TousAntiCovid : efficacité en chiffres
StopCovid maintenant renommé TousAntiCovid après quelques améliorations cosmétiques continue à montrer son inefficacité, malgré une autosatisfaction des autorités à son sujet.
Je n’aborderai pas ici les questions (légitimes) de la collecte de données, d’un fonctionnement centralisé ou pas, ou l’épineux sujet du bluetooth opérant plus ou moins bien avec ou sans les API d’Apple et Google, mais uniquement sur une approche chiffrée de son efficacité ou inefficacité globale (à l’échelle de l’ensemble de la population).
Oui, les téléchargements et activations ont repris depuis ce renommage et surtout depuis que nous sommes à nouveau submergés par la marée montante qui a remplacé la vague du printemps et ce confinement en version 2.0 lui aussi.
Le but de ces applications : identifier rapidement les cas contact
Elles s’inscrivent dans une politique tester-tracer-isoler qui vise soit à réduire la propagation du virus (stratégie d’atténuation), soit à la stopper (la suppression).
Le virus a un R0, son taux de reproduction naturel, très élevé qui fait qu’il se propage vite, très vite. Le timing dans le tester-tracer-isoler est donc un facteur essentiel pour ne pas se laisser déborder et une appli qui établi par avance la liste des contacts qu’une personne a pu avoir permet de gagner le temps perdu sinon à établir cette liste pour informer ces contacts.
C’est ce qu’explique une étude de l’Université d’Oxford, souvent citée en référence pour justifier l’utilité de ces applis de traçage, sur le papier c’est parfait… mais le diable se cache comme bien souvent dans les détails !
Cette étude porte avant tout sur un point très important : le timing.
On voit sur ces graphiques, l’efficacité potentielle en fonction du délai entre un test positif et l’isolement de la personne.
Que dit la légende de ces graphiques ?
The efficacy of contact tracing (the y axis of Fig. 3) is the square of the proportion of the population using the app, multiplied by the probability of the app detecting infectious contacts, multiplied by the fractional reduction in infectiousness resulting from being notified as a contact.
Oui, c’est clair et quasi évident, l’efficacité de ces applis dépend du carré du pourcentage de la population qui les utilise !
En effet, si seulement 10% de l’ensemble de la population utilise l’app (qu’on considère par ailleurs fonctionner parfaitement), on ne pourra détecter que 10% de leurs contacts, vu que seuls 10% ont aussi l’app… or 10% de 10% cela ne fait qu’1% de cas contact que l’app pourra donc mathématiquement détecter, pas plus.
Pour globalement détecter un cas contact sur deux, il faudrait que 70% de la population utilise l’app (0,7 x 0,7 = 0,49), c’est-à-dire que la totalité des possesseurs de smartphone l’utilise et ait un smartphone totalement compatible (ce qui n’est pas le cas).
L’article indique aussi qu’un taux de 80% d’adoption par l’ensemble de la population (donc 56% de cas contact identifiés, chiffre cité par l’étude) serait nécessaire pour assurer une suppression complète du virus si tout se fait parfaitement pour le reste (tester ET isoler). Autant dire une utilisation rendue obligatoire pour atteindre un tel objectif…
Revenons aux 10% d’adoption car c’est à peu près le taux d’adoption de TousAntiCovid aujourd’hui en France et donc théoriquement notre app souveraine ne peut détecter que de l’ordre de 1% des cas contact si tout fonctionne parfaitement par ailleurs.
Voilà pour la théorie, vérifions dans la pratique !
Vérifions en chiffres l’efficacité de TousAntiCovid
Une amélioration de l’app est la fourniture de chiffres réguliers sur l’épidémie, mais aussi sur le fonctionnement global de l’appli elle-même : nombre d’enregistrements “nets” (téléchargement avec activation), le nombre de cas positifs déclarés et le nombre de cas contact notifiés par l’app. Un effort de transparence bienvenu !
Ces chiffres sont des cumuls, mais en les conservant jour après jour, on peut les comparer aux autres chiffres quotidiens qui permettent de suivre la dynamique de l’épidémie.
Ainsi, sur la semaine passée, j’ai noté 13477 cas déclarés pour 5132 cas notifiés et 7.8M d’utilisateurs potentiels.
5132 / 13477 = 0.38
Pour un cas positif, on n’arrive donc qu’à identifier 0.38 cas contact, là où les chiffres du contact tracing manuel fait par les CPAM indiquaient en mai (période où le tracing n’était pas débordé) une moyenne de 2.8 cas contact identifiés soit 7 fois plus !
0.38 / 2.8 = 0.136 = 13.6%
C’est donc seulement 13.6% des cas contact d’un utilisateur de l’appli qui sont identifiés, un peu plus que les 10%, ce qui peut s’expliquer par un biais : nos contacts nous ressemblent et ont donc potentiellement eux aussi un smartphone et un peu plus installé l’appli que la moyenne.
Comparons maintenant aux chiffres de la population totale: sur cette même semaine, il y a eu 329869 nouveaux cas positifs confirmés.
Ces cas positifs ont chacun potentiellement 2.8 cas contact, soit un peu moins d’1 million de cas contact. L’appli a notifié 5132 cas contact sur un peu moins d’un million, soit une efficacité de 0.55% (car c’est son objectif), bien moins que le 1% théorique.
D’où vient la différence ?
Regardons les déclarations des cas positifs… 13477 ont été déclarés par nos 10% de la population utilisant l’appli, sauf qu’il y aurait dû y avoir 10% des 329869 soit plutôt 32987 déclarations et pas 13477.
Il manque 60% des déclarations, ce qui explique ce 0.55% de cas notifiés constatés au lieu du 1% théorique.
Conclusion
TousAntiCovid ne permet de notifier actuellement que de l’ordre de 0,55% des cas contact, pour deux raisons :
- le taux d’adoption de l’ordre de 10% qui ne permet au mieux que d’identifier 1% des cas contact,
- le faible taux de 60% des déclarations en cas de test positif, qui réduit d’autant les possibilités de notification à leurs cas contact.
Même en améliorant les deux facteurs : taux d’adoption ET taux de déclaration, les cas contacts identifiés et notifiés resteront mathématiquement à un niveau marginal en regard du nombre global de cas confirmés et cas contact quotidiens.
Ceci explique que sauf une utilisation rendue obligatoire et quel que soit le protocole ou la technologie mise en œuvre, ces applications de traçage n’ont aucune efficacité significative pour lutter contre la propagation du virus à cause d’un R0 élevé et de son cycle de contagiosité. Elles peuvent de plus procurer un faux sentiment de solution à un réel problème.
Complément, à l’aide de la note de l’INSERM du 22 octobre 2020
Une équipe de l’INSERM a publié une “note [qui] vise à évaluer la performance de StopCovid en adoption et son impact épidémiologique”.
Elle met en avant dans son résumé des chiffres assez élevés d’impact et conclu dans son résumé : “Avec une adoption de l’appli par 30% de la population, chaque personne se déclarant comme un cas de COVID-19 dans cette application permettrait à 37% de ses contacts de ne pas retransmettre le virus, démontrant tout l’intérêt d’une large adoption et utilisation.”
J’ai mis en gras le “de ses contacts”, car cela permet donc de confirmer que 37% des contacts de 30% de la population ayant adopté l’appli cela ne fait que 11.1% de la population pouvant être identifiée comme cas contact par l’appli.
11% ce n’est pas ridicule, mais l’impact reste bien plus limité que le chiffre de 37% artificiellement mis en avant et qu’une fourchette de 9.5 à 15% est indiquée plus bas comme “fraction de transmission évitée (dans l’ensemble population)” pour 30% d’adoption dans la population… dans laquelle on retrouve nos 11%.
Avec l’adoption actuelle, la note modélise une réduction de l’ordre de 5% des contaminations, donc assez marginale.
Par ailleurs, elle compare comme je l’ai fait les cas positifs recensés sur SIDEP et ceux déclarés sur StopCovid et trouve un taux de 47% du même ordre que les 60% que j’évalue avec des données plus récentes.
