Donc, si les modèles épidémiologiques ne nous donnent pas de certitude – et leur demander de le faire serait une grosse erreur – à quoi servent-ils? L'épidémiologie nous donne quelque chose de plus important: agir pour identifier et calibrer nos actions dans le but de façonner notre avenir. Nous pouvons le faire en élaguant les branches catastrophiques d'un arbre de possibilités qui nous attend.

Les modèles épidémiologiques ont des «queues» – les extrémités extrêmes du spectre de probabilité. Ils sont appelés queues car, visuellement, ce sont les parties du graphique qui s'effilent dans la distance. Considérez ces queues comme des branches dans un arbre de décision. Dans la plupart des scénarios, nous nous retrouvons quelque part au milieu de l'arbre – le gros renflement des résultats hautement probables – mais il y a quelques branches à l'extrême droite et à l'extrême gauche qui représentent des résultats assez optimistes et assez pessimistes, mais moins probables. . Une projection optimiste de la queue pour la pandémie de COVID-19 est que beaucoup de gens ont peut-être déjà été infectés et guéris, et sont maintenant immunisés, ce qui signifie que nous nous soumettons à une quarantaine trop intense. Certaines personnes ont flotté cela comme un scénario probable, et ils ne sont pas fous: c'est en effet une possibilité, d'autant plus que nos tests ne sont pas assez répandus pour le savoir. L'autre queue comprend les possibilités catastrophiques, comme la mort de dizaines de millions de personnes, comme dans la pandémie de grippe ou de VIH / sida de 1918.

Les modèles de coronavirus ne sont pas censés avoir raison

Lire: La courbe n'est pas assez plate

La fonction la plus importante des modèles épidémiologiques est la simulation, un moyen de voir à l'avance notre avenir potentiel et la façon dont cela interagit avec les choix que nous faisons aujourd'hui. Avec les modèles COVID-19, nous avons un objectif simple et urgent: ignorer toutes les branches optimistes et ce tronc épais au milieu représentant les résultats les plus probables. Au lieu de cela, nous devons nous concentrer sur les branches représentant les pires résultats et les tailler de toutes nos forces. L'isolement social réduit la transmission et ralentit la propagation de la maladie. Ce faisant, il coupe des branches qui représentent certains des pires avenirs. Le traçage des contacts attrape les gens avant qu'ils n'infectent les autres, élaguant plus de branches qui représentent des catastrophes non contrôlées.

Au début d'une pandémie, nous avons l'inconvénient d'une plus grande incertitude, mais l'avantage d'être précoce: les coûts de nos actions sont plus faibles car la maladie est moins répandue. En élaguant l'arbre des branches terribles et impensables, nous ne choisissons pas seulement un chemin; nous façonnons les paramètres sous-jacents eux-mêmes, car les paramètres eux-mêmes ne sont pas fixes. Si nos hôpitaux ne sont pas dépassés, nous aurons moins de décès et donc un taux de mortalité plus faible. C’est pourquoi nous ne devrions pas nous enliser dans la poursuite des numéros de modèle. Au lieu de cela, nous devons nous concentrer sur les paramètres que nous pouvons changer et les changer.

Chaque fois que la Maison Blanche publiera un modèle COVID-19, nous serons tentés de nous noyer dans des discussions sans fin sur les barres d'erreur, la clarté des paramètres, le large éventail de résultats et l'applicabilité des données sous-jacentes. Et les médias pourraient être tentés de couvrir ces discussions, car cela correspond à leur course de chevaux, dit-il-elle-dit. Il ne faut pas. Nous devrions plutôt regarder les branches calamiteuses de notre arbre de décision et les couper toutes, puis les couper à nouveau.

Parfois, lorsque nous réussissons à couper la fin de la queue pessimiste, il semble que nous ayons réagi de manière excessive. Un quasi-accident peut fausser un modèle. Mais ce n'est pas toujours ce qui s'est passé. Cela signifie simplement que nous avons gagné. Et c'est pourquoi nous modélisons.

Nous voulons savoir ce que vous pensez de cet article. Envoyez une lettre à l'éditeur ou écrivez à [email protected]

Zeynep Tufekci est professeur agrégé à l'Université de Caroline du Nord et professeur associé au Harvard Berkman Klein Center for Internet and Society. Elle étudie l'interaction entre la technologie numérique, l'intelligence artificielle et la société.