[Thread] Depuis le début de l'épidémie du #COVID2019france tout le monde est devenu un peu épidémiologiste. Petite vidéo pour montrer quelques techniques pour étudier la dynamique d'une épidémie et éventuellement faire des prédictions
C'est super bien que les données en libre accès suscite un engouement, mais il y a vraiment beaucoup d'approximations (voire fausses). J'ai vu pleins de gens qui ont essayé de faire passer des fonctions simples (comme l'exponentielle) à travers le nombre de cas
D'où vient cette histoire de croissance exponentielle ?
Ceci n'est vérifié qu'en début d'épidémie. Si on prend un modèle compartimental simple SIR où on divise une population homogène en 3 groupes (avec 3 états)
Les flux entre ces compartiments sont des changements d'états
On peut modéliser l'évolution du nombre d'individus sains au cours du temps par la dérivée dS/dt avec un taux de transmission du virus béta
En début d'épidémie, la fraction d'individu sain est de 100% comme personne n'est immunisé du COVID-19
Ce qui entraînera une croissance exponentielle pour le nombre d'individus infectés en début d'épidémie... mais au fur et à mesure que l'épidémie avance, le nombre de personnes susceptibles va diminuer et les personnes guéries ne vont pas être réinfectées
d'où l'inflexion de la courbe du nombre de cas infectés
Je vais donc parler des prédictions faites par les modèles. Un modèle n'est qu'une approximation de la réalité. "Ils sont tous faux mais certains sont utiles"
Si je prends un modèle publié dans The Lancet le 31 janvier, il prédisait un pic d'épidémie à Wuhan en Avril : finalement, la prédiction est complètement fausse... A cause du confinement très strict qui a eu raison de l'épidémie
De même, autre papier : prédiction avec une énorme fourchette du nombre de cas
Pourquoi est-ce si dur de prédire avec exactitude à plus de quelques jours voire 2 semaines ?
Parce que le comportement humain est difficile prévisible. Il influe sur tous les paramètres d'épidémie
Exemple d'actions qui peuvent avoir de l'influence sur la dynamique d'une épidémie
La grande force de l'épidémie c'est la simulation qui permet de tester et mettre à jour les modèles et tester l'effet des actions gouvernementales
La faiblesse est l'estimation de ces paramètres
Dans la vidéo, je vous donne les clefs pour comprendre un joli modèle publié dans Science, un Global Epidemic and Mobility Model (GLEAM) mêlant le SIR, l'épidémiologie spatiale, la théorie des réseaux et le stochastique pour les événements aléatoires
Pour revenir aux modèles à SIR, on peut les complexifier pour mieux coller à la réalité en ajoutant des états :
▪️ E pour les individus infectés et non infectieux
▪️ Un état de quarantaine
▪️ Une immunité innée (ou vaccinale)
▪️ les décès
▪️ varier la population au cours du temps
Une hypothèse majeure de ce modèle populationnel est qu'on pense que la probabilité de transmission (ou de changement d'état) est la même pour tout le groupe d'individus, ce qui est faux dans la réalité
La transmission d'un pathogène dépend du taux de contact et comportement
Les réseaux sont des ensembles de nœuds qui peuvent être des individus (ou des villes ou d'autres unités) reliés entre eux par des liens
Sur Facebook : nœuds = contacts
liens = amitié FB
En biologie : nœuds = neurones
liens = axones
Les réseaux permettent de modéliser la structure sociale par laquelle les maladies infectieuses se propagent
A gauche : le nombreux de connexion est plus important, ce qui favorise la propagation rapide de l'épidémie
A droite, cela sera plus lent. Le degré de nœuds plus faible
On peut utiliser plusieurs indicateurs pour évaluer la forme des réseaux :
- degré de nœud nombre de liens partant d'un nœud
- regroupement : proba que 2 nœuds ayant un voisin commun soient eux-mêmes communs
- orientation
Ensuite on modélisera la probabilité qu'une individu (un nœud) infecte un autre pendant une certaine durée. On analysera comment un individu infecté va "percoler" et infecter les autres connectés à lui
On peut mêler ça ensuite avec des états SIR
Une hypothèse non prise en compte dans tout ça : les populations humaines ne sont pas réparties uniformément dans l'espace mais plutôt agrégées en sous-population. On peut construire des modèles de méta-population connectées par des liens (réseaux)
En conclusion, on est donc très loin d'une fonction exponentielle... Il existe une diversité de modèles qui ont pour point commun de repose sur des hypothèses et des incertitudes sur les mesures des paramètres d'où la difficulté à prédire : ce ne sont pas des boules de cristal
• • •
Missing some Tweet in this thread? You can try to
force a refresh
Plus de 40 sociétés savantes scientifiques et médicales, >15 journaux majeurs scientifiques demandent d'arrêter de communiquer sur l'équation KCAL absorbées - dépensées (CICO) qui stigmatise les personnes atteintes d'obésité
Kcal souvent mises en avant sur les réseaux sociaux
"L'idée que les causes du surpoids et de l'obésité dépendraient de la paresse, découle de l'hypothèse selon laquelle le poids corporel est entièrement sous contrôle volontaire. Cette hypothèse est en contradiction avec un ensemble définitif de preuves biologiques et cliniques"
Cette équation est souvent simplifiée à l'extrêmedans le discours public sur l'obésité, comme si les deux variables (kcal absorbées et kcal dépensées) dépendaient uniquement de deux facteurs : la quantité de nourriture consommée et l'exercice pratiqué
Thread sur une autre maladie fréquente touchant 1 femme sur 10 : l'endométriose, qui est à l'origine de règles douloureuses et d'infertilité
L'endométriose est une affection courante, souvent chronique, chez les femmes, caractérisée par la présence de tissu ressemblant à l'endomètre en dehors de l'utérus : dans la région pelvienne, y compris les ovaires, les ligaments, les surfaces péritonéales,l'intestin et la vessie
Dans le monde, 176 millions de femmes sont touchées
▪️ Prévalence : 5-10%
2% pour les formes modérées et sévères
▪️ Incidence chez les femmes symptômatiques : 35-100%
Thread : C'est quoi le syndrome des ovaires polykystiques SOPK ? Comment est-il pris en charge ?
⚠️ 8 à 13% des femmes sont atteintes de SOPK
Sur Insta, il y a pleins de coachs qui proposent des solutions naturelles/phyto pour traiter le SOPK
Le syndrome des ovaires polykystiques (SOPK) est un trouble hormonal complexe caractérisé par des signes d'androgènes élevés, de menstruations irrégulières et d'ovaires polykystiques
C’est la cause la plus fréquente de cycles menstruels irréguliers et d'infertilité anovulatoire
La prévalence du SOPK augmente avec l’âge, d'environ +10% chez les adolescents de 10 à 20 ans et de +17 % chez les femmes de 21 à 30 ans
😨 Et 70% des cas ne sont pas diagnostiqués !
Le SOPK est associé à une variété de problèmes de santé à long terme
Plus de colère et d'émotions négatives, simplification des paroles des chansons : en quoi la musique reflète notre société ? 🎶
🎼Une analyse de 353 320 paroles de chansons montre que les paroles deviennent plus répétitives pour 5 genres musicaux
Explications ⤵️
Une étude a évalué les paroles en anglais de la musique populaire occidentale entre 1970 et 2020 pour 5 genres musicaux, en utilisant un large ensemble de descripteurs de paroles, y compris la complexité lyrique, la structure, l'émotion et la popularité.
Le descripteur de taux de refrains par rapport aux couplets a beaucoup augmenté pour le rap mais très peu pour le RnB. Cela implique que la structure des paroles évolue vers la présence de plus de refrains qu'auparavant, contribuant ainsi à une plus grande répétitivité des lyrics
5-10g de chocolat noir par jour, un optimum pour la santé cardiovasculaire d'après des études de cohorte
Plusieurs méta-analyses suggèrent des relations en forme de U où une consommation excessive fait disparaître ces potentiels bénéfices
Explications ⤵️
Le cacao est extrait des fèves de cacao du cacaoyer Theobroma. Le cacao est riche en flavanols, tout particulièrement : l'épicatéchine, la catéchine et les procyanidines
La teneur et la composition en flavanols dépendent de la variété et de la maturité des fèves de cacao utilisées et des étapes de fabrication
🔎 Décryptage : est-ce que les émulsifiants augmentent le risque de cancer ?
Pas forcément, je vous explique pourquoi ⤵️
▪️ Tous les cancers : seuls 4 émulsifiants sur 38 étudiés ont une association positive
▪️ Cancer du sein : 4 émulsifiants ont une association positive
Un émulsifiant est une substance qui stabilise émulsions (la mayonnaise par exemple). Les émulsions sont des systèmes dispersés composés de deux liquides immiscibles, comme l'huile et l'eau, maintenus ensemble par une troisième substance, l'émulsifiant
Le jaune d’œuf (lécithine E322), les pectines (E440 de la pomme), la cire d'abeille sont des agents émulsifiants, épaissants communs
La lécithine du jaune d’œuf permet de faire tenir la mayonnaise (à gauche, sans émulsifiant - à droite avec jaune d'oeuf)