Un modèle compartimental épidémiologique (par ex. SIR, SEIR) dans lequel les transitions entre compartiments et les événements sont représentés comme des processus stochastiques (par exemple chaînes de Markov en temps continu, processus de Poisson ou algorithmes de Gillespie), produisant des distributions de probabilité des trajectoires d'épidémie plutôt qu'une seule trajectoire déterministe.

Principe

Lorsque les effectifs sont faibles ou que les événements sont discrets, la variation aléatoire des transmissions, guérisons et introductions peut influencer de manière significative les résultats : les modèles stochastiques produisent des distributions (y compris des probabilités d'extinction précoce) et quantifient des incertitudes que les modèles déterministes moyennent.

Démonstration

Scénario illustratif → Un petit troupeau avec un oiseau index infecté : une implémentation stochastique SIR montre une probabilité non nulle que l'infection s'éteigne sans cas secondaires alors que le modèle déterministe correspondant prédit une croissance ; répéter de nombreuses simulations stochastiques fournit une distribution des tailles et durées d'épidémie pour évaluer le risque.

Mauvaise application

Considérer une seule exécution stochastique comme représentative ou appliquer des règles seuils déterministes (par ex. R0>1) sans prendre en compte la distribution des issues. L'erreur consiste à confondre une réalisation unique ou des seuils de champ moyen avec l'éventail possible de trajectoires stochastiques.

Conséquence

Les modèles compartimentaux stochastiques fournissent des probabilités quantifiées d'événements rares (extinction, surdispersion) et des intervalles pour les métriques d'épidémie, ce qui informe la sensibilité de la surveillance, les règles de déclenchement et la planification ; ils exigent la représentation explicite de l'aléa, de nombreuses réplicas de simulation et un traitement attentif de l'incertitude des paramètres.

Inversion

Dans des populations très grandes et bien mélangées ou sur des horizons temporels longs, les fluctuations stochastiques s'annulent et les modèles déterministes approchent fidèlement le comportement attendu ; dans ces régimes, le détail stochastique peut être inutile pour certaines tâches de planification.

Limite

Clairement inclus : systèmes où les événements discrets, les petites tailles de population ou des introductions rares influent sur les issues (par ex. petits cheptels, phase initiale d'une épidémie). Cas limite : tailles de population intermédiaires où les effets stochastiques existent mais le comportement moyen reste informatif. Clairement exclu : dynamiques endémiques à grande échelle dans des populations très vastes où les modèles déterministes rendent adéquatement les tendances moyennes.

Tension sémantique

Complexité de calcul et interprétabilité (les modèles stochastiques nécessitent de nombreuses exécutions et une interprétation probabiliste) ↔ fidélité à l'incertitude et aux dynamiques d'événements rares (les modèles stochastiques capturent les probabilités d'extinction et la variabilité que manquent les modèles déterministes).

Synthèse

Recourir aux modèles compartimentaux stochastiques lorsque des événements discrets, de faibles effectifs ou des issues rares d'intérêt politique sont déterminants ; interpréter les résultats comme des distributions de trajectoires possibles et non comme des prévisions uniques, et communiquer l'incertitude en conséquence.