Le seuil R = 1 peut faussement qualifier la stabilité d’une épidémie

Pourquoi des nombres d’infections apparemment stables peuvent être un signal d’alerte

Les responsables de la santé publique dans le monde s’appuient sur un chiffre unique, appelé nombre de reproduction R, pour décider si une épidémie croît ou est sous contrôle. Beaucoup savent que si R est inférieur à 1, une épidémie décroît, et que s’il est supérieur à 1, elle s’étend. Cet article montre que cette règle simple peut être gravement trompeuse lorsqu’elle se fonde sur des moyennes couvrant de nombreux lieux ou groupes. Même lorsque le R global semble s’établir en toute sécurité à 1, certaines communautés peuvent déjà être engagées dans une trajectoire de reprise rapide qui reste cachée jusqu’à ce qu’il devienne plus difficile et coûteux de l’arrêter.

Comment le R usuel peut dissimuler des points chauds

Les auteurs commencent par examiner la façon dont R est généralement calculé à partir des comptes de cas. En pratique, les autorités regroupent souvent les données de nombreuses régions en une unique série temporelle, puis estiment un R unique reflétant la transmission moyenne. C’est commode, mais cela suppose que tous les groupes se comportent de manière similaire. L’étude montre mathématiquement que la condition « R égal à 1 » peut correspondre à une grande variété de situations sous-jacentes, y compris beaucoup où plusieurs groupes ont déjà des infections fortement croissantes. Autrement dit, même si la courbe globale paraît plate, certains sous-groupes peuvent être en pleine reprise, et la valeur usuelle de R continuera de suggérer avec assurance une stabilité.

Pourquoi les méthodes plus détaillées peuvent sur-réagir au bruit

Une réponse à ce problème a été d’utiliser des modèles plus avancés qui prennent en compte les différences entre groupes. Une famille de méthodes populaire construit une sorte de grille, ou matrice, décrivant comment les infections circulent entre types de personnes ou lieux, puis examine la partie la plus « dangereuse » de cette grille. Cette approche fondée sur le maximum empêche effectivement que des sous-groupes réellement en croissance soient moyennés, mais elle va trop loin dans l’autre sens. Parce qu’elle se concentre sur le groupe le plus actif, elle réagit fortement aux fluctuations aléatoires dans des données faibles ou bruitées. L’article montre que de telles méthodes signalent fréquemment un danger même lorsque, pris dans leur ensemble, les infections n’augmentent pas de manière significative.

Une voie médiane : le nombre de reproduction averse au risque

Pour trouver un meilleur équilibre, les auteurs placent à la fois le R usuel et la mesure basée sur le maximum sur une seule échelle d’agrégats possibles sur les groupes. À une extrémité se trouve le R standard, qui lisse tout ; à l’autre, le maximum strict, qui amplifie chaque fluctuation. En s’appuyant sur des idées de planification expérimentale, ils identifient un choix intermédiaire qu’ils appellent le nombre de reproduction averse au risque, noté E. Cette statistique accorde plus de poids aux groupes à transmission élevée, sans pour autant laisser le bruit aléatoire dominer le signal. Les auteurs montrent, par la théorie et des expériences informatiques, que fixer le seuil de stabilité à E égal à 1 réduit nettement l’ensemble des scénarios pouvant se faire passer pour sûrs, tout en restant robuste aux comptes de cas bruités.

Ce que la nouvelle mesure révèle dans de vraies épidémies

L’équipe teste ensuite ces idées sur des données d’épidémies réelles. Dans des simulations de flambées similaires à Ebola réparties sur deux régions, il existe des périodes où le nombre total de cas semble stable et où le R usuel est très proche de 1 avec une incertitude étroite, alors qu’une région est clairement en reprise. Durant ces mêmes périodes, le nombre averse au risque E dépasse 1 et son incertitude s’élargit, suggérant correctement que la situation est plus fragile que le titre ne l’indique. Des schémas similaires apparaissent dans des données du COVID-19 provenant de provinces italiennes et de comtés américains. Aux moments où le R global oscille autour de 1, certaines zones plus petites augmentent discrètement, et E capture cela en passant au-dessus de 1 et en signalant une probabilité plus élevée que le total des infections augmente bientôt.

Ce que cela implique pour les décisions sanitaires et les messages publics

Pour le grand public, ces résultats signifient qu’un R annoncé égal à 1 ne doit pas toujours être interprété comme « sûr et stable ». Parce que les calculs standards masquent souvent les différences entre lieux et groupes, ils peuvent manquer des signes précoces d’une reprise jusqu’à ce que beaucoup plus de personnes soient infectées. Le nombre averse au risque proposé E fournit un seuil plus prudent et plus informatif : lorsque E vaut 1, il est beaucoup plus probable que la plupart des groupes soient réellement stables ; lorsque E est supérieur à 1, il signale des reprises locales qui méritent attention même si la courbe globale ne s’est pas encore redressée. Les auteurs suggèrent que, dès lors que des données régionales détaillées sont disponibles, les agences de santé devraient compléter ou remplacer le R usuel par E pour guider des réponses plus rapides et mieux ciblées.

Citation: Parag, K.V., Santillana, M., Cori, A. et al. The R = 1 threshold can misclassify epidemic stability. Commun Phys 9, 185 (2026). https://doi.org/10.1038/s42005-026-02631-6

Mots-clés: stabilité épidémique, nombre de reproduction, reprise de la maladie, modélisation du COVID-19, indicateurs de santé publique