- En 2024, une équipe de chercheurs des Centres américains pour le contrôle et la prévention des maladies (CDC) a analysé 24 épidémies d’Ebola survenues entre 2001 et 2022 à l’aide d’un modèle d’apprentissage automatique. Leurs travaux visaient à identifier les variables géographiques et autres facteurs communs à ces flambées.
- Les chercheurs ont constaté que la déforestation et la fragmentation des forêts figuraient parmi les principaux facteurs prédictifs de l’apparition de foyers d'Ebola.
- Carson Telford, responsable de l’étude, a expliqué à Mongabay que ce type de modélisation permet de renforcer la communication et la préparation aux épidémies, telles que celle qui sévit actuellement dans l'Est de la République démocratique du Congo et en Ouganda.
L’épidémie d’Ebola due au virus Bundibugyo a déjà fait au moins 49 morts en Afrique centrale et en Afrique de l’Est, poussant les autorités sanitaires à mener une course effrénée pour enrayer sa propagation.
Mais que ce serait-il passé si elles avaient pu anticiper le foyer où l’épidémie allait éclater ?
C’est précisément la question à laquelle Carson Telford et une équipe de chercheurs des Centres américains pour le contrôle et la prévention des maladies (CDC) ont tenté de répondre dans le cadre d’une étude publiée l’an dernier. Les chercheurs voulaient déterminer s’il était possible de prédire les zones où de futures épidémies d’Ebola pourraient émerger en analysant les caractéristiques des régions où le virus avait déjà été transmis d’un hôte animal à l’homme. Pour ce faire, Telford et ses collègues ont examiné 24 épidémies survenues entre 2001 et 2022, en s’appuyant sur des variables comme la densité de population et le couvert forestier pour entraîner leur modèle.
En analysant les lieux où ces épidémies s’étaient déclarées, ils ont constaté une forte corrélation entre leur apparition et la perte ou la fragmentation du couvert forestier.
Le modèle mis au point à partir de ces données s’est révélé d’une précision remarquable. Quelques mois avant l’émergence d’une épidémie en 2022, il avait déjà classé une ville de la République démocratique du Congo (RDC) parmi les 0,1 % des zones les plus à risque. Une flambée survenue par la suite en Ouganda a touché un district que le modèle avait identifié comme figurant parmi les 6 % des zones les plus à risque du pays.
Ashoka Mukpo, journaliste à Mongabay, s’est entretenu avec Carson Telford pour mieux comprendre le lien entre la déforestation et la propagation du virus Ebola, et évaluer dans quelle mesure ces connaissances pourraient aider à contenir les foyers épidémiques dès leur apparition.
Mongabay : Comment évaluer les probabilités qu’une épidémie d’Ebola se déclare dans une zone donnée ?
Carson Telford : Nous avons utilisé un algorithme d’apprentissage automatique intégrant l’ensemble des variables climatologiques et de couverture terrestre que nous jugions pertinentes au vu des connaissances actuelles sur l’écologie du virus Ebola.
L’intérêt d’un algorithme d’apprentissage automatique, c’est qu’il est conçu pour prédire. Peu importe, au fond, pourquoi le modèle est précis ou quelles variables spécifiques conditionnent ses performances. Ce qui compte vraiment, c’est de savoir s’il prédit correctement ou non.
Ces algorithmes peuvent traiter un grand nombre de variables et apprendre à partir des données à distinguer les zones où un saut d’espèce s’est produit de celles qui ont été épargnées.
Avec ce modèle, j’ai mesuré des variables à différentes échelles spatiales. Pour la déforestation, par exemple, j’ai observé les changements forestiers dans un rayon de 10, 25, 50 et 100 kilomètres [6, 15, 30 et 60 miles] autour d’une zone donnée. L’idée était d’intégrer aussi bien les micro-changements locaux que les transformations du paysage à plus grande échelle. C’est ensuite la machine qui détermine ce qui pèse le plus dans le saut d’espèce.
Mongabay : En quoi ce type de données prédictives est-il utile ?
Carson Telford : L’objectif principal n’est pas de prédire précisément quand et où une épidémie va se produire. C’est tout simplement impossible.
L’intérêt, c’est de pouvoir identifier les régions cibles où la communication doit être renforcée auprès des groupes à haut risque. Il peut s’agir de personnes dépendant de la viande de brousse comme source de protéines, de chasseurs ou de toute autre personne en contact fréquent avec la faune sauvage.
Il peut s’agir aussi de médecins. On peut alors les mettre en garde et leur dire : « Pour votre information, vous exercez dans une zone à haut risque, et par rapport à l’année dernière, nous avons observé des conditions environnementales propices à un risque accru de saut d’espèce ».
C’est vraiment là que réside la véritable valeur du modèle : la communication et la détection précoce. L’objectif est de détecter l’épidémie le plus rapidement possible dès qu’elle se déclare.
Mongabay : D’après votre modèle, qu’est-ce qui caractérise une zone à haut risque ?
Carson Telford : En intégrant toutes ces échelles spatiales, nous avons constaté que la densité de population était un facteur important. Ce sont surtout les zones reculées, avec très peu d’habitants, qui présentaient un risque accru d’épidémies d’Ebola.
Un autre facteur clé était la déforestation à l’échelle locale. En analysant la zone dans un rayon de 10 kilomètres autour des sites de transmission du virus, on s’aperçoit que le risque d’épidémie grandit à mesure que le couvert forestier diminue.
Mais on ne peut pas forcément parler de lien de cause à effet. Il est possible que la perte du couvert forestier soit corrélée à un autre facteur que nous n’avons pas encore mesuré. Je soupçonne que la déforestation perturbe le comportement des espèces réservoirs, mais notre étude ne constituait pas une analyse causale formelle.
Il s’agit avant tout d’un modèle prédictif qui s’appuie sur l’ensemble des données disponibles.
Mongabay : Donc, en analysant les épidémies précédentes, vous avez constaté que les principaux indicateurs de risque étaient une faible densité de population et un taux de déforestation élevé ?
Carson Telford : L’évolution du couvert forestier, la déforestation et la densité de population humaine se sont révélées être des facteurs clés.
Mongabay : Une fois développé, le modèle s’est-il révélé efficace pour prédire de nouvelles épidémies ?
Carson Telford : Nous avons entraîné le modèle sur l’ensemble des données disponibles jusqu’à l’année la plus récente. Ensuite, nous avons observé où se situaient les probabilités d’épidémie les plus élevées, ainsi que les zones où le risque avait le plus augmenté.
Deux épidémies se sont déclarées l’année suivante. L’une en République démocratique du Congo, précisément dans la zone présentant le risque prédictif le plus élevé calculé l’année précédente. Ce site figurait parmi les 0,1 % des zones les plus à risque.
En théorie, si nous avions utilisé ces résultats et si nous nous étions rendus dans les zones les plus à risque de l’étude pour avertir les médecins qu’il s’agissait des régions les plus exposées d’Afrique équatoriale, nous aurions vu juste.
L’autre épidémie s’est déclarée en Ouganda. Elle ne figurait pas parmi les zones les plus à risque en valeur absolue, mais, en examinant l’évolution du risque d’une année sur l’autre, nous avons constaté qu’elle se situait parmi les 1 % des zones où le risque avait le plus augmenté.
C’est pourquoi il est crucial de considérer à la fois le risque global et les changements environnementaux susceptibles de faire évoluer ce risque. En combinant ces deux approches, nous avons pu correctement identifier les deux épidémies. Je reconnais que l’échantillon est restreint et que cela tient quelque peu de l’anecdote, mais les résultats sont encourageants.
Mongabay : Ces deux épidémies sont-elles survenues dans des zones ayant connu une perte du couvert forestier l’année précédente ?
Carson Telford : D’autres variables entraient également en jeu. L’un des indicateurs importants était la densité forestière ou le couvert forestier dans son ensemble. L’épidémie en RDC s’est déclarée dans une zone à fort couvert forestier, mais où la forêt est aussi extrêmement fragmentée.
Les installations humaines s’étendaient jusqu’à la lisière de la forêt. Cette zone de contact, véritable interface entre les activités humaines et l’habitat forestier, constituait un indicateur clé. C’est là que les interactions entre humains et faune sauvage sont les plus susceptibles de se produire.
Mongabay : Il semble que la déforestation ne soit pas le seul indicateur pour localiser l’émergence d’une épidémie d’Ebola, mais qu’elle en fasse partie. Avez-vous une explication à cela ?
Carson Telford : Oui, bien qu’il ne s’agisse que d’hypothèses pour le moment.
Raina Plowright a mené d’excellentes études sur les chauves-souris frugivores en Australie, qui ont montré que la charge virale sécrétée augmente lorsqu’elles subissent un stress immunitaire. Pour ma part, je pense que plusieurs facteurs pourraient expliquer ce phénomène.
En supposant que les chauves-souris soient l’espèce réservoir, ce que nous ne savons pas encore avec certitude, la modification de leur habitat pourrait provoquer un stress lié au changement de leurs sources de nourriture. Elles pourraient alors dépendre davantage de ressources alimentaires liées aux activités humaines, comme cela a été observé en Australie. Si c’est le cas, et qu’elles s’alimentent de plus en plus autour des installations humaines, elles entrent également en contact plus étroit avec les populations. L’arboriculture fruitière, par exemple, pourrait attirer les chauves-souris et multiplier les chances de transmission.
Un autre scénario envisage que la perturbation de l’habitat force les animaux à migrer. Même si les chauves-souris ne s’installent pas autour des installations humaines et qu’elles migrent simplement vers de nouvelles zones, elles se retrouvent tout de même face à un environnement inconnu. Et cela pourrait également générer du stress et augmenter l’excrétion virale.
Ce virus excrété pourrait ensuite se propager aux primates non humains, avant de se transmettre à l’homme. Lors d’enquêtes épidémiologiques, nous avons observé que le cas index était souvent un chasseur contaminé en dépeçant de la viande de brousse, après avoir été en contact avec le sang d’un primate porteur du virus.
Il existe donc de nombreuses trajectoires possibles, et elles sont toutes interconnectées. Mais ce qu’il faut retenir, c’est que les bouleversements environnementaux augmentent le risque de contact entre les humains et l’espèce réservoir, quelle qu’elle soit.
Image de bannière : Les chauves-souris à tête de marteau (Hypsignathus monstrosus), comme celle-ci, sont considérées comme une espèce réservoir probable du virus Ebola. Image de Sarah Olson pour Mongabay.
Citations :
Telford, C. T., Amman, B. R., Towner, J. S., Montgomery, J. M., Lessler, J., & Shoemaker, T. (2025). Predictive model for estimating annual Ebolavirus spillover potential. Emerging Infectious Diseases, 31(4), 689-698. doi:10.3201/eid3104.241193
Eby, P., Peel, A. J., Hoegh, A., Madden, W., Giles, J. R., Hudson, P. J., & Plowright, R. K. (2022). Pathogen spillover driven by rapid changes in bat ecology. Nature, 613(7943), 340-344. doi:10.1038/s41586-022-05506-2
Feedback : Utilisez ce formulaire pour envoyer un message à l’éditeur de cet article. Si vous souhaitez publier un commentaire public, vous pouvez le faire au bas de la page.
Crédits
