COVID-19: prévoir les besoins à court terme des hôpitaux français - aposart
←
→
Transcription du contenu de la page
Si votre navigateur ne rend pas la page correctement, lisez s'il vous plaît le contenu de la page ci-dessous
COVID-19: prévoir les besoins à court terme des hôpitaux
français
Clément Massonnaud1,2∗, Jonathan Roux1∗, Pascal Crépey1†
16 mars 2020
1Univ Rennes, EHESP, REPERES (Recherche en Pharmaco-Epidémiologie et
Recours aux Soins) – EA 7449, 15 avenue du Professeur Léon Bernard, CS 74312,
35043 Rennes, France .
2 Centre hospitalier universitaire de Rouen, Unité de biostatistiques, 76031 Rouen, France.
1 Résumé
L'Europe est désormais considérée comme l'épicentre de la pandémie de SARS-CoV-2. En France, l’un
des pays les plus durement touchés, l'inquiétude grandit quant à la capacité du système de santé,
notamment des unités de soins intensifs, de faire face à l'épidémie. L’objectif de notre étude était de
prévoir les dynamiques de l'épidémie dans le pays et d'évaluer leurs répercussions sur les ressources
sanitaires des régions de France métropolitaine. Nous avons élaboré un modèle déterministe permettant
d’estimer le nombre de personnes susceptibles d'être infectées par le virus, et le nombre de personnes
exposées, infectées et guéries, par groupe d'âge et par circonscription hospitalière de référence pour le
COVID-19. Nous avons réalisé des simulations sur un mois (jusqu'au 14 avril 2020) et selon trois
scénarios différents (R0 = 1,5 ; R0 = 2,25 ; R0 = 3) : pour chacun d’eux, nous avons estimé le nombre
quotidien de cas de COVID-19, d'hospitalisations et de décès, le nombre de lits nécessaires dans les
unités de soins intensifs de chaque région et la date de dépassement des capacités. Au niveau national,
on estime que le nombre total de personnes infectées oscillera entre 222 872, pour les prévisions les plus
optimistes (R0 = 1,5), et 161 832, pour les plus pessimistes (R0 = 3), et que le nombre total de décès
s'élèvera entre 1 021 et 11 032. Au niveau régional, si le scénario le plus défavorable prévalait, toutes les
unités de soins intensifs seraient débordées. Dans le scénario médian, sept régions manqueraient de lits
en soins intensifs (R0 = 2,25) et, dans le scénario le plus optimiste, seulement une. Dans les trois
scénarios, ce sont les unités de soins intensifs de Corse qui pourraient être saturées en premier. Peu de
temps après, ce pourrait être le tour du Grand-Est et de la Bourgogne-Franche-Comté. Notre analyse
révèle que, même dans le meilleur des cas, le système de santé français sera très bientôt dépassé. Bien
que la prise de mesures de distanciation sociale drastiques puisse modifier nos résultats, il est impératif
de réorganiser massivement les unités de soins intensifs françaises afin d'accroître leurs capacités et de
faire face à la vague de malades graves du COVID-19 à venir.
2 Introduction
Le 31 décembre 2019, les autorités chinoises ont informé l'Organisation mondiale de la Santé (OMS) de
la présence de cas groupés de pneumonie1, dont la majorité étaient liés au marché aux fruits de mer de
Huanan, dans la ville de Wuhan (province de Hubei). Le 7 janvier 2020, un nouveau coronavirus, le
SARS-Cov-2, a été identifié comme étant la cause de l'épidémie. Le 13 janvier, le premier cas hors de
Chine a été confirmé en Thaïlande2 et, le 24 janvier, les premiers cas sur le continent européen ont été
confirmés en France3. Le 30 janvier, l'OMS a déclaré que cette épidémie était une urgence internationale
en matière de santé publique4 et, le 11 février, a annoncé le nom de cette maladie: COVID-19
5.
∗Les auteurs ont contribué à parts égales. †Contact: pascal.crepey@ehesp.fr
Au 5 mars, le Centre européen de prévention et de contrôle des maladies (ECDC) faisait état de 91 315 cas
confirmés de COVID-19 dans 81 pays et de 3 282 décès (3,4%). En Europe, des cas avaient été signalés
dans 38 pays, la majorité en Italie : 3 089 des 4 290 cas signalés (soit 72%) et 107 des 113 décès enregistrés
(soit 94,7%) étaient italiens. La France arrivait en seconde place avec 423 cas et 5 décès (soit 1,2%) 6. Le 11
mars, 118 628 cas ayant été confirmés et 4 292 décès (soit 3,6%) ayant été enregistrés dans 106 pays,
l'OMS a déclaré l'état de pandémie7. En Europe, le nombre de pays touchés était passé à 47, l'Italie restant
le pays concentrant la majorité des cas 8.
La figure 1 montre le nombre de cas enregistrés en France métropolitaine entre le 22 janvier et le 14
mars (source : Santé publique France). Le 10 mars, à minuit, on comptait 2 030 cas confirmés et 44
décès (soit 2,2%)8. Les deux régions les plus touchées étaient le Grand-Est et l'Ile-de-France, avec
respectivement 489 et 468 cas. Les personnes de plus de 75 ans représentaient 19% des cas mais environ
75% des décès8 et 102 personnes, dont 38% âgées de moins de 65 ans, avaient été admises en soins
intensifs. Le nombre de cas double environ toutes les 72 heures : on comptait 1 126 malades le 8 mars, 2
269 le 11 mars et 4 469 le 14 mars. Il convient de noter qu'il est probable que le nombre de cas confirmés
soit inférieur au nombre réel, tous les cas n'étant pas nécessairement enregistrés en raison de difficultés
logistiques dans certaines régions8.
4000
3000
2000
1000
0
1er fév 15 fév 1er mar 15 mar
Figure 1: Nombre de cas de COVID-19 confirmés en France entre le 22 janvier et le 14 mars
Le SARS-CoV-2 est un virus zoonotique dont les chauves-souris seraient le réservoir. Néanmoins, de
nombreux cas de transmission d'homme à homme ont été signalés9. La transmission se produit
essentiellement par gouttelettes et au moyen d'objets lors de contacts étroits sans protection. Les
informations sur les principaux modes de transmission restent relativement rares et peuvent varier en
fonction des paramètres, des données et des méthodes utilisés.
Le taux de reproduction de base (R0) a été estimé entre 1,4 et 7,23 selon les études9–19 . La plupart des
pays ont désormais mis en place des stratégies de contrôle portant sur le suivi des interactions, la mise
en quarantaine et la prise de mesures de distanciation, qui sont susceptibles de réduire la valeur R0. Sur
la base de données détaillées relatives à des cas recensés en Chine, Li et ses collègues ont estimé le tauxde reproduction dans le cadre des mesures de contrôle (Rc)17 à 1,54. Zhou et ses collègues19 ont estimé que ce même taux oscillait entre 1,46 et 2,99. Ils ont également estimé les durées d'incubation et de contagiosité à respectivement 5 et 11 jours. Abbott et ses collègues ont évalué le taux de reproduction de 24 pays sur 7 jours glissants en se fondant sur des données publiques. En France, au 13 mars, il était estimé entre 1,4 et 3,220. Plusieurs modèles ont déjà été élaborés afin d'anticiper les dynamiques de propagation de l'épidémie de COVID-19 selon différents paramètres. Toutefois, on manque de tels modèles dans un contexte européen. Danon et ses collègues ont étudié la transmission de la maladie en Angleterre et au Pays de Galles en adaptant un modèle méta-populationnel stochastique existant21. Pinotti et ses collègues ont modélisé l'importation internationale de cas de COVID-19 afin d'évaluer la rapidité du placement en quarantaine, les effets des mesures prises et le nombre de cas non détectés22. À ce jour, aucun modèle n'a été établi pour analyser les dynamiques de propagation du COVID-19 en France. 3 Objectif Cette étude avait pour objectif d'estimer le nombre de cas de COVID-19, et le nombre d'hospitalisations et de décès liés à ce virus en France, ainsi que d'évaluer les répercussions de l'épidémie sur les ressources sanitaires en déterminant le nombre de lits nécessaires en soins intensifs dans chaque région pour toute la durée de l'épidémie. Afin de procéder à une analyse de sensibilité et de déterminer les effets potentiels des mesures de contrôle imposées à grande échelle, nous avons fait varier la valeur R0 de l'épidémie de 3 à 1,5. 4 Méthode Nous avons établi une liste des 138 hôpitaux désignés centres de référence dans le traitement des cas de COVID-19 en France. Parmi eux, 33 sont des centres de référence principaux et 98 des centres de référence secondaires en France métropolitaine, et 7 se trouvent dans les départements d'outre-mer (non inclus). Nous avons divisé la France métropolitaine en circonscriptions hospitalières en utilisant les polygones de Voronoï (figure 2). La structure démographique de chaque circonscription a été déduite des données récoltées dans le cadre des recensements de 2016 et 2017, et fournies par l'Institut national de la statistiques et des études économiques (Insee)23. Les circonscriptions ont ensuite été agrégées par régions métropolitaines [13 régions administratives comptant en moyenne 4,75 millions d'habitants (minimum : 300,000 habitants en Corse ; maximum: 12,55 millions en Ile-de- France)]. Les données sur le nombre de lits disponibles en soins intensifs dans chaque région sont tirées de la
Statistique annuelle des établissements de santé24.
Figure 2: Cartes des circonscriptions hospitalières et des régions agrégées.
Nous avons élaboré un modèle déterministe et comportemental du nombre de personnes susceptibles d'être infectées,
exposées, infectées et guéries (SEIR), par groupe d'âge, qui se présente sous la forme d'équations différentielles (figure 3).
La population a été divisée en 17 groupes d'âge (tranches de 5 ans) et en quatre catégories : susceptible d'être infectée (S),
exposée au virus mais non contagieuse (E), infectée et contagieuse (I) ou guérie (R). Afin d'évaluer les interactions en
fonction de l'âge, nous nous sommes fondés sur une matrice de contacts interindividuels de la population française établie
par Prem et ses collègues25 .
Figure 3 : Diagramme du modèle SEIR structuré par groupes d'âge.
Nous sommes partis du postulat selon lequel les durées d'incubation et de contagiosité étaient respectivement de 5
et 11 jours19 , et les patients, tous âges confondus, séjournaient en moyenne 15 jours à l'hôpital et en soins intensifs.
Nous avons estimé le risque d’infection de chaque groupe d'âge en nous basant sur la répartition des cas en fonction
de l'âge établie par Wu et ses collègues pour la Chine 11. Nous avons adapté ces données à la population française
afin d'estimer la répartition probable des cas en fonction de l'âge en France. Ensuite, en utilisant R, nous avons
calculé le vecteur de risque en fonction de l'âge grâce à l'algorithme Subplex fourni par la matrice NLOPTR.
Sur la base des estimations du nombre de nouveaux cas quotidiens, nous avons inféré différents
résultats. Tout d'abord, nous avons calculé le nombre de cas graves en nous basant sur les travaux de
Guan et ses collègues18. Nous avons utilisé leurs estimations de la gravité des risques encourus en
fonction de l'âge pour quatre groupes d'âge, lesquels correspondaient aux 17 groupes d'âge définis dans
le cadre de notre étude (tableau 1). Sur la base de ces mêmes données, nous avons estimé le nombre de
cas qui nécessiteront une hospitalisation en soins intensifs 18 (tableau 1). En nous fondant sur les
données recueillies par Yang et ses collègues26, nous avons estimé à 0,711 (tous âges confondus) la
proportion de personnes qui devront être placées sous ventilateur. Nous avons estimé le nombre dedécès sur la base des données relatives aux risques de décès en fonction de l'âge (10 groupes d'âge)
fournies par l'Institut italien national de santé (Instituto Superiore di Sanità) (tableau 1)27.
Le modèle de transmission a été établi en C++. R a permis de collecter et gérer des données, de procéder
à des simulations, d’obtenir des résultats d'analyse et d’élaborer des comptes-rendus. Toutes les
données et tous les codes sources ont été réunis dans un paquet R, et une application Shiny a été
développée pour réaliser des simulations du modèle avec différents paramètres et étudier les différents
résultats obtenus (disponibles sur demande).
5 Résultats
5.1 Dépassement des capacités des unités de soins intensifs par région française
Notre objectif premier était de déterminer le moment à partir duquel les capacités des unités de soins
intensifs de chaque région seraient dépassées par l'épidémie de COVID-19. La figure 4 montre
l'évolution du nombre de lits en soins intensifs nécessaires pour traiter les cas graves dans chaque
région, ainsi que la limite théorique des capacités des unités de soins intensifs. Dans le scénario le plus
pessimiste, toutes les régions seront dépassées d'ici le 14 avril 2020. Comme indiqué dans le tableau 2,
il est probable que la totalité des unités de soins intensifs de Corse soient saturées avant la fin du mois
de mars 2020 (au mieux, le 28 mars, au pire, le 18 mars). Dans le cas où R0 = 2,25, la moitié des régions
françaises manqueront de capacités en soins intensifs d'ici la mi-avril.
Tableau 1: Paramètres utilisés pour calculer les principaux résultats.
Groupe d'âge Gravité des Risques Risques de
risques d’hospita décès
encourus lisation
en soins
intensifs
0-4 ans 0,11 0,02 0,000
5-9 ans 0,11 0,02 0,000
10-14 ans 0,11 0,02 0,000
15-19 ans 0,12 0,02 0,000
20-24 ans 0,12 0,02 0,000
25-29 ans 0,12 0,02 0,000
30-34 ans 0,12 0,02 0,002
35-39 ans 0,12 0,02 0,002
40-44 ans 0,12 0,02 0,002
45-49 ans 0,12 0,02 0,002
50-54 ans 0,17 0,07 0,008
55-59 ans 0,17 0,07 0,008
60-64 ans 0,17 0,07 0,027
65-69 ans 0,29 0,21 0,027
70-74 ans 0,29 0,21 0,108
75-79 ans 0,29 0,21 0,108
80 ans et 0,29 0,21 0,181
plusTableau 2: Estimation de la date de dépassement des capacités des unités de soins intensifs dans les 13 régions de France
métropolitaine ( R0 = 1,5 ; 2,25 ; 3). Les simulations portent sur la période allant du 10 mars au 14 avril 2020.
Région R0 1,5 R0 2,25 R0 3
Corse 28 mars 2020 21 mars 2020 18 mars 2020
Grand-Est 28 mars 2020 22 mars 2020
Bourgogne-Franche-Comte 1er avril 2020 24 mars 2020
Bretagne 6 avril 2020 27 mars 2020
Hauts-de-France 7 avril 2020 28 mars 2020
Auvergne-Rhône-Alpes 10 avril 2020 30 mars 2020
Ile-de-France 14 avril 2020 1er avril 2020
PACA 5 avril 2020
Normandie 8 avril 2020
Pays de la Loire 8 avril 2020
Nouvelle-Aquitaine 9 avril 2020
Occitanie 9 avril 2020
Centre-Val de Loire 12 avril 2020
Figure 4 : Estimations du nombre de lits en soins intensifs nécessaires dans les 13 régions françaises. La courbe rouge
représente la limite des capacités des unités de soins intensifs, la courbe en pointillés les prévisions pour R0 = 2,25, et les
courbes noires les prévisions les plus optimistes et pessimistes (pour, respectivement, R0 = 3 et R0 = 1,5). Chaque graphique
montre le dépassement des capacités dans le temps par région (de gauche à droite et de bas en haut).Tableau 3 : Estimations du nombre d'infections, de cas graves et de décès, du 10 mars au 14 avril 2020, par région
(R0 = 1,5, ; 2,25 ; 3).
Infections Cas graves Décès
Région R0 1,5 R0 2,25 R0 3 R0 1,5 R0 2,25 R0 3 R0 1,5 R0 2,25 R0 3
Auvergne-Rhône-Alpes 2714 7352 19306 545 1624 4692 121 385 1317
Bourgogne-Franche-Comte 1851 5044 13280 374 1117 3233 84 266 909
Bretagne 1029 2805 7415 208 621 1806 47 148 508
Centre-Val de Loire 229 624 1654 46 138 403 10 33 113
Corse 536 1450 3764 108 321 916 24 77 257
Grand-Est 5984 16171 41973 1202 3571 10191 267 847 2856
Hauts-de-France 2706 7319 19105 542 1613 4637 120 381 1298
Ile-de-France 4418 11851 30754 879 2602 7448 192 611 2079
Normandie 472 1286 3403 95 285 828 21 68 233
Nouvelle-Aquitaine 682 1866 4960 138 414 1209 31 99 341
Occitanie 775 2112 5594 156 468 1362 35 111 383
Pays de la Loire 346 941 2484 70 208 604 16 49 170
PACA 1128 3073 8139 228 681 1982 51 162 558
Total 22872 61896 161832 4590 13663 39311 1020 3237 11025
5.2 Prévisions par région
Selon notre analyse, la région la plus touchée sera le Grand-Est, avec, dans le scénario le plus
pessimiste, jusqu'à 42 000 infections, 10 000 cas graves et plus de 2 800 décès entre le 10 mars et le
14 avril. Dans le même scénario, l'Ile de France et l'Auvergne-Rhône-Alpes seront les deuxième et
troisième régions les plus touchées avec, respectivement, jusqu'à 2 000 et 1 300 décès. Dans le
scénario médian (R0 = 2,25) et le scénario le plus optimiste (R0 = 1,5), les taux de morbidité et de
mortalité représenteront, respectivement, environ 30% et 10 % des chiffres susmentionnés.
Notre analyse révèle que, en France, entre 2 500 et 25 000 personnes pourraient être hospitalisées en
soins intensifs, et qu'entre 1 800 et 18 000 autres pourraient être placées sous ventilateur. Le tableau
4 montre, pour les trois scénarios R0, les estimations du nombre total de lits (standards et équipés de
ventilateurs) qui seront nécessaires en soins intensifs dans chaque région, ainsi que la capacité totale
des unités de soins intensifs par région, étant entendu que la durée moyenne d'hospitalisation est de
15 jours. Nous constatons que les résultats varient grandement entre les deux scénarios les plus
extrêmes (de 305 à 4 260 lits en Ile-de-France) et que les estimations du scénario médian sont très
proches des capacités régionales actuelles des unités de soins intensifs ou supérieures à celles-ci, ce
qui limitera la coopération interrégionale et les transferts de patients.
6 Analyse
Compte tenu du peu de données de modélisation disponibles sur l'épidémie de COVID-19 en France,
l'objectif de notre étude était de prévoir sur un mois les dynamiques de propagation du virus dans toutes
les régions de France métropolitaine, et d'évaluer la charge qui pèsera sur les hôpitaux, notamment le
nombre de lits disponibles en soins intensifs et les besoins en ventilateurs.
Nous avons modélisé la propagation du COVID-19 du 10 mars au 14 avril dans toutes les régions de France
métropolitaine. Au niveau national, on estime que le nombre total de personnes infectées oscillera entre 222 872,
pour les prévisions les plus optimistes (R0 = 1,5), et 161 832, pour les plus pessimistes (R0 = 3). On attend entre 1
021 et 11 032 décès. Au niveau régional, si le scénario le plus pessimiste prévalait, les unités de soins intensifs de
toutes les régions seraient saturées. La dernière à l’être serait la région Centre-Val de Loire, le 12 avril. Dans le
scénario médian, sept régions pourraient manquer de lits en soins intensifs (R0 = 2,25) et, dans le
meilleur des cas, seulement une.
7Tableau 4 : Estimations du nombre de lits nécessaires en soins intensifs au 14 avril 2020, par région (R0 = 1,5 ; 2,25 ; 3).
Lits en soins intensifs Lits en soins intensifs équipés
de ventilateurs
Région R0 1,5 R0 2,25 R0 3 R0 1,5 R0 2,25 R0 3 Capacité totale des
unités de soins
intensifs
Corse 37 147 518 26 105 368 18
Grand-Est 414 1645 5782 294 1169 4111 465
Bourgogne-Franche-Comte 128 515 1843 91 366 1310 198
Bretagne 71 286 1032 51 204 734 162
Hauts-de-France 187 745 2646 133 530 1882 438
Auvergne-Rhône-Alpes 188 749 2682 134 533 1907 559
Ile-de-France 305 1205 4260 217 857 3029 1147
PACA 78 314 1134 56 223 806 460
Normandie 33 131 474 23 93 337 240
Pays de la Loire 24 96 346 17 68 246 181
Nouvelle-Aquitaine 47 191 692 34 136 492 412
Occitanie 54 216 780 38 153 554 474
Centre-Val de Loire 16 64 231 11 45 164 180
Dans les trois scénarios, mais avec une semaine de différence à chaque fois, la Corse pourrait être la
première région à voir ses unités de soins intensifs débordées en raison du faible nombre de lits (18).
Les deux autres régions dont les capacités seront dépassées peu de temps après sont le Grand-Est et la
Bourgogne-Franche-Comté, en dépit de leur nombre élevé de lits (465 et 198, respectivement).
Le risque de décès dû au COVID-19 dépend non seulement des caractéristiques propres au virus mais
aussi des capacités sanitaires, notamment des soins intensifs. Les capacités des unités de soins intensifs
italiennes, ainsi que de plusieurs hôpitaux français, sont déjà insuffisantes. Toutefois, peu d'études ont
tenté d'anticiper leurs besoins. Grasselli et ses collègues ont utilisé des modèles linéaires et exponentiels
pour estimer la demande en soins intensifs en Lombardie (Italie) entre le 7 mars et le 20 mars 28. Ils ont
conclu que le système de santé ne serait pas en mesure de faire face à une épidémie incontrôlée et qu'il
était indispensable de mettre en place des mesures de confinement. Remuzzi et Remuzzi ont élaboré des
modèles exponentiels et estimé que le système de santé italien pourrait être débordé d'ici le 14 mars 29 .
En France, même dans le meilleur scénario, les résultats obtenus montrent que les capacités des unités
de soins intensifs seront rapidement dépassées dans plusieurs régions. Faute de pouvoir traiter les
malades de manière adéquate, le nombre déjà élevé de décès pourrait encore augmenter.
Outre les limites inhérentes à chaque modèle de transmission, nos travaux comportent plusieurs limites
particulières. Des simulations ont été réalisées pour chacune des circonscriptions hospitalières mais nous
n'avons pas modélisé les mouvements de population entre lesdites circonscriptions. Une modélisation
est faisable en théorie mais elle n'est pas nécessaire dans ce contexte. Des cas d'infections ont déjà été
signalés dans la plupart des circonscriptions, ce qui signifie que la transmission du virus se fera
certainement essentiellement à l'échelle locale et non par transferts entre les circonscriptions. De plus,
des mesures de contrôle sont déjà en place pour limiter les mouvements de population. Nous ne
présentons des prévisions que sur un mois car, compte tenu du peu de données disponibles, il est difficile
d'établir des prévisions à long terme de manière fiable et de calibrer le modèle de l'épidémie en France.
Le facteur essentiel qui reste inconnu à ce jour est l'incidence potentielle de la saisonnalité sur les
dynamiques de transmission du COVID-19. Danon et ses collègues ont modélisé la transmission
saisonnière en introduisant un taux de transmission variant dans le temps21. Ils ont estimé qu'une
diminution de 50% de la transmission aux beaux jours permettrait de réduire l'épidémie avant l'été mais
8serait suivie d'une résurgence des cas durant l'hiver. Toutefois, on ne peut affirmer avec certitude que la
transmission du SARS-CoV-2 sera modifiée par les variations saisonnières. De nombreuses maladies
infectieuses, comme la grippe ou d'autres coronavirus, sont saisonnières, mais les nouveaux virus
peuvent se comporter différemment. Plusieurs experts suggèrent que l'incidence de la saisonnalité sur la
transmission du COVID-19 pourrait être très limitée30,31 , raison pour laquelle nous n'avons pas inclus ce
paramètre dans notre modèle pour le moment. Nous avons décidé de ne réaliser des simulations qu'avec
des valeurs de R0 comprises entre 1,5 et 3, car, selon Abbot et ses collègues, celles-ci semblent être les
estimations les plus fiables à l'heure actuelle20. Enfin, nous n'avons pas établi de distinction entre les cas
symptomatiques et asymptomatiques, contrairement à d'autres études dans lesquelles ceux-ci font l'objet
de deux catégories différentes (infections asymptomatiques et infections symptomatiques). Nous
pensons que, dans ce contexte, cette distinction n'est pas pertinente car notre étude ne porte ni sur la
détection, ni sur les mesures de contrôle. Cela ne devrait pas influer sur l'interprétation de nos résultats.
Concernant les prévisions sur le nombre de lits nécessaires en soins intensifs, les chiffres utilisés dans
cette étude sont théoriques et tirés de données annuelles 24, et peuvent différer des capacités actuelles
des unités de soins intensifs. Tout écart éventuel serait vraisemblablement minime et ne devrait pas
influer sur l'interprétation des résultats. Nous sommes partis de principe que la totalité des capacités
des soins intensifs seraient affectées au traitement des cas graves de COVID-19. En France, les unités de
soins intensifs ont un taux d'occupation de plus de 80% (données issues de communications
personnelles avec des médecins). Dans notre étude, nous avons supposé une importante réorganisation
des soins aux patients, doublant presque de moitié les capacités actuelles. Conformément à ce qui a été
observé dans d'autres pays, nous avons supposé une durée moyenne d'hospitalisation en soins intensifs
de 15 jours. Cette valeur peut varier d'un patient et d'un lieu à l'autre, et pourrait légèrement fausser nos
estimations du nombre de lits nécessaires en soins intensifs. Afin d'y remédier, nous prévoyons de
mettre à profit les données relatives à l'hospitalisation fournies par des agences régionales de santé, et
d'ainsi mieux évaluer les besoins en lits.
Nous avons limité notre modèle à la France métropolitaine, les régions d'outre-mer étant à un stade moins avancé
de l'épidémie pour le moment et les dynamiques de transmission étant susceptibles de différer. Enfin, il convient
de noter que la division spatiale du territoire français utilisée dans ce modèle ne reflète pas exactement le découpage
administratif des régions françaises car il est basé sur la fusion de chaque polygone de Voronoï représentant les
circonscriptions hospitalières rattachées à un centre de référence. Néanmoins, une telle division permettra peut-
être d'estimer la charge pesant sur les centres de référence, car il est fort probable que les patients seront aiguillés
vers eux en fonction de leur éloignement géographique et non du découpage administratif.
Afin d'atténuer l'épidémie, le Gouvernement français a annoncé une série de mesures nationales de plus en plus
restrictives. Le 29 février, les rassemblements dans des lieux confinés ont été limités à 5 000 personnes. Ce seuil a depuis
été revu à la baisse : 5000 personnes le 8 mars puis 100 personnes le 13 mars. Le 12 mars, les écoles et universités
ont été priées de fermer à compter du 16 mars et il a été recommandé aux personnes de plus de 70 ans
de se confiner volontairement chez elles et de prendre des mesures de distanciation sociale. Enfin, le 14
mars, le stade 3 de l'épidémie a été déclaré. Tous les espaces publics non essentiels (à savoir les magasins
autres qu'alimentaires, les restaurants, les bars...) ont été fermés, et la population a été encouragée à
rester chez elle et à limiter ses interactions sociales et ses déplacements autant que possible. Notre étude
n'a pas directement tenu compte de ces mesures d'atténuation mais leurs effets ont été évalués
indirectement en modifiant la valeur du taux de reproduction.
7 Conclusion
Bien que préliminaire, notre analyse révèle que, même dans le meilleur des cas, le système de santé
français sera très bientôt dépassé. Certes, les mesures de distanciation sociale drastiques peuvent
modifier nos résultats, mais il est impératif de réorganiser massivement les unités de soins intensifs
françaises et d'accroître leurs capacités afin de faire face à la vague de malades graves du COVID-19 à
venir.
98 Références
1 World Health Organization. Pneumonia of unknown cause – china. 2020. www.who.int/csr/don/05-
january-2020-pneumonia-of-unkown-cause-china/en/.
2 World Health Organization. WHO statement on novel coronavirus in thailand. 2020. https://www.who.
int/news-room/detail/13-01-2020-who-statement-on-novel-coronavirus-in-thailand.
3 Bernard Stoecklin S, Rolland P, Silue Y et al. First cases of coronavirus disease 2019 (covid-19) in
France: Surveillance, investigations and control measures, janvier 2020. Eurosurveillance 2020; 25.
DOI:https://doi.org/10.2807/1560-7917.ES.2020.25.6.2000094.
4 World Health Organization. WHO director-general’s statement on ihr emergency committee on novel
coronavirus (2019-nCoV). 2020. https://www.who.int/dg/speeches/detail/who-director-general-s-
statement-on-ihr-emergency-committee-on-novel-coronavirus-(2019-ncov).
5 World Health Organization. Naming the coronavirus disease (covid-19) and the virus that causes it.
2020. https://www.who.int/emergencies/diseases/novel-coronavirus-2019/technical-guidance/naming-
the-coronavirus-disease-(covid-2019)-and-the-virus-that-causes-it.
6 Santé publique France. Point épidémiologique -situation au 5 mars 2020 -15h. 2020. https://www.
santepubliquefrance.fr/maladies-et-traumatismes/maladies-et-infections-respiratoires/infection-a-
coronavirus/documents/bulletin-national/covid-19-point-epidemiologique-du-5-mars-2020.
7 World Health Organization. WHO director-general’s opening remarks at the media briefing on covid-19
- 11 march 2020. 2020. https://www.who.int/dg/speeches/detail/who-director-general-s-opening-
remarks- at-the-media-briefing-on-covid-19 11-march-2020.
8 Santé publique France. Point épidémiologique -situation au 10 mars 2020 à minuit. 2020. https:
//www.santepubliquefrance.fr/maladies-et-traumatismes/maladies-et-infections-
respiratoires/infection- a-coronavirus/documents/bulletin-national/covid-19-point-epidemiologique-
du-10-mars-2020.
9 World Health Organization. Report of the who-china joint mission on coronavirus disease 2019 (covid-19).
https://www.who.int/docs/default-source/coronaviruse/who-china-joint-mission-on-covid-19-final- report.pdf.
10 Liu T, Hu J, Kang M et al. Transmission dynamics of 2019 novel coronavirus (2019-nCoV). bioRxiv
2020. DOI:10.1101/2020.01.25.919787.
11 Wu JT, Leung K, Leung GM. Nowcasting and forecasting the potential domestic and international spread of
the 2019-nCoV outbreak originating in Wuhan, China: a modelling study. Lancet 2020; 395: 689–97.
12 Read JM, Bridgen JR, Cummings DA, Ho A, Jewell CP. Novel coronavirus 2019-nCoV: Early
estimation of epidemiological parameters and epidemic predictions. medRxiv 2020.
DOI:10.1101/2020.01.23.20018549.
13 Backer JA, Klinkenberg D, Wallinga J. The incubation period of 2019-nCoV infections among
travellers from wuhan, china. medRxiv 2020. DOI:10.1101/2020.01.27.20018986.
14 Li Q, Guan X, Wu P et al. Early transmission dynamics in wuhan, china, of novel coronavirus–
infected pneumonia. New England Journal of Medicine; 0: null.
15 Zhao S, Lin Q, Ran J et al. Preliminary estimation of the basic reproduction number of novel
coronavirus (2019-nCoV) in China, from 2019 to 2020: A data-driven analysis in the early phase of the
outbreak. Int J Infect Dis 2020; 92: 214–7.
16 Riou J, Althaus CL. Pattern of early human-to-human transmission of Wuhan 2019 novel
10coronavirus (2019-nCoV), December 2019 to January 2020. Euro Surveill 2020; 25.
17 Li M, Chen P, Yuan Q, Song B, Ma J. Transmission characteristics of the covid-19 outbreak in china:
A study driven by data. medRxiv 2020. DOI:10.1101/2020.02.26.20028431.
18 Guan WJ, Ni ZY, Hu Y et al. Clinical Characteristics of Coronavirus Disease 2019 in China. N Engl J
Med 2020; published online Feb.
19 Zhou X-H, Author F, You Yuhao Deng Wenjie Hu Jiarui Sun Qiushi Lin Feng Zhou Cheng Heng
Pang Yuan Zhang Zhengchao Chen C. The Lancet Public Health Estimation of the Time-Varying
Reproduction Number of COVID-19 Outbreak in China. 2020. https://ssrn.com/abstract=3539694.
20 Sam Abbott JDM Joel Hellewell. Temporal variation in transmission during the COVID-19
outbreak. 2020. https://cmmid.github.io/topics/covid19/current-patterns-transmission/global-time-
varying- transmission.html.
21 Danon L, Brooks-Pollock E, Bailey M, Keeling MJ. A spatial model of covid-19 transmission in
england and wales: Early spread and peak timing. medRxiv 2020. DOI:10.1101/2020.02.12.20022566.
22 Pinotti F, Di Domenico L, Ortega E et al. Lessons learnt from 288 covid-19 international cases:
Importations over time, effect of interventions, underdetection of imported cases. medRxiv 2020.
DOI:10.1101/2020.02.24.20027326.
23 INSEE. Les résultats des recensements de la population.
24 DREES. Statistique annuelle des établissements de santé (SAE). https://www.sae-
diffusion.sante.gouv. fr/sae-diffusion/accueil.htm.
25 Prem K, Cook AR, Jit M. Projecting social contact matrices in 152 countries using contact surveys
and demographic data. PLOS Computational Biology 2017; 13: 1–21.
26 Yang X, Yu Y, Xu J et al. Clinical course and outcomes of critically ill patients with SARS-CoV-2
pneumonia in Wuhan, China: a single-centered, retrospective, observational study. Lancet Respir Med 2020;
published online Feb.
27 Task force COVID-19 del Dipartimento Malattie Infettive e Servizio di Informatica. Sorveglianza
integrata covid-19 in italia. 2020. https://web.archive.org/web/20200314180814/https://www.epicentro.
iss.it/coronavirus/bollettino/covid-19-infografica_ita.pdf.
28 Grasselli G, Pesenti A, Cecconi M. Critical Care Utilization for the COVID-19 Outbreak in
Lombardy, Italy: Early Experience and Forecast During an Emergency Response. JAMA 2020;
published online March. DOI:10.1001/jama.2020.4031.
29Remuzzi A, Remuzzi G. COVID-19 and Italy: what next? Lancet Health Policy 2020.
30Lipsitch M. Seasonality of sars-cov-2: Will covid-19 go away on its own in warmer weather? https:
//web.archive.org/web/20200314112820/https://ccdd.hsph.harvard.edu/will-covid-19-go-away-on-its-
own-in-warmer-weather/.
31 Cohen J. Why do dozens of diseases wax and wane with the seasons—and will covid-19? https:
//web.archive.org/web/20200314133613/https://www.sciencemag.org/news/2020/03/why-do-dozens-
diseases-wax-and-wane-
11Vous pouvez aussi lire
