Un modèle SEIHRD d’ordre fractionnaire de Caputo pour Ebola : analyse théorique, sensibilité, bifurcation et simulations numériques

Pourquoi cette étude importe

Les flambées d’Ebola sont terrifiantes non seulement parce que le virus est mortel, mais aussi parce qu’il peut persister dans les communautés de façons difficiles à prévoir et à maîtriser. Cet article présente un nouveau type de modèle mathématique qui traite une épidémie d’Ebola comme un système à longue mémoire, où les infections passées et les enterrements non sécurisés continuent d’influencer l’évolution future de l’épidémie. Ce faisant, les auteurs cherchent à mieux comprendre quand Ebola s’éteint, quand il s’installe durablement, et quelles mesures de contrôle sont les plus déterminantes.

Suivre les personnes selon les étapes de la maladie

Les chercheurs segmentent la population en six groupes : les personnes encore susceptibles, celles exposées mais pas encore contagieuses, celles qui propagent le virus dans la communauté, les patients hospitalisés, les personnes guéries et les personnes décédées mais pas encore enterrées en sécurité. Contrairement aux modèles plus simples, ce cadre porte une attention particulière au groupe des défunts, car les corps peuvent rester infectieux et les rites funéraires sont un facteur bien connu de transmission d’Ebola. Le modèle relie ces groupes par des flux représentant l’infection, la progression de la maladie, l’hospitalisation, la guérison, le décès et l’inhumation, en utilisant des estimations réelles ou réalistes des vitesses associées à chaque étape.

Introduire l’idée de « mémoire » épidémique

Une innovation clé est l’utilisation du calcul fractionnaire, une technique mathématique qui permet au système de se souvenir de son passé au lieu de ne réagir qu’à son état présent. Concrètement, cela signifie que la vitesse à laquelle l’infection augmente ou décroît aujourd’hui dépend de l’ensemble de l’historique de l’épidémie, pas seulement des chiffres du jour. Pour Ebola, c’est important : les périodes d’incubation, la persistance de l’infectiosité et les contacts prolongés avec les défunts introduisent des délais et des queues longues. Les auteurs montrent que leur version fractionnaire du modèle se comporte bien sur le plan mathématique : les solutions existent, restent non négatives et demeurent dans des bornes biologiquement raisonnables pour tous les temps futurs.

Quand Ebola s’éteint et quand il persiste

Pour savoir si Ebola va se propager, les auteurs calculent le nombre de reproduction de base, un seuil qui mesure combien de nouvelles infections un cas typique engendre. Leur expression décompose ce nombre en trois contributions : infection par les malades dans la communauté, par les patients hospitalisés et par les morts non enterrés. Pour un jeu de paramètres plausibles, le seuil dépasse légèrement un, ce qui signifie que le virus peut persister. Ils démontrent que lorsque ce nombre est inférieur à un, l’unique issue à long terme est une population saine sans Ebola ; lorsque le nombre est supérieur à un, le système admet un état endémique persistant dans lequel l’infection circule à un niveau stable.

Seuils, points de basculement et leviers de contrôle

Le modèle révèle un point de basculement régulier : à mesure que la transmission augmente, un état sans maladie stable cède la place à un état endémique stable via une bifurcation transcritique, un schéma classique en dynamique épidémique. À partir de cette structure, les auteurs dérivent des formules explicites pour les niveaux d’infection à long terme et étudient comment des changements de paramètres clés déplacent l’issue. De faibles améliorations des soins hospitaliers (augmentant la guérison), des enterrements plus rapides et sûrs ou des réductions des contacts communautaires poussent tous le système vers l’élimination. À l’inverse, même des augmentations modestes des taux de contact ou des retards dans les enterrements peuvent accroître fortement à la fois le nombre de reproduction et le nombre d’individus infectieux à long terme.

Tester des outils numériques et l’impact de la mémoire

Étant donné que les modèles fractionnaires sont plus difficiles à résoudre analytiquement, l’équipe compare deux méthodes numériques avancées pour simuler l’évolution des flambées dans le temps. Les deux approches reproduisent les schémas attendus : lorsque le seuil est inférieur à un, les infections s’éteignent ; au‑dessus, elles se stabilisent à un niveau persistant. À mesure que l’effet de « mémoire » devient plus fort, l’épidémie tend à évoluer plus lentement et peut perdurer plus longtemps, reflétant la persistance observée dans le monde réel. Parmi les deux méthodes, un schéma fractionnaire de Runge–Kutta s’avère plus précis et plus fiable que l’autre technique, ce qui en fait un outil prometteur pour les prévisions épidémiques pratiques.

Ce que cela implique pour la lutte contre Ebola

En termes simples, l’étude montre qu’un modèle prenant en compte la mémoire peut mieux rendre compte de la ténacité d’Ebola dans les communautés, en particulier via les enterrements non sécurisés et les réponses retardées. Elle confirme qu’arrêter complètement Ebola exige de faire passer le nombre de reproduction strictement en dessous de un, et pas seulement de s’en approcher. L’analyse met en évidence trois leviers particulièrement puissants : réduire les contacts avec les personnes infectieuses, améliorer les traitements pour accélérer la guérison des patients et assurer des enterrements rapides et sûrs. Les auteurs suggèrent que des travaux futurs devraient combiner ce cadre fractionnaire avec des façons de gérer l’incertitude des données, afin de fournir aux équipes de santé publique des outils plus robustes pour planifier des interventions avant qu’une flambée ne parte en dérapage.

Citation: Malathy, R., Krishnan, G.S.S. & Loganathan, K. A Caputo fractional-order SEIHRD model for Ebola: theoretical analysis, sensitivity, bifurcation, and numerical simulations. Sci Rep 16, 13661 (2026). https://doi.org/10.1038/s41598-026-42467-2

Mots-clés: modélisation d’Ebola, calcul fractionnaire, seuils épidémiques, obsèques non sécurisées, stratégies de lutte contre la maladie