In [2]:

Simulation de la propagation du Covid-19 en fonction du taux de contact

Motivation :

Dans le contexte de la pandémie actuelle du Covid-19, plusieurs études ont été conduites afin de modéliser et prédire la propagation de la maladie. Les résultats restent toutefois peu précis du fait que l’évolution de cette pandémie reste liée à plusieurs paramètres probabilistes, tels que l’effet des mesures prises, le comportement des citoyens envers ces mesures, etc. Le facteur principal influençant le nombre de nouveaux cas de contaminations est le "taux de contact". Le taux de contact est à son tour influencé par deux paramètres : la densité de population par unité de surface et le taux de mouvement. Ceci explique pourquoi les grandes villes (telles que Casablanca ou Marrakech) sont les villes les plus impactées car plus denses et plus dynamiques. Plusieurs mesures adoptées par les autorités de santé publique aident à réduire le taux de contact en minimisant la densité et/ou le taux de mouvement (i.e. Distanciation sociale, confinement, arrêt du travail/des écoles/des déplacements, etc.).

Dans cet article, nous allons visualiser à l'aide de simulations l'effet de ces mesures sur l’évolution de la pandémie et surtout le nombre d’infections par période de temps. Dans de futurs travaux, nous allons tracer cette même évolution en utilisant un modèle de prédiction du Covid-19, basé sur l’apprentissage automatique et appliqué à des datas Marocaines. Notre objectif est non seulement de prédire la propagation de la pandémie mais surtout de permettre aux décideurs de l’Etat de disposer d’outils qui leur permettront de tester leurs stratégies et de les adapter en temps réel en fonction de l’évolution de la pandémie.

Etude :

Considérons une population de 200 personnes au total. Nous allons simuler l’évolution de la propagation de la pandémie selon 4 scénarios variant du pire à l’idéal.

Note : le code couleur suivant sera utilisé : Texte alternatif…

et une ligne Horizontale ( - - - - - - - ) qui représentera la capacité du système de santé (nombre de lits, équipements, médecins/infimiers... par malade)

Premier scénario : Densité de population et taux de mouvement élevés

Dans cette simulation, on peut voir que le système de santé a été submergé par un nombre important de patients (en rouge) en très peu de temps, ce qui représente le facteur principal d'augmentation du taux de mortalité.

In [ ]:
In [3]:
Out[3]:

Deuxième scénario : Densité de population réduite de 50% et taux de mouvement élevé

In [9]:
Out[9]:

Troisième scénario : Densité de population réduite de 50% et taux de mouvement réduit de 50%

On peut clairement constater d'après le 2ème et 3ème scénario que toutes mesures pouvant réduire soit la densité dans une région donnée soit le taux de mouvement de la population entraînera un aplatissement de la courbe avec un taux proportionnel. Cet aplatissement aidera à une meilleure gestion des patients au niveau des hôpitaux.

In [11]:
Out[11]:

Quatrième scénario : Densité de population réduite de 75% et taux de mouvement réduit de 75%

Dans ce dernier scénario, on peut remarquer que la capacité du système de santé n’est plus affectée par le flux des patients infectés et que tous les patients pourront bénéficier des soins.

In [18]:
Out[18]:

Conclusion :

Il y a 3 points à retenir de cette simulation:

1- Le nombre de nouveaux cas d’infection au covid-19 par jour dépend énormément du taux de contact. 2- Le taux de contact lui-même dépend de la densité de population et du taux de mouvement. 3- Le taux de contact change régulièrement et il est fortement influencé par les mesures adoptées (confinement, arrêt du travail, l'arrêt des écoles, etc.).

Texte alternatif…

In [1]:
from IPython.display import HTML

HTML('''<script>
code_show=true; 
function code_toggle() {
 if (code_show){
 $('div.input').hide();
 } else {
 $('div.input').show();
 }
 code_show = !code_show
} 
$( document ).ready(code_toggle);
</script>
</form>''')
Out[1]:
In [ ]: