des positifs, même en l'absence de symptômes ;
  • dépister massivement au sein des groupes noirs (par exemple les enfants) ⇒ isoler les positifs et réduire leur charge virale.

Les groupes à risque représentent souvent un faible pourcentage de la population.

Les groupes blancs sont immédiatement observables puisque c'est précisément leur apparition (les décès causés par l'infection virale) qui attire l'attention. Les groupes noirs peuvent alors être identifiés puis caractérisés par l'analyse du processus de contamination des membres du groupe blanc.

Quelle stratégie appliquer ?

https://konfedera.org/gestion-epidemies#meta-strategie

Commençons par éliminer le confinement général (stratégie active préventive) dont nous avons montré que l'application relève de considérations non pas scientifiques (cf. supra "Différences entre pays") mais politiques (cf. supra "Exploitation médiatique") et surtout économiques : le confinement général fut l'occasion d'imposer le traçage des individus, ce qui constitue une source de revenus gigantesques pour les entreprises qui collecteront ces données.

Ces statistiques viennent confirmer ce que nous avions montré plus haut : le confinement général n'est ni réaliste ni souhaitable. Reste alors la solution "dépister & traiter". Mais il convient en outre de prendre en compte le coût du dépistage massif, ainsi que du confinement et traitement des positifs.

Sur base de ces faits et considérations apparaît alors une méta-stratégie :

  • en situation normale : ne rien faire car la plupart des épidémies s'éteignent naturellement avant d'avoir infecté 100% de la population, pour des raisons peut-être liées à l'immunité collective mais aussi pour d'autres raisons inconnues à ce jour mais très probablement liées au virus lui-même et/ou aux écosystèmes dans lesquels il évolue ;
  • en situation de crise (c-à-d lorsque la capacité hospitalière risque d'être submergée par l'épidémie) :
    • s'il existe des groupes à risque ⇒ stratégie ciblée : "dépister au sein des seuls groupes à risque noir et blanc" ;
    • si toute la population est également à risque ⇒ stratégie massive : "dépister massivement ⇒ confiner et traiter les seuls positifs".
    • traitement : en l'absence éventuelle de traitement spécifique on peut utiliser des médicaments existants non spécifiques ("repositionnement", médecine de guerre).

Au niveau international les contrôles aux frontières ou la fermeture de celles-ci ne se justifient pas par rapport aux pays pratiquant la même méta-stratégie et disposant d'une capacité hospitalière équivalente ou supérieure (par exemple mesurées en taux de lits de soins intensifs).

Nuisibilité des scientifiques "bons clients"

L'incompétence de nombreuses "élites" scientifiques et politiques est apparue de façon flagrante dans la crise COVID-19. Un sommet d'absurdité a été atteint en Belgique par le très médiatisé Marc Van Ranst, professeur à la Katholieke Universiteit Leuven, s'exprimant en faveur d'un confinement "à la Wuhan" (foyer de l'épidémie en Chine) c-à-d d'un couvre-feux national sur l'ensemble de la Belgique [source], oubliant (i) que grâce aux cellules locales du Parti Communiste – inexistantes en Europe – les habitants de toute la province du Hubei étaient dépistés et ravitaillés (nourriture et médicaments) [source], (ii) que cette province était approvisionnée par les provinces chinoises environnantes, ce qui ne sera pas le cas de la Belgique, vu l'absence totale de solidarité et de coordination au sein de l'UE. C'est donc à un effondrement de la société belge que conduirait une telle mesure.

Marc Van Ranst est une illustration archétypique de ce que le jargon des médias "d'information" professionnels appelle "un bon client" [autres exemples pour la Belgique].

Problématique politique

https://konfedera.org/gestion-epidemies#problematique-politique
Situation
"de crise"

Notre définition d'une situation de crise épidémique ("risque que la capacité hospitalière soit submergée par l'épidémie") implique que la gestion des épidémies relève de considérations non seulement sanitaires mais également économiques et politiques, en raison de deux caractéristiques de cette définition :

  • elle est fondée sur une incertitude : au moment où l'on doit prendre la décision d'appliquer ou non une stratégie de gestion épidémique et, dans l'affirmative, d'en choisir une, on ne dispose pas de toute l'information nécessaire (cf. la médiocre performance des modèles mathématiques en matière de prévision des épidémies de maladies transmissibles) ;
  • elle est fondée sur un relativisme : face à une même pandémie deux pays dont les capacités hospitalières respectives (mesurées en nombre de lits de soins intensifs par mille habitants) sont très différentes pourront vivre des situations différentes selon que cette capacité sera suffisante ou non par rapport à la gravité de l'épidémie.

On peut alors résumer la problématique en deux points :

  1. la plupart des épidémies s'éteignent naturellement avant d'avoir infecté 100% de la population, pour des raisons peut-être liées à l'immunité collective mais aussi pour d'autres raisons inconnues à ce jour mais très probablement liée au virus lui-même et/ou aux écosystèmes dans lesquels il évolue ;
  2. en situation de crise, c-à-d lorsque la capacité hospitalière risque d'être submergée par l'épidémie, la méta-stratégie proposée plus haut permet d'abaisser ce risque à un niveau (c-à-d une probabilité) "acceptable".

Comprenons bien que lorsqu'on dit « abaisser à un niveau acceptable le risque de submersion de la capacité hospitalière » cela veut dire « à un nombre – potentiel et statistiquement atypique de victimes – qui est considéré comme acceptable ». Mais que signifie concrètement "acceptable" ? La réponse à cette question n'est pas aussi simple qu'il y paraît, en raison de :

  • l'incertitude évoquée plus haut ;
  • la subjectivité : même s'il n'y avait pas incertitude, il demeure que l'évaluation de ce qui est acceptable est subjective car elle consiste en la détermination d'un nombre de morts considéré comme "(in)tolérable" au regard des coûts sociaux, économiques et politiques des mesures appliquées pour abaisser à ce niveau le nombre final de victimes de l'épidémie en cours.
Éthique et
démocratie

La notion de "nombre tolérable de victimes" peut paraître scandaleuse ou auto-destructrice, et pourtant nous l'appliquons chaque fois que nous pratiquons une activité malgré que son "taux de mortalité" est élevé : se déplacer en voiture, pratiquer l'escalade ou le parachutisme, etc. Car la mort fait bien partie de la vie, ou autrement dit, en poussant à l'absurde : la meilleure façon de ne pas mourir c'est de ne pas vivre.

Les accidents de la route font partie des dix premières causes de mortalité : exigeons-nous pour autant l'interdiction des transports routiers, ne serait-ce que des seules voitures familiales ?

Il y a ainsi une vingtaine de virus associés aux seules infections respiratoires qui circulent dans le monde [source], causant tous des victimes. En outre le nombre des virus par continent augmente en raison de la mondialisation, et le nombre des virus connus augmente avec le progrès scientifique [source]. D'autre part des infections peuvent se transmettre pendant plusieurs dizaines d'années, avant de s’atténuer et de disparaître [source].

Maintenant supposez qu'il existe une probabilité de 90% que le nombre de victimes du virus xyz dans le pays durant les trois mois à venir dépasse x % de la population, à partir de quelle valeur de x êtes-vous disposé(e) à respecter de lourdes mesures sanitaires pendant une période "d'au moins un mois" ? Peut-être allez vous répondre zéro %, afin de minimiser ce nombre potentiel de décès. Mais supposons que la majorité de la population réponde comme vous, et qu'il en résulte que chaque année il faudra appliquer ces mesures sanitaires pendant "au moins un mois". Dans ces conditions il est fort probable qu'une partie de la population va relever sa valeur souhaitée de x juste au niveau où il n'est plus nécessaire d'appliquer ces mesures.

Cependant une alternative est d'augmenter le taux de lits de soins intensifs. Le graphique suivant montre que ce facteur peut expliquer la plus grande létalité de COVID-19 en Italie qu'en Allemagne.

Concernant l'Europe en général il importe de dénoncer la responsabilité de l'Union européenne et de son idéologie libérale anti services publics, qui depuis trente ans, lentement mais sûrement, étrangle les services publiques et les entreprises publiques afin d'en dégrader la qualité, et d'ainsi pousser leurs utilisateurs vers des entreprises privées [approfondir].

Cependant sommes-nous disposés, notamment en terme de charge fiscale, de maintenir en permanence un forte surcapacité hospitalière ? Il nous semble préférable d'appliquer une stratégie réactive efficace, telle que la méta-stratégie proposée plus haut.

Politique

Comment la valeur des variables "taux de mortalité acceptable" et "taux de lits de soins intensifs" sont-elle actuellement déterminées ? Pour répondre à cette question commençons par constater que cet arbitrage est opéré de façon plutôt implicite. Ce qui pose la question de savoir s'il est opéré de façon scientifique et/ou politique, et dans ce second cas démocratiquement ou non. Comme il n'est pas aisé d'apporter de réponse scientifique satisfaisante à toutes les questions, on devine que le processus est probablement à la fois scientifique (c-à-d objectif), et politique (c-à-d subjectif), les considérations économiques et sociales pouvant relever des deux approches. Dans la section suivante nous proposons, dans les grandes lignes, un système de décision qui combine rationnellement ces deux approches.

Système de gestion des épidémies

https://konfedera.org/gestion-epidemies#systeme

Nous allons ici décrire les grandes ligne du système de gestion des épidémies (SGE) que nous proposons : principes, front-end, back-end, évolution.

Principes

En période de crise les décideurs politiques doivent prendre des décisions dans l'urgence. Il importe donc que celles-ci aient été préparées en dehors des périodes de crise par des chercheurs : médecins et épidémiologistes, ainsi que économistes, politologues, sociologues et philosophes. Ils devront notamment réaliser des enquêtes auprès du personnel soignant et de patients.

Le système de gestion des épidémies (SGE) devrait reposer sur la méta-stratégie exposée plus haut, chacune des quatre composantes étant caractérisée par :

  • des mesures sanitaires ;
  • des variables de décision et leur valeur critique ;
  • un protocole.

Dans chaque pays les universités pourraient proposer collectivement (*), pour chaque stratégie, une liste de mesures sanitaires, et pour chacune d'elles la valeur critique de la variable de décision correspondante (cette variable pouvant être un indice composite), à partir de laquelle chacune de ces mesures sanitaires devrait être appliquée.

(*) Infrastructure. Pour ce faire leur agence nationale de la santé pourrait mettre à leur disposition une infrastructure pour réaliser ce travail collaboratif, notamment un système de votation par Internet permettant à l'ensemble des chercheurs impliqués de décider collectivement de la forme finale du SGE (et des ses récurrentes améliorations : cf. infra).

Exemples de variables de décision (ou de variables constitutives d'un indice composite) :

  • transmissilibité du virus ;
  • mutabilité du virus ;
  • période d'incubation ;
  • disponibilité et fiabilité de tests de dépistage (labo fixe, labo mobile, par les patients) ;
  • nombre de personnes testées positives ("confirmed cases") ;
  • nombre de porteurs asymptomatiques ;
  • nombre de porteurs asymptomatiques et contagieux ;
  • nombre de cas sévères ;
  • nombre de décès causés par le virus ;
  • nombre de décès toutes causes confondues (NB : donnée fondamentale !) ;
  • disponibilité d'un traitement préventif (vaccin) ;
  • disponibilité d'un traitement des affections (médicament) ;
  • typologie de la population en groupes caractéristiques relativement au virus ; ...

Ces variables de décision reposent sur des variables informationnelles : Comment le virus se propage-t-il? ; Combien de temps survit-il? ; Sur quelles surfaces ? ; Quel est l’impact des différentes mesures de distanciation sociale sur le débit de transmission? ; Quel est leur coût ? ; ...

Protocole

Le protocole permet d'éviter les discussions politiques et scientifiques sur les mesures à implémenter (quoi, quand, comment, ...), ce qui est primordial en période de crise ou il importe de prendre rapidement la meilleure décision.

À chaque stratégie correspond donc un protocole modulant automatiquement les mesures sanitaires au fur et à mesure de l'évolution des variables de décision (notion d'étapes de protocole, correspondant aux valeurs critiques variables de décision), afin de contrôler au mieux l'épidémie tout en minimisant les effets sociaux et économique négatifs. Les décideurs politiques n'ont plus qu'à dire oui ou non, à chaque nouvelle étape du protocole stratégique.

L'on pourrait en outre compléter le système par des fonctions :

  1. d'intelligence artificielle : plutôt que de laisser aux gouvernements la liberté de décider au cas par cas d'appliquer telle ou telle stratégie anti-épidémique, l'on pourrait automatiser l'application systématique de chaque mesure sanitaire lorsque sa variable de décision atteint sa valeur critique ;
  2. d'intelligence collective : compléter l'application automatique du système par le déclenchement d'un référendum de validation lorsqu'une valeur critique est atteinte [approfondir : référendum automatique].

Les chercheurs devraient enfin concevoir une méta variable de décision (éventuellement un indice composite) pour le choix de la meilleure stratégie au sein de la méta-stratégie, pouvant éventuellement changer au cours du développement de l'épidémie en fonction de l'évolution de cette méta variable.

Front-end

Le système devrait être transparent, notamment afin de neutraliser le risque de crises de panique et aider les agents économiques à faire de bonnes anticipations. L'interface serait un dossier web (*), dont la structure serait de type : Suivi Épidémies / Pays / Code virus / Mesure sanitaire

(*) Par exemple sur le site de l'OMS. Mais cette organisation est-elle crédible, alors qu'elle a nourri voire suscité des hystéries médiatiques en matière d'épidémies. D'autre part en 2010 le British Medical Journal (BMJ) et le Bureau of Investigative Journalism de Londres ont révélé que plusieurs experts ayant participé à la rédaction des directives de l’OMS face à une pandémie grippale ont reçu des rémunérations de Roche et GlaxoSmithKline, deux firmes impliquées dans la fabrication de médicaments ou de vaccins contre la grippe [source 2010]. Dans un futur peut-être pas très éloigné ses fonctions pourraient être (mieux) assurées par une Confédération des États souverains.

À chaque mesure sanitaire x correspondrait un graphique du type suivant :

epidemies-suivi.png

Ainsi par exemple la page web France / COVID-19 / Fermeture des écoles présenterait :

  • un graphique tel que ci-dessus ;
  • un descriptif détaillé de la mesure sanitaire (médiatisation, timing, obligation/recommandation, ...);
  • un exposé théorique succin concernant la variable de décision et la mesure sanitaire (éducation de la population).

Faciliter l'intelligence collective. Les gouvernements doivent donc veiller à ne pas susciter la panique, même et surtout en situation critique. L'idée selon laquelle le gouvernement devrait entretenir la peur pour inciter la population à suivre ses instructions est la négation de l'intelligence collective, et par conséquent a généralement pour effet d'aggraver la situation. En particulier si les mesures sont exagérées par rapport à la gravité perçue de la situation, la réaction du public pourra être soit la panique dans le pire des cas soit la défiance dans le meilleur des cas.

Durant l'épidémie de COVID-19 la plupart des gouvernements, soumis par le pouvoir des médias de masse professionnels, ont quotidiennement entretenu la peur, notamment au moyen des bilans quotidiens des nouveaux cas de contamination et décès, et cela sans aucune mise en perspective. La Belgique, pays ayant connu le plus haut taux de mortalité, en est l'illustration paradigmatique [exemple].

Back-end

Le premier principe à mentionner ici c'est que les modèles épidémiologiques ne peuvent être utilisés que :

  • pour compenser les délais de reporting c-à-d pour fournir en t=n des valeurs calculées pour des grandeurs à t=n-x dont les valeurs observées ne sont pas encore disponibles ;
  • pour des prévisions à un horizon temporel ne dépassant pas deux semaines (donc si les modèles prévoient un dépassement des capacités hospitalières dans trois semaines il ne faut pas en tenir compte).

D'autre part les valeurs des variables de décision devraient être nourries automatiquement (en "temps réel") par un lien vers la base de données du système de suivi des virus (que les universités devraient également déterminer pour chaque variable).

Le système de décision implique donc en "input" la gestion d'un système de suivi (virus, diagnostics, traitements, épidémies, experts, théorie, ...). La plupart existent déjà, mais en quantités et qualités variables :

  • who.int/coronavirus-2019/situation-reports ;
  • ourworldindata.org/coronavirus ;
  • drugvirus.info ;

    En cas de pandémie les modèles de réseau suggèrent que la collaboration par partage des ressources (médicaments et vaccins) est préférable même du point de vue des pays donateurs [source].

  • expertscape.com ;
  • worldometers.info/coronavirus ;

    Site très suivi (parce que les données y sont clairement présentées) d'une organisation relativement mystérieuse dont le site affiche des publicités, qui mentionne certes des sources mais affirme traiter les données au moyen d'une "algorithme propriétaires", laquelle pourrait en réalité n'être qu'un groupe de personnes faisant du copier/coller, et dont la compétence et les motivations autres que financière sont inconnues. D'autre part la comparaison avec les données de "nouveaux cas" récoltées par la John Hopkins University montre de très faibles différences [source].

  • wikipedia.org/wiki/Pandémie_de_Covid-19_par_pays
Infrastructure
nationale

Il faut une intégration informatique des hôpitaux, des généralistes et des centres de retraite. Il importe que la communication entre ces trois entités dites "de terrain" et l'autorité centrale (agence médicale nationale) fonctionne efficacement dans les deux sens.

Infrastructure
internationale

La pertinence des sources doit être garantie. Les statistiques journalières concernant le nombre de victimes dans le monde sont-elles crédibles ? L'OMS joue un rôle central dans la collecte, le conditionnement et la diffusion de ces données sensibles. Mais le processus de fonctionnement du réseau par lequel ces données sont traitées a-t-il seulement été vérifié ? Je l'ignore mais ce que je sais c'est qu'il arrive régulièrement à l'OMS de publier des informations et données biaisées, voire fausses et même totalement farfelues. Sans pour autant condamner l'OMS ce fait doit cependant susciter une lecture critique de ses publications.

Quand au "réseau mondial d'alerte et d'action en cas d'épidémie" (GOARN), sa page d'accueil laisse quelques doutes quant à sa consistante. Quant au portail du règlement sanitaire international (IHR) ça n'est pas beaucoup mieux.

On sent très fort que ces organisations sont plus de nature communicationnelle (au sens politicien du terme) qu'informationnelle (au sens administratif et scientifique du terme).

Évolution

Ce système de décision pourra et devra être constamment amélioré, notamment après chaque épidémie. Pour ce faire les universités devraient (toujours collectivement) établir un protocole de reporting ex-post des épidémies, concernant leur gestion (qu'est-ce qui a bien/mal fonctionné, pourquoi, quelles solutions apporter, etc). Ces rapports leur serviront à améliorer le système de gestion des épidémies (variables de décision, mesures sanitaires, ...) aux niveaux front-end et back-end.

Ces opérations d'amélioration du SGE pourront être réalisées dans le cadre de l'infrastructure mise à la disposition des universités par leur agence nationale de la santé.

Conclusion

https://konfedera.org/gestion-epidemies#conclusion

Étant donné que (i) la pandémie de COVID-19 n'a rien de particulier par rapport aux précédentes pandémies de virus nouveaux ; et (ii) que l'on découvre régulièrement de nouveaux virus (suite au progrès scientifique et à la mondialisation), il en résulte logiquement que si les populations ne se révoltent pas contre le confinement général, celui-ci deviendra la norme. Or nous avons montré qu'en appliquant le confinement général on ne neutralise pas une pandémie, mais on massacre la démocratie, la santé psychique de la population et le développement économique.

Business de
"l'information"

Le délire collectif COVID-19 qui a submergé la planète illustre la puissance aussi phénoménale que délétère des médias "d'information". S'agit-il d'une forme de coup d'État version 21° siècle, ou du dernier soubresaut d'un pouvoir médiatique contesté par les réseaux sociaux c-à-d par la démocratie ?

Un article du journal suisse Le Temps du 13 avril 2020, intitulé "L’intérêt d’écouter les experts", livre une élément de réponse ... pas vraiment rassurant. Selon l'article nous devrions écouter les scientifiques qui nous prédisent de grandes catastrophes. L'article ne fait aucune référence au fait que Didier Raoult, une sommité mondiale en matière de maladie transmissible, a dénoncé l'instrumentalisation de la peur pas les médias, l'utilisation abusive des modèles mathématiques, et annoncé que la probabilité que COVID-19 modifie les statistiques de mortalité toutes causes confondues était proche de zéro. Le journaliste schyzophrène-pervers (caractéristique de cette profession) nous encourage alors à ... « écouter les experts concernant d’autres menaces pour l’heure moins palpables, comme notre cybersécurité » [source] !

Rappelons à cet égard que, dans l'inconscience générale, les fournisseurs d'accès à Internet (FAI) sont en train de remplacer nos adresses dynamiques par des adresses fixes [approfondir].

Médias vs réseaux sociaux : qui dit la vérité (1m05s - 2020)

Le conférencier est Didier Raoult, le premier expert mondial dans le domaine des maladies transmissibles.

On notera, dans le chef des journalistes, un comportement d'inversion accusatoire consistant à accuser "les réseaux sociaux" de propager des "fake news". Or si cela est certes exact il reste à démontrer que globalement ces réseaux nuiraient à la qualité de l'information. Or de récentes recherches scientifiques sur l'intelligence collective suggèrent plutôt le contraire [approfondir].

De nombreux faits suggèrent que nous sommes en train d'assister à une prise de pouvoir par une alliance informelle entre médias de masse et une quantité importante de scientifiques peu scrupuleux.

Communauté
scientifique

Force est de constater le rôle coupable joué par la grande majorité de la communauté scientifique, qui à l'instar de la classe politique (dont elle est sociologiquement très proche) s'est laissée emporter par l'hystérie médiatique. Non seulement elle n'a pas assumé sa responsabilité scientifique ("scientia vincere tenebras") mais elle a carrément participé a répandre les ténèbres en ne dénonçant ni l'hystérisation médiatique, ni l'utilisation abusive des modèles mathématiques. Ainsi Malgré les échecs répétés des modèles mathématiques comme instruments de gestion des épidémies de maladies transmissibles – (i) leurs prévisions sont basées sur des prémisses qui surévaluent systématiquement le taux de mortalité ; (ii) en outre, même si l'on était en mesure de prendre en compte cette surévaluation (ce qui n'est pas possible dans le cas de nouveaux virus), il reste que, à l'instar des modèles météorologiques, leur marge d'erreur au-delà d'un horizon d'une ou deux semaines est énorme – nous continuons de fonder sur eux des politiques sanitaires pour gérer un phénomène dont l'horizon temporel est plus d'une douzaine de fois supérieur !

Dès lors pourquoi, plutôt que de dénoncer l'utilisation abusive des modèles prévisionnels en matière de maladies transmissibles, la plupart des scientifiques occidentaux l'ont-ils au contraire facilitée (d'où le confinement général ...), ne serait-ce que par leur silence coupable ?

La réponse est probablement multiple. Voici une série de possibles explications laissées au jugement du lecteur :

  • l'info-dépendance;

    Je ne suis plus info-dépendant depuis longtemps. À la fin des années 1990 j'ai compris à quel point était présomptueux (et anti-scientifique) le raisonnement suivant : « je suis conscient que globalement la télévision influence négativement les capacités cognitives, mais contrairement au reste de la population, moi je suis capable de "faire le tri" ». Je ne m'informe pas auprès des médias "d'information", mais me documente auprès des sources originelles, et lis des articles scientifiques. Chaque jour je constate à quel point l'immédiateté et l'omniprésence de la prétendue "information" nuisent au sens critique et à l'intelligence collective. Ce phénomène fait des ravages même dans la communauté scientifique.

  • un conformisme de classe (celle des bourgeois respectables et bien-pensants), qui va généralement jusqu'à la compromission avec le pouvoir politique;
  • un degré jamais atteint de corruption d'une partie considérable de la communauté scientifique, après des décennies de compromission avec des intérêts privés (ainsi le confinement général fut l'occasion d'imposer le traçage des individus, ce qui constitue une source de revenus gigantesques pour les entreprises qui collecteront ces données);
  • des scientifiques considérant être injustement méconnus, et espérant que la fréquentation des plateaux de télévision et les contributions dans les colonnes de la presse écrite, leur permettra – en alimentant le catastrophisme – d'enfin briller sous les spotlights ;

    Il existe d'ailleurs dans le jargon des médias "d'information" professionnels un terme pour dénommer ces experts : des "bons clients" [exemples pour la Belgique].

  • l'incompatibilité croissante de la spécialisation scientifique avec l'indispensable interdisciplinarité, ce qui a pour effet d'éloigner toujours un peu plus les spécialistes par rapport au monde réel;
  • l'utilisation de l'anglais dans des universités de régions non-anglophones, de sorte que les professeurs s'expriment (mal) dans une langue qui n'est pas la leur, face à des étudiants comprenant d'autant plus difficilement que cette langue n'est pas leur langue maternelle;
  • doctorats attribués selon des critères de moins en moins exigeants et masqués par le fétichisme réductionniste et technologiste des modèles mathématiques ("singes savants").
Leçons
du passé

Malgré que COVID-19 fut précédé d'autres pandémies de virus nouveaux (grippes aviaires, H1N1, SARS, MERS, Ebola, chikungunya, Zika, ...) dont nous savons que leurs surmédiatisations catastrophistes n'était pas fondées, il semble que nous sommes incapables d'apprendre les leçons du passé, y compris de nombreux scientifiques. Avec COVID-19 une barre a été franchie : le confinement général est le signe que les modèles-jouets nous ont fait perdre confiance dans la nature c-à-d dans la vie. Les différences de taux de mortalité de COVID-19 montrent que ce fut particulièrement le cas dans les pays les plus riches, victimes d'une prophétie autoréalisatrice par les effets pervers du confinement général.

Démocratie
directe

L'ampleur du délire collectif lié à COVID-19 est telle que le système de gestion des épidémies proposé dans le présent article ne fait vraiment sens que dans le contexte d'un saut révolutionnaire vers une Confédération mondiale de démocraties directes souveraines. Celles-ci ne pourront exister qu'en faisant du statut de grande entreprise (dont les banques et les entreprises "d'information") un monopole public, et en gérant ces entreprises publiques sous statut de coopératives publiques.

Concernant COVID-19 nous avons montré que des scientifiques ont trompé l'opinion publique et leur gouvernement, ce qui a provoqué une catastrophe sanitaire et économique. Ces faits ne devront pas rester sans conséquences judiciaires.



Infos


top-of-page.png