Modélisation : Propagation d’épidémies

Hugo Théveniaut
L2-S4 Physique 2019

Les modèles compartimentaux font partie des premiers modèles mathéma-

tiques à avoir été utilisés en épidémiologie. L’idée est de diviser une population
en plusieurs groupes d’individus : les individus qui sont susceptibles d’être in-
fectés, ceux qui sont infectieux ou encore ceux qui ont acquis une immunité
à la suite de la guérison. Cette approche est utilisée pour modéliser de très
nombreuses maladies et continue d’être un sujet de recherche actif.
Un modèle épidémiologique se définit par des compartiments (en combien
de groupes est divisée la population et sur quel critère) et des règles (quels
échanges se produisent entre ces groupes).
On se propose ici d’étudier la propagation du virus de la grippe dans dif-
férents contextes avec un modèle SIR qui contient trois compartiments: une
population d’individus Sains, une population d’individus Infectés susceptibles
de transmettre la maladie et une population d’individus Rémis qui sont immu-
nisés. La Figure 1 schématise les transferts d’individus entre chaque groupe.

β γ
S infections
I rémissions
R
Figure 1: Compartiments et migrations possibles d’un modèle SIR

La constante β peut être interprétée comme un taux d’infection qui dicte

les migrations entre individus sains et infectés, tandis que γ représente un
taux de rémission et gouverne le nombre d’individus infectés qui guérissent et
deviennent ensuite immunisés. L’évolution des trois catégories de population
peut alors être décrit par le système d’équations différentielles suivant :

β
S 0 (t) = − S(t)I(t)



N (t)





β


I 0 (t) =

S(t)I(t) − γI(t) (A)

 N (t)

R0 (t) =γI(t)






 N (t) =S(t) + I(t) + R(t)


1
A Modélisation mathématique
A1. Montrer que le nombre total d’individus N (t) reste constant au cours du
temps et que le système (A) peut se mettre sous la forme:

β
S 0 (t) = − S(t)I(t)



N




β (B)
 I 0 (t) = S(t)I(t) − γI(t)



 N
 R0 (t)

=γI(t)
avec N le nombre total d’individus.

A2. Ecrire (B) sous la forme Y 0 (t) = f (t, Y (t)), où Y est un vecteur bien
choisi et f une fonction que l’on explicitera.

B Etude numérique des solutions

Dans un premier temps, on cherche à modéliser la propagation du virus de la
grippe dans une salle de cours. On suppose que la salle contient 20 élèves sains
et un élève dans un état grippal. Les données épidémiologiques disponibles per-
mettent d’estimer numériquement les taux β et γ, cela donne β = 0.4 jour−1
et γ = 0.16 jour−1 .

B1. En faisant appel à la fonction ode45 fournie par MATLAB, vérifier

qu’au bout du cinquième jour de cours, 3 individus sont malades, 1 est déjà
rémis et qu’il en reste 17 en bonne santé. Tracer S(t), I(t) et R(t) sur un
intervalle de temps d’un mois et commenter l’allure des courbes (valeur finale,
maximum, etc..). Vérifier que le nombre d’étudiants reste constant au cours
du temps.

Absence des malades. On suppose que trois quarts des étudiants malades
décident de ne pas aller en cours. En reprenant le système (B), cela correspond
à diviser le taux d’infection par 4, c’est-à-dire remplacer β par β/4 dans les
équations.

B2. Dans ce cas, tracer S(t), I(t) et R(t) sur un intervalle d’un mois et
commenter l’allure des courbes (valeur finale, maximum, etc..). En compara-
ison de la situation précédente, dans quel cas pourriez-vous dire qu’il y a eu
épidémie ?

B3. Calculer le ratio R0 = βγ dans les deux situations précédentes. Quelle

est la relation entre la valeur de R0 et le déclenchement d’une épidémie ?
Montrer S(t) et I(t) pour quelques valeurs de β et γ que vous choisirez pour
confirmer votre hypothèse sur la valeur critique de R0 .

2
 La quantité R0 , également appelée taux de reproduction de base, joue en
réalité un rôle central en épidémiologie. En effet, elle correspond au nom-
bre moyen d’individus qu’une personne pourra infecter tant qu’elle sera con-
tagieuse. Le tableau ci-dessous donne quelques valeurs de R0 pour différentes
maladies.
Grippe VIH/SIDA Polio Rougeole
R0 2-3 2-5 5-7 12-18

C Etude de l’erreur
C1. On suppose qu’à un instant t1 il n’y a plus d’individus sains dans le groupe
considéré, autrement dit S(t1 ) = 0, montrer que pour tout t ≥ t1 , S(t) = 0.
Dans ce cas, le système (B) se réduit à:
I 0 (t) = − γI(t)
(
(C)
R0 (t) =γI(t)
C2. Obtenir l’expression analytique des solutions du système (C).

Chaque schéma numérique introduit une certaine approximation de la so-

lution de l’équation différentielle et peut être caractérisé par l’écart entre la
solution analytique et la solution numérique. On peut ainsi définir l’erreur
cumulée:
M
1 X
= |Ianalytique (ti ) − (Inumerique )i |2
M i=1
avec ti = i∆t, Ianalytique la solution analytique du système (C) et (Inumerique )i∈{1..M }
la solution numérique à discrétisation ∆t fixée. L’erreur  dépend ainsi im-
plicitement du pas de discrétisation ∆t utilisé et on dit qu’un schéma numérique
est d’ordre α lorsque l’erreur totale est de l’ordre de (∆t)α .

Les fonctions ode45 ou ode23 implémentées par MATLAB sont basées sur
les méthodes dites Runge-Kutta. On désire connaitre l’ordre de l’une de ces
méthodes, dont le schéma numérique est le suivant:
A1 = hf (tn , yn )
!
h A1
1 A2 = hf tn + , yn +
yn+1 = yn + (A1 + 2A2 + 2A3 + A4 ) 2 2
6 avec !
tn+1 = tn + h h A2
A3 = hf tn + , yn +
2 2
A4 = hf (tn + h, yn + A3 )
C3. Résoudre numériquement (C) avec le schéma numérique ci-dessus
Choisir des valeurs de pas h = 1, 0.1, 0.01, 0.001. Pour chaque h, calculer
l’erreur  du schéma numérique et tracer  en fonction de h. On pourra tracer
(h) en échelle log et obtenir la valeur de α comme la pente de la courbe
obtenue. Conclure. Auriez-vous pu faire la même étude de l’erreur avec ode45
telle qu’elle est implémentée?

3
D Des modèles plus complexes
Absentéisme au cours de la semaine. Pour raffiner le modèle, on peut
également incorporer la donnée des absences des étudiants. Une modélisation
possible peut être de considérer que la probabilité
  qu’un élève soit présent en
cours varie selon une loi empirique 1+ 12 cos 2π
T
t avec une période T = 7 jours.
Donner une interprétation possible de cette loi. Reprendre le système (B) et
faites le changement
1 2π
  
β −→ β 1 + cos t
2 T
De nouveau, tracer S(t), I(t) et R(t) sur un intervalle d’un mois et commenter
l’allure des courbes (valeur finale, maximum, etc..).

Perte d’immunité. Une personne qui guérit de la grippe n’est en réalité im-
munisée que pour la souche qui l’a infectée et est donc susceptible de contracter
à nouveau la maladie si elle est en contact avec une souche différente. Com-
ment peut-on modifier le modèle SIR présenté sur la figure 1 pour prendre en
compte cette perte d’immunité ? Ecrire un système d’équations différentielles
pouvant modéliser ce phénomène supplémentaire.

Epidémie sur plusieurs campus. Nous avons considéré jusque-là la prop-

agation uniquement dans le temps, en considérant un groupe d’individus fermé
avec des contacts réguliers. La prise en compte de la dimension spatiale de la
propagation peut se faire de différentes manières. Imaginer un modèle compar-
timental qui décrit les transferts d’étudiants entre les campus de Paul Sabatier
et de Jean Jaurès avec S1 (t) le nombre d’étudiants de Paul Sabatier au temps t,
S2 (t) le nombre d’étudiants de Jean Jaurès, etc.. Ecrire le système d’équations
différentielles associé à ce nouveau modèle.