Cartographie du risque des nouveaux agents pathogènes respiratoires avec des réseaux de contacts dynamiques à grande échelle

Pourquoi cela compte dans la vie de tous les jours

Après la COVID-19, beaucoup se sont demandé pourquoi certains lieux sont devenus des foyers d’épidémie tandis que d’autres sont restés relativement épargnés, et quelles mesures ont réellement freiné la propagation. Cette étude aborde ces questions en construisant un modèle informatique très détaillé de la façon dont un nouveau virus respiratoire pourrait se répandre aux Pays-Bas, en tenant compte des lieux de résidence, des déplacements et des rencontres à la maison, à l’école, au travail et ailleurs. Ses enseignements sur les centres urbains, les déplacements et le fait de rester chez soi lorsqu’on est malade sont largement pertinents pour la préparation des sociétés aux futures pandémies.

Suivre les personnes au fil de la journée

Plutôt que de considérer la population comme une masse homogène où tout le monde se mélange également, les chercheurs représentent des centaines de milliers « d’acteurs », chacun équivalant à 100 personnes réelles. Chaque acteur a une tranche d’âge et un rôle — par exemple enfant d’âge préscolaire, élève, adulte actif ou retraité — et est assigné à une municipalité spécifique sur la base de statistiques néerlandaises réelles. À partir de données sur les trajets domicile-travail et les déplacements, le modèle attribue à chaque acteur un emploi du temps hebdomadaire, réparti heure par heure, qui détermine quand il est chez lui, à l’école, au travail ou dans d’autres lieux. Au fur et à mesure que ces acteurs se déplacent, le modèle utilise des schémas de contacts issus d’enquêtes sociales pour décider qui ils sont susceptibles de rencontrer dans chaque lieu et à chaque heure. De cet aller-retour constant émerge un réseau dynamique de contacts humains, bien plus réaliste que les modèles traditionnels qui supposent des groupes simples et bien mélangés.

Observer un nouveau virus s’implanter

Sur ce réseau mobile de rencontres, l’équipe simule un nouveau virus respiratoire aux caractéristiques proches de la grippe ou du SARS-CoV-2 : un court délai entre l’infection et la contagiosité, environ une semaine d’infectiosité, et un nombre de reproduction de base suffisamment élevé pour provoquer une croissance rapide. Ils « ensemencent » le virus en infectant seulement cinq personnes d’un groupe d’âge précis dans une municipalité choisie, puis suivent ce qui se passe pendant les 17 premiers jours. Parce que les contacts et les déplacements varient d’une personne à l’autre, le modèle capture naturellement le hasard : parfois l’épidémie s’éteint, d’autres fois elle démarre. En répétant ce processus de nombreuses fois pour chaque municipalité et tranche d’âge, les chercheurs dressent des cartes de risque détaillées montrant où une introduction est la plus susceptible d’entraîner une transmission étendue.

Les grandes villes comme moteurs épidémiques

Les simulations montrent que le lieu d’apparition des premiers cas compte énormément, surtout dans les premières semaines. Lorsque le virus débute dans une zone reculée et peu peuplée, le nombre d’infections augmente lentement et se propage géographiquement à un rythme modéré. Mais lorsque le même nombre de cas initiaux apparaît dans ou près du noyau occidental densément peuplé des Pays-Bas, les infections augmentent beaucoup plus rapidement et se propagent à l’échelle nationale. De grandes villes comme Amsterdam, Rotterdam, La Haye et Utrecht jouent le rôle de puissants moteurs de transmission, générant plus d’infections que ne le suggérerait leur part de population. Ces villes ont de nombreux habitants, attirent des navetteurs et des visiteurs, et servent de carrefours dans le réseau national de déplacements, ce qui en fait des amplificateurs efficaces d’un nouvel agent pathogène.

Tester le fait de rester chez soi et les barrières aux déplacements

Le modèle permet aussi aux auteurs de tester comment le comportement et les politiques pourraient modifier le déroulement d’une épidémie naissante. Ils examinent deux stratégies simples dès le premier jour : les personnes symptomatiques choisissant de s’isoler, et des restrictions de déplacement vers et depuis le grand noyau urbain. Parce qu’environ la moitié de l’infectiosité dans leur scénario survient après l’apparition des symptômes, une isolation parfaite pourrait théoriquement réduire la transmission de près de moitié. En pratique, même lorsque la moitié des personnes symptomatiques restent chez elles, la réduction totale des infections après 17 jours est modeste, et n’atteint qu’environ un tiers lorsque tous les personnes symptomatiques s’isolent. Les restrictions de déplacement, en revanche, ont un effet plus fort à tous les niveaux de conformité. Quand presque tout le monde respecte la fermeture des frontières autour des grandes villes, le nombre de nouvelles infections après 17 jours peut diminuer de plus des deux tiers, principalement parce que les principaux pôles urbains sont effectivement isolés et n’alimentent plus le reste du pays.

Ce que cela signifie pour les futures épidémies

Pour un non-spécialiste, le message central est que les épidémies naissantes ne sont pas des vagues lisses qui inondent uniformément un pays. Elles sont façonnées par les détails fins de la vie réelle — comment les gens vivent, se déplacent et se rencontrent — et par le rôle disproportionné des grandes villes. Cette étude montre que les modèles qui suivent les individus dans le temps et l’espace peuvent produire des cartes réalistes des zones où un nouveau virus respiratoire est le plus susceptible de se propager et de la vitesse de propagation. De tels outils pourraient aider les autorités sanitaires à cibler des ressources limitées et à envisager des mesures ciblées, comme des limitations temporaires de déplacement autour de hubs clés, plutôt que de se limiter à des règles nationales. Bien que le travail soit spécifique aux Pays-Bas et repose sur des simplifications, il illustre un point plus large : comprendre et agir sur la géographie des contacts humains peut être tout aussi important que comprendre le virus lui-même.

Citation: Romeijnders, M., van Boven, M. & Panja, D. Risk mapping novel respiratory pathogens with large-scale dynamic contact networks. Commun Med 6, 229 (2026). https://doi.org/10.1038/s43856-026-01446-4

Mots-clés: modélisation épidémique, virus respiratoires, mobilité humaine, épidémiologie des réseaux, hubs de transmission urbains