Comment la géographie de la santé peut-elle contribuer à l'étude du COVID-19?

Techniques et méthodes d’analyse spatiale transposables à l’étude

du COVID-19 en Géographie de la santé :

1- Informations générales concernant le projet :

Réalisation :

Thomas BOYER

Licence 3 Géographie et Aménagement du territoire

thomasjeanmathias@gmail.com

Correctrice : Sandra PEREZ

Cette étude a été menée dans le cadre d’un devoir en « Géographie de la santé » ayant pour thème la détermination d’un processus d’analyse du COVID-19 mêlant des techniques et méthodes d’analyse spatiale aux concepts de la géographie de la santé.

Temporalité :

Début de l’étude : Avril 2020

Fin de l’étude : Mai 2020

2- Contexte problématique :

2.1 : Etat de l’art

L’analyse spatiale en tant qu’outil d’analyse dans le cadre d’une pandémie est utilisée principalement, bien qu’il y en sûrement d’autres, par deux secteurs, l’épidémiologie et la géographie de la santé, qui ont chacune des objectifs parfois similaires mais respectifs. L’épidémiologie n’est pas spatialisée, l’analyse spatiale vient en complément à l’analyse statistique employée(0). A contrario, la géographie de la santé synthétise toutes données à propos du territoire, ce dernier socle de l’étude, et elle dépasse à de nombreux égards la simple analyse spatiale qui n’est qu’une partie du système analytique géo-systémique en géographie de la santé(0).

En épidémiologie par exemple, il y a une mise en place d'une surveillance spatialisée des malformations congénitales à La Réunion(1). Cette surveillance concerne directement l’épidémiologie qui il faut le rappeler est une discipline scientifique dont l’objet est l’étude de la fréquence des problèmes de santé au sein d’une population humaine et de leurs causes, son objectif comme précédemment dit est de quantifier l’état de santé des populations. Le diabète par exemple est la plus grande pandémie mondiale non contagieuse. Pour en revenir aux malformations congénitales, l’étude publiée en 2018 dans le BEH (Bulletin Epidémiologique Hebdomadaire) de l’institut de veille sanitaire de Saint-Maurice (Val-de-Marne)(1) consiste en un recueil exhaustif des cas de malformations congénitales et en l'analyse temporelle de leur survenue. Les données recueillies ont été géocodées pour contribuer à une surveillance spatialisée qui attribuera à chaque cas un adresse mère. Les cas sont ensuite agrégés selon différentes échelles administratives qui sont déterminées par une loi de Poisson qui permet d’ajuster la taille des échantillons à étudier pour obtenir une analyse statistique significative et correctement géolocalisable par la suite. Cette étude a donc permis de géolocaliser 95% des cas et de rendre compte de l’hétérogénéité de répartition des cas les plus fréquents à la Réunion1.

En géographie de la santé, l’étude réalisée par Fabrice Decoupigny, Sandra Perez et Yordanova Diana en 2007(2), qui vise à rendre compte des inégalités d’accès aux soins dans les Alpes du Sud qui impacteraient directement la gestion d’une pandémie comme le COVID-19. L’utilisation d’un modèle issu de la théorie des graphes ou modèle gravitaire de graphe(2) sera le socle principal de cette étude qui sera axée sur trois aspect principaux qui sont : la densité, la localisation spatiale de l’offre de soins et le temps nécessaire à la population pour y accéder. Ils partent de l’hypothèse que l’état de santé se maintient d’autant plus facilement que l’accès aux soins est aisé et prouvent à l’aide de modélisations cartographiques mises en place à l’aide de cartographies et de graphes routiers des Alpes du Sud qu’il y a une inégalité d’accès aux soins. Ils mettent donc en évidence des espaces qui se caractérisent par des densités démographiques faibles, des indices de vieillesse de la population importants, une offre sanitaire pratiquement absente, et par conséquent une accessibilité aux soins faible(2) dans certaines parties des Alpes du Sud.

2.2 : Recherches et hypothèses

Analyser un phénomène de santé nécessite la prise en compte de nombreux paramètres qui concernent autant les caractéristiques individuelles des individus mais aussi d’autres paramètres découlant du comportement, des relations des individus avec leurs entourage et leur environnement, mais aussi des interactions qu’ils entretiennent au quotidien sur un territoire et avec le territoire. Pour appréhender, décrire et analyser de façon rétrospective ou prospective ces phénomènes il est nécessaire d’employer des outils statistiques très utiles pour mettre en place des niveaux de regroupement et des classifications ouvrant la voie à un résultat significatif. Les statistiques ne suffisent que rarement, et pour réellement analyser la répartition et l’évolution dans l’espace d’un phénomène de santé, il faut obligatoirement passer par les outils de géomatique permettant l’élaboration de modèles cartographiques, de modèles dynamiques de prévision répondant à différents scénarios prospectifs ou aidant à l’élaboration de scénarios prospectifs, mais encore aidant à retracer avec une exactitude souvent variable (selon les données) l’évolution d’une épidémie sur un territoire déterminé(5). En ce sens il est crucial d’avoir une vision systémique prenant en compte l’ensemble des interactions spatiales des populations et individus entre eux et avec le territoire. Pour cela il est nécessaire de croiser une multitude de domaines de compétences comme la géographie, la biologie, la médecine, l’épidémiologie, la climatologie, les mathématiques, les sciences sociales (économie, sociologie, anthropologie, géographie…), et bien d’autres encore. Cette longue liste traduit la nature exhaustive de l’analyse en géographie de la santé d’un phénomène de santé publique. Au-delà des compétences, il faut donc avoir une certaine vision de la santé publique qui mis à part les nombreux domaines de compétences nécessités doit aussi prendre en compte des facteurs qui vont impacter de façon certaine l’évolution d’une pandémie. Ces facteurs sont souvent appelés facteurs de risques(5), qui se divisent en plusieurs catégories :

· Il y a les sous-facteurs composant le facteur de vulnérabilité active d’un individu à

l’épidémie par exemple, qui dépendent du comportement de l’individu, des différents

choix qu’il va faire durant sa journée et des risques qu’il prend consciemment ou non

pendant une crise épidémique.

· Il y a aussi la vulnérabilité passive, qui se traduit par tout ce qui rend l’individu

vulnérable au virus ne relevant pas de ses choix et de son comportement. Par

exemple les conditions de vie liées à la localisation de son domicile ou lieu de travail

et en conséquent le nature aggravante ou atténuante de l’environnement dans lequel

l’individu se trouve (pollution, accès au soin, stress, densité de population, proximité

sociale entre les habitants…).

· Il y a aussi les sous-facteurs composant le facteur de susceptibilité d’un individu

face au virus, qui sont exclusifs à chaque individu dans les proportions. Ces facteurs

dépendent par exemple dans le cas du COVID-19 de la capacité défensive de son

système immunitaire, de son IMC traduisant souvent si oui ou non l’individu est en

situation d’obésité, de son alimentation, de son âge (personnes âgées plus

vulnérables au COVID-19), de sa consommation de tabac et d’alcool… Ces sous-

facteurs augmentent de façon significative l’impact du COVID-19 sur l’organisme.

· Il y a aussi tout simplement la présence du virus qui est déterminée généralement

par des modélisations, et des statistiques s’appuyant sur des probabilités de

présence ou non du COVID-19 par exemple en fonction des différents types de

vecteurs se trouvant sur la zone mais aussi des autres éléments permettant le

développement et la prolifération du virus sur le territoire.

Force est de constater ici que les facteurs actifs sont très instables dans l’espace-

temps à l’opposé des facteurs passifs qui eux sont plus stables. Différenciés de cette façon, cela permet une meilleure préventive, anticipation mais surtout une meilleure action sur ces facteurs et donc une meilleure gestion de la crise épidémique dans son entièreté. Il faut donc partir sur ce type d’analyse et émettre l’hypothèse qu’il faut cibler les enjeux importants du système territorial en termes de vulnérabilité mais aussi d’améliorer efficacement les actions réduisant le facteur risque par rapport au COVID-19 sur le territoire. L’objectif sera donc ici de déterminer dans quelles mesures les méthodes d’analyse spatiales en géographie de la santé pourront-elles aider à l’étude du COVID-19. Pour cela il faudra trouver une méthode d’analyse spatiale qui de concorde avec la géographie de la santé puisse être efficace et apporter une réelle plus-value à la lutte contre le COVID-19. Cela se fera en deux volets :

· Analyser les procédés généraux employés par le duo analyse spatiale / géographie

de la santé.

· Sélectionner une méthode d’analyse spatiale et voir dans quelles mesures elle sera

efficace dans la lutte contre le COVID-19 en concorde avec la géographie de la santé.

3- Méthodologie :

Pour réaliser cette étude, une profonde analyse bibliographique est nécessaire. D’une part avec les sources fournies directement par la correctrice de ce devoir, et d’une autre par une recherche plus approfondie sur des moteurs de recherche scientifiques et bibliographiques comme « HAL » et « Isodore » par exemple. La compréhension et l’analyse sont les seuls facteurs réellement déterminants pour cette étude, car ils permettront d’en déduire l’utilité d’une méthode d’analyse spatiale en géographie de la santé pour l’étude du COVID-19.

Il a donc dans un premier lieu été analysé des études concernant la géographie de la santé portant sur plusieurs thématiques comme l’obésité(8), les inégalités sociales(2), ou concernant des aléas naturels comme la tempête Xintia(6). Puis des thèses, articles scientifiques, extraits d’ouvrages concernant la géographie de la santé et son rapport à l’analyse spatiale, ses différentes problématiques (Voir références).

4- Résultats des recherches :

4.1 : La gestion du risque

Tout d’abord, pour comprendre l’application en géographie de la santé il faut comprendre ce qui devrait ressortir de cette dernière en termes de gestion du risque COVID-19. L’étude des différences spatiales de la gestion du risque est au cœur de la géographie de la santé et donc à partir de données observées, de statistiques et de modélisations géomatiques il est déjà possible dans un premier temps d’appliquer une préventive qui se traduit généralement par une réduction des facteurs de risques.

· Réduire la vulnérabilité de chaque individu.

· Réduire l’exposition de chaque individu au virus en situation normale, mais aussi en

situation d’urgence si le virus impacte fortement de manière localisée une population.

· Eliminer le virus, même si cela n’est actuellement pas possible, il faudra l’envisager

immédiatement dès qu’un moyen fiable se présentera.

· Réduire la susceptibilité de chaque individu.

Comme précédemment dit, pour appliquer ces mesures, il faudra prendre en compte de manière exhaustive tout ce qui peut influencer la vulnérabilité de la population au coronavirus et ceux de manière spatialisée. Par exemple, il faut localiser les relations spatiales antérieures à leurs mise en quarantaine des personnes atteintes du COVID-19 pour pouvoir anticiper les potentielles zones qui ont déjà ou vont bientôt être contaminées, mais encore plus important détecter de nouveaux foyers de contagion.

4.2 : Localiser les personnes contaminées, une étape complexe

L’influence des relations spatiales entre individus est donc déterminante pour la gestion du risque et l’étude du COVID-19 en géographie de la santé. Mais comment donc repérer ces relations ? Il faut repérer en premier les facteurs de vulnérabilité et localiser au maximum les porteurs du COVID-19, cette dernière tâche étant d’une grande difficulté en raison de la mobilité des individus mais surtout de la difficulté à déterminer ou prévoir leurs positions. Pour pallier cela, il est possible d’utiliser des probabilités, ces dernières n’étant pas fiables à 100% il faut les compléter en faisant des sondages auprès de la population et des porteurs localisés du virus, mais encore une fois les données restent approximatives et ne peuvent fournir avec exactitude une trajectoire exacte de la propagation du COVID-19. Il faut prendre en compte aussi que la durée d’incubation du virus est de quatorze jours ce qui pour les personnes tardant à voir apparaitre les premiers symptômes peut les amener à fournir des données inexactes ou trop approximatives.

Il faudra donc prendre en compte dans l’analyse spatiale des données ce degré d’erreurs qu’elles possèdent.

4.3 : Les principes d’analyse de la dynamique de diffusion spatiale du COVID-19 selon un modèle « centre-périphérie » sur un territoire :

Il s’agira donc ici de trouver selon un modèle de « centre périphérie » l’ensemble des processus qui concourent au déplacement et à la migration dans l’espace géographique du COVID-19 et aux effets de retour que ce déplacement engendre dans l’espace. Donc il faudra de montrer que la diffusion COVID-19 répond à une loi spatiale sur un segment temporel déterminé disant que la contamination d’un territoire voit le jour dans un cluster pour ensuite se diffuser vers la périphérie. Pour continuer dans ce sens il faut tout d’abord prendre connaissance de plusieurs paramètres :

· Les structures spatiales du territoire jouissant d’une certaine inertie temporelle.

· Le(s) vecteur(s) du COVID-19 : les humains, microparticules, objets ou autres ayant

été en contact direct avec un contaminé.

· Les réservoirs du COVID-19 : les humains, possiblement certaines espèces animales

(pangolins, chauve-souris…) mais cela reste à vérifier.

· Les aménités du territoire étudié, et tout ce qui s’y trouve, à contribuer à la

propagation du virus ou à l’enrayer :

o Les innovations permettant aux porteurs du virus de le propager plus ou

moins rapidement contre leur volonté bien sûr.

o Existence de milieux ou de conditions sur le territoire qui favorisent la

propagation du virus

o L’existence ou non de mesures, ou d’éléments pouvant interrompre

brutalement la propagation du virus : barrières.

· La distance réelle et non métrique entre les individus voisins : partir de la distance

métrique et y corréler des variables sociales par exemple pouvant accentuer ou

réduire cette distance entre deux individus voisins ou groupes d’individus voisins.

· La densité des structures spatiales et leurs évolutions et variations en fonction de la

distance au centre de propagation du virus.

· Les interactions spatiales entre les individus.

· Les interactions spatiales se au sein de l’environnement des individus, en lien direct

ou indirect avec le COVID-19.

Une fois ces paramètres clarifiés, il ne faut pas oublier de prendre en compte l’effet de taille du centre de propagation. Plus le centre d’émission est grand, plus la diffusion du virus sera élevée (3). Mais aussi il faut prendre en compte la nature multiscalaire de la propagation du virus qui se modifie d’un échelon géographique à l’autre. La diffusion spatiale dans le temps et l’espace obéit à quatre règles préétablies qui sont repérables sur une courbe (3) :

· Premièrement il y à l’amorce de la diffusion du virus. La diffusion introduit donc une

différenciation dans l’espace, et différencie les lieux qui ont des porteurs localisés du

COVID-19 des autres lieux.

· Dans un second temps il y a l’étape d’expansion. C’est la période de développement

du virus sur le territoire, qui se traduit par une réduction progressive des contrastes

entre lieux et donc entre le centre et la périphérie.

· Dans un troisième temps il y a l’étape de condensation, la pénétration dans les

différents lieux tend à devenir homogène. Aussi il faut noter que les vitesses de

diffusion du virus se rapprochent.

· La dernière étape, dite étape de saturation est celle au cours de laquelle le taux de

pénétration du virus augmente de manière asymptotique vers un maximum.

Tout l’intérêt ici est de pouvoir mettre en place une modélisation capable de prévoir la diffusion spatiale du virus avant qu’elle ne devienne trop aléatoire (stade très avancé).

4.4 : Contextualisation de la méthode centre-périphérie pour le COVID-19 à Nice

Il s’agira donc de fournir une modélisation de la diffusion du COVID-19 sur le territoire niçois à partir d’un cluster qui pourrait être un pôle d’échange (aéroport, gare…), un lieu touristique très attractif ou tout autres lieux où se mêlent facteurs endogènes et exogènes, les facteurs exogènes étant les principaux importateurs du virus sur le territoire niçois. Il est possible pour réaliser cette étude centre-périphérie d’employer la théorie des graphes qui permettra de mettre en place le ou les chemins les plus courts de propagation du COVID-19 dans la commune de Nice, cette modélisation une fois pondérée, par les masses de population en interaction et par les masses qui les séparent, fournirait alors un modèle gravitaire sur graphe(4) comme le WP1 Modélisation spatiale des flux de population du projet ModEus4. Un tel modèle, auquel sont ajoutées d’autres variables comme le nombre de personnes en situation d’obésité ou le nombre de fumeurs, permettrait de prévoir plusieurs scénarios d’interactions en fonction des données fournies et du paramétrage et d’établir une analyse prospective et même rétrospective du parcours du COVID-19 dans la ville de Nice. Les paramètres à prendre en compte et les points à ne pas négliger ont déjà été pris en compte dans les paragraphes précédents.

5- Discussion et conclusion :

5.1 : Discussion

L’analyse spatiale et la géographie de la santé sont très certainement d’une grande utilité pour l’étude du COVID-19 car de concordent elles permettent de prendre en compte l’évolution du virus sur le territoire grâce à des techniques de modélisation comme le modèle gravitaire sur graphe(4) qui prennent en compte une grande quantité de variables et mettent au centre de leurs analyse le territoire dont il est fait une synthèse des données compatibles avec la technique de modélisation employée. Ce type d’étude est réellement géographique et permettrait donc d’anticiper efficacement l’expansion du COVID-19 et donnerait aux dirigeants des données fiables leurs permettant de prendre des décisions correctes et justifiées pour la gestion d’une éventuelle crise COVID-19 sur le territoire, mais au-delà de cela ce modèle doit avant tout servir à éviter ce type de crise, bien entendu.

Là où les choses se compliquent c’est qu’il est difficile de prendre en compte l’ensemble des paramètres, mais surtout il est difficile dans certains cas d’avoir des données exactes, lors des sondages, des questionnaires, de la géolocalisation sur la mobilité de l’ensemble des individus (voir 4.2). Il faut souvent passer par des probabilités qui fournissent des résultats parfois satisfaisants mais rarement très exactes. Et ceux peu importe le domaine, il relève de l’impossible pour le moment pour toutes les sciences de prédire l’avenir, mais anticiper « les » probables avenirs reste possible et donne à la géographie de la santé couplée à la modélisation spatiale une puissance scientifique peu négligeable.

5.2 : Conclusion

Il faut donc considérer la modélisation spatiale en géographie de la santé comme un des outils les plus efficaces de gestion de la crise COVID-19 sur un territoire en raison des modèles de diffusions qui peuvent être produits avec un fort taux d’exactitude mais étant donné que cette exactitude n’est pas complète, ce qui est totalement excusable, il faut tout de même dire que la prévention la plus efficace restera le bon sens et le civisme de chaque individu qui ces derniers en respectant les règles sauvent de manière immédiate et sans aucun coût des vie, à condition que les règles édictées par les élites dirigeantes soient profondément réfléchies et correctes.

Références :

0 : ALBERT (D.), GESLER (W.), LEVERGOOD (B.) - Spatial analysis, GIS, and remote sensing applications in the health sciences. - Ann. Arbor Press (2000).

1 : Hanitra Randrianaivo, Bénédicte Bertaut-Nativel, Mathilde André, Mireille Irabe, Pierre-Yves Robillard, et al.. Mise en place d'une surveillance spatialisée des malformations congénitales à La Réunion : choix méthodologiques. Bulletin Epidémiologique Hebdomadaire - BEH, Saint-Maurice (Val de Marne) : Institut de veille sanitaire, 2018. ⟨hal-01726095⟩

2 : Decoupigny, Fabrice & Sandra, Perez & Yordanova, Diana. (2007). Modélisation de l’accessibilité aux soins : application à l’espace transfrontalier des Alpes-du-Sud. Territoire en mouvement. 47-60. 10.4000/tem.886.

3 : andry, L. (1987). Compte rendu de [Saint-Julien, Thérèse (1985) La diffusionspatiale des innovations. Montpellier, GIP RECLUS, 37 p.] Cahiers de géographiedu Québec, 31 (84), 486–487. https://doi.org/10.7202/021902ar

4 :https://www.researchgate.net/profile/Perez_Sandra2/publication/270031091_Modelisation_de_l%27accessibilite_aux_soins_application_a_l%27espace_transfrontalier_des_Alpes-du-Sud/links/56b8bfc508ae20050d7e3651/Modelisation-de-laccessibilite-aux-soins-application-a-lespace-transfrontalier-des-Alpes-du-Sud.pdf?origin=publication_detail

5 : Vigneron Emmanuel. La géographie de la santé : un agenda qui se précise. In: Espace, populations, sociétés, 1995-1. La géographie de la santé en question. pp. 31-41.

6 : Vinet, F., Boissier, L. & Defossez, S. (2011). La mortalité comme expression de la vulnérabilité humaine face aux catastrophes naturelles : deux inondations récentes en France (Xynthia, var, 2010). [VertigO] La revue électronique en sciences de l’environnement, 11 (2).

7 : Marc Souris - « Épidémiologie et géographie : Principes, méthodes et outils de l’analyse spatiale » - Editions ISTE – 2019 – p16-20

8 : Juan Merlo - « Contextual Influences on the Individual Life Course : Building a Research Framework for Social Epidemiology » - Psychosocial Intervention Volume 20, Issue 1, April 2011, Pages 109-118