iStockphoto

Comment suivre la propagation d’un virus sans créer de problèmes de confidentialité

Pour analyser l’évolution de la pandémie de COVID-19, il est nécessaire de suivre l’évolution de la propagation d’un virus. Les méthodes utilisées pour le suivi peuvent pourtant aboutir sur de graves problèmes de confidentialité ; par exemple, si ce suivi est fait en fonction de critères géographiques. Les mathématiques ont pour ce faire développé des méthodes dépendant d’autres critères. Il est important, dans le cas d’une pandémie également, que soient établis des critères respectant la confidentialité des personnes lorsqu’on souhaite connaître la propagation d’une maladie.

L’Organisation mondiale de la santé a déclaré l’état de pandémie en mars 2020 et le virus a provoqué plus de 117,7 milliards de cas et 2,6 milliards de morts jusqu’en mars 2021. La maladie peut toucher tout le monde, pourtant certains groupes de personnes présentent un risque élevé, notamment les personnes âgées et les personnes atteintes d’autres maladies. Dans ce contexte les gouvernements du monde entier ont mis en œuvre plusieurs décisions pour éviter que la pandémie ne s’étende encore : confinement, distance sociale, etc. Chacune de ces mesures entraînait des conséquences économiques.

L’évolution de la pandémie a en général été suivie en fonction de critères géographiques, sans faire de distinction entre la population d’une région et les outils numériques pour assurer le suivi des personnes contaminées ont soulevé d’importantes questions de confidentialité. Via les applications de téléphones portables et au moyen du signal Bluetooth de chaque téléphone, on contrôlait la proximité entre les personnes pour détecter des voies d’infection. Ces applications mettent néanmoins à disposition des pouvoirs publics toutes les informations sur les personnes et la confidentialité n’est pas garantie.

Groupes non géographiques

Face à ce problème, plusieurs experts proposent d’utiliser un algorithme spécial. Il y a quelque temps déjà qu’on utilise des moyens informatiques protégeant les données à caractère personnel. Cet algorithme concrètement utilise certaines de ces méthodes. Celles-ci nous permettent de regrouper les personnes en analysant leurs contacts et leur niveau de risque. Nous pourrions ainsi créer des groupes de protection des données à caractère personnel. Puisqu’un algorithme de consensus est utilisé dans chaque groupe, les individus peuvent disposer d’informations sur la situation épidémiologique du groupe et, par conséquence, adapter les mesures de distance sociale.

« Cet algorithme regroupe les personnes en fonction de leurs contacts et leur niveau de risque, mais sans violer la confidentialité des données à caractère personnel ».

Cette approche spécifique garantit l’adoption de mesures plus strictes uniquement dans les groupes à haut risque, en réduisant l’impact économique associé aux restrictions géographiques générales. L’algorithme conserve étonnamment la confidentialité individuelle et agit sans organisation centrale puisqu’il suffit que chaque personne soit consciente de l’affiliation de son groupe et pas des membres spécifiques. La possibilité d’adaptation de l’algorithme est fondamentale puisque le groupe est ajusté constamment pour répondre aux changements et aux niveaux de risque des relations sociales, dont la progression du vaccin.

L’analyse de la complexité informatique confirme l’efficacité de l’algorithme puisque les besoins en ressources augmentent avec la taille de la population. Avec ces méthodes, les pouvoirs publics ne doivent pas recevoir de données personnelles pour suivre les équipes. Si une nouvelle pandémie devait se produire, les gouvernements devraient utiliser ce type d’outils pour assurer un suivi très efficace sans violer la confidentialité.