Oui, et non! Si par malheur on a eu le covid et on se le rechoppe une seconde fois, la deuxième fois n’aura jamais un impact vif comme la première. Et si on était asymptomatique à la première, je ne vois pas comment pourrait-on devenir symptomatique au second contact! La question c’est donc la pertinence des résultats. Alors comment s’y retrouver alors que pas tous les états ne donnent des résultats fiables par ailleurs...?
Il vaudrait bien hiérarchiser les méthodes utilisées par critères de précision obtenus. (Je me base sur des cours théoriques, sans être catégorique)
Tant qu’on ne peut pas tester TOUTE la population ça reste prédictif et non une photo quasi parfaite de la situation réelle.
Comment alors arriver ã un résultat pertinent (pour se rapprocher de la photo idéale sans tester tout le monde à un coût exorbitant), avec un degré de confiance suffisant, sans pour autant tester tout un pays et tenant compte de l’aspect limitant de la “saturation de la capacité de test” (et autres critères de variabilité ou contraintes non maîtrisés)?
Il y a peut-être des moyens qui m’échappent (hormis les études cliniques avec leurs inconvénients) mais du moment qu’on est dans une distribution gaussienne, il n’y a pas de mystère, pour un intervalle de confiance précis (écart type) plus on augmente la taille de l’échantillon, plus le résultat est pertinent.
En toile de fond, il faut toujours avoir en tête le taux approximatif de mortalité, pour savoir de quel degré de précision on aura besoin. Si on a une évaluation à 0,5% de mortalité, (et si tant est que l’on ait besoin de faire des comparaison) il faut 2 échantillons 50’000 personnes, et là on a une photo quasi parfaite de la situation. Les Sud Coréens ont fait mieux avec un modèle de prės de 200’000 tests... Je n’ai pas connaissance de quelque chose de “mieux”. Au delà d’un certain seuil il faut multiplier l’échantillonnage par 2
2 pour n’avoir qu’un gain marginal de précision (tout le monde sait ça non?)
Donc qu’importe la capacité de test avec des écarts type aussi fins. Et en comparant ainsi au modèle Sud Coréen, et lorsque l’on voit la variabilité du taux de transmission (R=0) chuter, on peut le corréler avec le nombre de cas en baisse, et le corréler avec la baisse de la mortalité pour un nombre de sujets testés donné. Du coup je me demande à quoi ça sert de faire autant de tests, ai ce n’est pour avoir “une statistique” qui sera forcément imprécise (sauf ã faire passer le pays qui les pratiquent comme “plus ou moins bon élėve”, ce qui n’a pas l’air convaincant! Du moment que grâce aux courbes de Gauss on connaît des taux suffisamment précis, on ferait mieux de se concentrer sur le dépistage des personnes ayant les tous premiers symptômes (et de les traiter immédiatement)... Au lieu de la fuite en avant du nombre de tests max à tout prix!
MAIS, bien que l’on en soit à R=1,6 dans l’U.E., c’est une situation relativement artificielle puisque les populations appliquent les gestes barrière... D’où ma réflexion sur la courbe en cloche (non seulement vraie selon la “loi normale” mais aussi pour les experts autoproclamés qui nous annoncent la proche fin de la pandémie).
