Module SIG-Santé 15. Modélisation Marc SOURIS

Présentation au sujet: "Module SIG-Santé 15. Modélisation Marc SOURIS"— Transcription de la présentation:

1 Module SIG-Santé 15. Modélisation Marc SOURIS
Master Géographie de la Santé Paris X. Nanterre Laboratoire de Cartographie Appliquée IRD - Bondy

2 Sommaire La modélisation en épidémiologie

3 La modélisation en épidémiologie
Généralités

4 Modélisation et échelles
La modélisation des phénomènes de santé La modélisation des phénomènes de santé met en jeu de nombreuses données localisées, souvent schématisées à des échelles différentes. Si la plupart des paramètres biologiques d’un modèle concernent les individus et les pathogènes, les données environnementales et contextuelles proviennent d’autres objets, localisés de façon indépendante, à des échelles très diverses. L’espace intervient non pas comme facteur explicatif direct, mais en permettant de modéliser des variations de valeurs en fonction de caractères géométriques ou topologiques entre les agents : proximité, voisinage et contiguïté, continuité, distances, concentration, dans le temps comme dans l’espace.

5 Modélisation : techniques
La modélisation des phénomènes de santé Deux grands techniques de modélisation : La macro-modélisation, plutôt déterministe, à partir d’équations analytiques (souvent différentielles), et traitant de populations La micro-modélisation, avec résolution numérique par pas de temps fini, utilisant des lois de comportement, traitant d’objets qui sont à l’échelle des prises de décision (individus, ménages, vecteurs…) et non des populations, et utilisant une démarche stochastique sur ces individus pour résoudre le hasard des comportements.

6 Modélisation et localisation
La modélisation des phénomènes de santé La prise en compte de la localisation est difficile dans les modèles basés sur des lois de comportement de populations. On s’expose à l’erreur écologique. Pour intégrer des variables environnementales, il faut faire coïncider espace et population, ou faire des hypothèses d’homogénéité souvent peu réalistes. Elle est par contre plus facile dans les modèles IBM (Individual Based Model) car, à chaque pas de temps, les agents peuvent connaître leur environnement (horizontal et vertical). Les modèles IBM permettent également de détecter les évènements rares ou chaotiques.

7 Modélisation et transfert d’échelle
La modélisation des phénomènes de santé Mettre en œuvre un modèle IBM dans un SIG permet de bénéficier d’opérations de transfert d’échelle à chaque pas de la simulation. Cela impose néanmoins de grosses ressources de calcul, de manière à pouvoir résoudre à chaque pas de temps l’ensemble des transferts nécessaires (en général par appartenance) et des autres relations spatiales entre objets. Dans tous les cas, il convient d’énoncer clairement les hypothèses formulées dans des lois de comportement ou de décision, et de s’assurer que la résolution des transferts d’échelle est compatible avec ces hypothèses (en terme de précision notamment).

8 L’exemple de la dengue Exemple : la modélisation de la dengue
La modélisation de la dengue fait intervenir un système complexe homme-vecteur-pathogène-environnement. Principaux paramètres : Homme : état immunitaire, conditions de vie, âge, activité, etc. Aedes : tous les paramètres biologiques et environnementaux permettant de modéliser la densité de moustiques Environnement : météo et climat, altitude, usage du sol, etc.

9 L’exemple de la dengue Exemple : la modélisation de la dengue
La modélisation de la densité de moustique utilise le comportement individuel du moustique (automate à états finis)

10 L’exemple de la dengue Exemple : la modélisation de la dengue
Aedes Aegyptii femelle La densité de moustique et la probabilité de piqûre sont calculées à chaque pas de temps par agrégation spatiale. L’influence de l’environnement intervient au niveau du comportement individuel du moustique.

11 Fin M. Souris, 2011