Amélioration des applications de traçage des contacts COVID-19

Dans le cadre d’une collaboration internationale avec l’EPFL, une méthode visant à améliorer les performances des applications de traçage des contacts COVID-19 a été mise au point. Elle prend en compte les contacts récents d’un utilisateur, les niveaux de risque et les informations partagées sur les tests et les symptômes.
iStock photos

Les applications de traçage des contacts comme SwissCovid possèdent un immense potentiel pour atténuer la propagation de la pandémie de COVID-19. Les utilisateurs autorisent les applications à tracer leurs contacts avec d’autres personnes et à estimer les risques d’avoir été en contact avec une personne infectée par le coronavirus SARS-CoV-2. Le cas échéant, l’application émet une notification.

La technologie de traçage des contacts a naturellement soulevé de nombreuses questions d’ordre éthique et de confidentialité, toutes mises en balance avec la nécessité de protéger la santé publique. Néanmoins, il y a eu relativement peu d’efforts déployés pour optimiser les performances et la précision des applications de traçage des contacts, malgré leur grand potentiel pour lutter contre la pandémie.

Aujourd’hui, un groupe de scientifiques a mis au point une méthode statistique qui peut améliorer les performances des applications de traçage des contacts en prenant en compte les contacts récents d’un utilisateur, les niveaux de risque et les informations partagées sur les tests et les symptômes. Publiés dans PNAS, les travaux ont été réalisés par des scientifiques de l’EPFL, d’Italie et de France.

Les scientifiques ont utilisé des statistiques bayésiennes, qui calculent la probabilité d’événements. Ici, ils ont eu recours à cette approche pour estimer le risque qu’un individu soit infecté, en fonction de son degré de risque intrinsèque, de la liste de ses contacts récents et du niveau de risque estimé de ces contacts.

«En ajoutant simplement une transmission de messages, nous pourrions estimer le risque de contracter le COVID-19 avec une précision beaucoup plus élevée que le simple traçage des contacts.»      Lenka Zdeborová

«Nous voulions quantifier le bénéfice épidémiologique que nous pourrions avoir si les utilisateurs récemment en contact pouvaient également échanger des messages d’information», explique Lenka Zdeborová, professeure à la Faculté des Sciences de Base et la Faculté informatique et communications de l’EPFL et l’un des principaux auteurs de l’étude. «En ajoutant simplement une transmission de messages, nous pourrions estimer le risque de contracter le COVID-19 avec une précision beaucoup plus élevée que le simple traçage des contacts.»

L’approche mathématiques a permis de développer des algorithmes entièrement distribués qui fonctionnent hors communication entre des individus qui ont récemment été en contact. La communication peut être totalement cryptée et anonyme afin qu’elle puisse éventuellement satisfaire aux futures réglementations en matière de confidentialité.

En testant leur méthode de «risque probabiliste», les scientifiques ont découvert qu’il s’agit d’un moyen efficace d’atténuer des épidémies comme le COVID-19. Bien évidemment, cette approche fonctionne mieux dans une fenêtre épidémique, généralement après que le traçage manuel de tous les contacts des personnes infectées devient quasiment impossible, mais avant que la proportion de personnes infectées n’atteigne le niveau où un confinement devient inévitable.

Mais, parce que ce type d’estimation du risque probabiliste peut améliorer suffisamment les performances de la technologie de traçage des contacts pour faire une réelle différence dans la propagation d’une épidémie ou d’une pandémie, les auteurs recommandent, sur la base de leurs données, que les développeurs envisagent de la mettre en œuvre dans leurs applications.

Plus d'informations

Liste des contributeurs

  • Faculté des Sciences de Base de l’EPFL (Institut de physique)
  • Faculté des sciences et techniques de l’ingénieur de l’EPFL (Institut de génie électrique et électronique)
  • Faculté informatique et communications de l’EPFL
  • Laboratoire de Physique de l’Ecole Normale Supérieure, CNRS, Sorbonne Université, Université Paris-Diderot (France)
  • Politecnico di Torino (Italie)
  • Institut italien de médecine génomique
  • Collegio Carlo Alberto (Italie)
  • INFN Sezione di Torino (Italie)
  • Centre international Abdus-Salam de physique théorique (Italie)
  • Université Paris-Saclay, CNRS
  • Institut de physique théorique CEA (France)

Financement

  • HPC@POLITO
  • Google Cloud (subvention SIPAR)
  • Centre SmartData@PoliTO sur les big data et les sciences des données
  • Agence Nationale de la Recherche (France)
  • Chaire CFM-ENS sur les sciences des données

Références

Antoine Baker, Indaco Biazzo, Alfredo Braunstein, Giovanni Catania, Luca Dall’Asta, Alessandro Ingrosso, Florent Krzakala, Fabio Mazza, Marc Mézard, Anna Paola Muntoni, Maria Refinetti, Stefano Sarao Mannelli, Lenka Zdeborová, Epidemic mitigation by statistical inference from contact tracing data, PNAS 10 August 2021