Thread by @ete_fr

Peut-on mieux anticiper la dynamique hospitalière de #COVID19 à l’aide des données numériques de mobilité ?

Des travaux de Christian Selinger (@ird_fr) avec @samuel_alizon (@CNRS) et @choisy_marc (@OUCRU_Vietnam) sont publiés en août sur ce sujet.

ijidonline.com/article/S1201-…

1/N

Grâce à un partenariat avec l’opération @DataForGood_FR de @FacebookFR et l’@umontpellier, l'équipe a pu valider un modèle qui vise à expliquer les variations des nombres quotidiens d’admission et de décès à l'hôpital pour #COVID19.

dataforgood.fr

2/N

L’originalité de l’approche réside dans le modèle et les données utilisées.

@FacebookFR donne accès à des données de #colocalisation entre 2 personnes, plus appropriées pour une épidémie car reflètant un #contact (et non juste la position d'une personne).

3/N

Nous avons utilisé ces données pour paramétrer un #réseau de contacts (pondéré) entre départements français.

Plus il y a eu d’événements de #colocalisation entre deux personnes issues de deux départements donnés, plus ces départements sont connectés.

4/N

Pour l’analyse, nous avons comparé des métriques du réseau telles que le #clustering, la #courbure ou le nombre de liens nuls partant d’un département.

Nous avons aussi inclus des données plus classiques : géolocalisation (#Google), température, taux de positivité...

5/N

Nous avons ensuite réalisé des analyses de séries temporelles (#ARIMA) afin d’anticiper au mieux, à partir d’un jour J, les hospitalisations et les décès 7 et 14 jours plus tard.

Pour plus de détails techniques 👇
ncbi.nlm.nih.gov/pmc/articles/P…

6/N

Nous constatons que le #réseau de contact entre les départements reflète la dynamique épidémique sur la plupart des indicateurs utilisés.

Par exemple #clustering et #courbature du réseau sont faibles pendant les #confinements alors que les liens nuls sont elevés.

7/N

Sur une carte, on peut voir comment les #confinements modifient les départements les plus connectés entre eux dans le réseau (liens en rouge) et le nombre de liens nuls de ces départements (points noirs).

8/N

La prise en compte des données de mobilité et de #colocalisation permet d’améliorer de 50 % l’anticipation des chiffres hospitaliers par rapport à un modèle nul qui ne prend en compte que les données à expliquer.

L'amélioration fonctionne même sur un horizon de 14 jours !

9/N

Pour expliquer les hospitalisations à 1 ou même à 2 semaines, connaître la tendance passée est déjà pas mal (courbe verte).

Dans des périodes de changement, les données @FacebookFR sont celles le plus souvent sélectionnées pour élaboré le modèle multi-factoriel (en rouge).

10/N

Ces travaux illustrent et quantifient l’apport potentiel des données de #colocalisation en santé publique.

Leur combinaison avec des modèles mécanistiques pourrait permettre de grandement anticiper les dynamiques épidémiologiques à court terme.

11/N @threadreaderapp unroll