1 Données et méthodologie

Cette section présente la structure du modèle mathématique utilisé pour simuler la propagation du
mpox, les sources de données exploitées ainsi que la méthode de résolution numérique retenue pour
l’analyse des paramètres de transmission.

1.1 Présentation du modèle compartimental

Conformément à la méthodologie de Movaheedi et Rahmani [1], nous adoptons un modèle compar-
timental déterministe structuré autour de deux populations en interaction : les humains et les petits
mammifères.

Population humaine (Ni ) Elle est segmentée en cinq classes épidémiologiques distinctes : les in-
dividus susceptibles (Si ), exposés (Ei ), infectés (Ii ), isolés ou mis en quarantaine (Qi ) et rétablis
(Ri ).

Population animale (Ns ) Elle comprend trois compartiments : les mammifères susceptibles (Ss ),
exposés (Es ) et infectés (Is ).
La dynamique de transmission intègre trois voies de contamination : animal-homme (force d’in-
fection β1 ), interhumaine (β2 ), et intra-espèce chez les animaux (β3 ). Le modèle prend également en
compte les taux de recrutement, la mortalité naturelle et le décès induit par la maladie pour chaque
population.

1.2 Formulation mathématique

L’évolution temporelle de l’épidémie est décrite par un système de huit équations différentielles
ordinaires (EDO) non linéaires modélisant les flux entre compartiments, avec notamment : le passage
de la classe exposée à la classe infectieuse (taux α1 ), la mise en isolation des cas suspects (taux α2 ),
et la progression vers le rétablissement (taux τ et ∆).

dSi Si
= θi − (β1 Is + β2 Ii ) − µi Si + ϕQi
dt Ni
dEi Si
= (β1 Is + β2 Ii ) − (α1 + α2 + µi )Ei
dt Ni
dIi
= α1 Ei − (µi + δi + ∆)Ii
dt
dQi
= α2 Ei − (ϕ + τ + δi + µi )Qi
dt
dRi
= τ Qi + ∆Ii − µi Ri
dt
dSs 1
= θs − β3 Ss Is − µs Ss
dt Ns
dEs 1
= β3 Ss Is − (µs + α3 )Es
dt Ns
dIs
= α3 Es − (µs + δs )Is
dt
Le tableau 1 présente les valeurs numériques et descriptions de l’ensemble des paramètres du modèle.

1
 Table 1 – Paramètres du modèle et leurs valeurs
Paramètre Description Valeur Unité
θi Taux de recrutement dans la population 1 160 000 Année−1
humaine
θs Taux de recrutement des petits mam- 200 000 Année−1
mifères
β1 Force d’infection des petits mammifères 0.0025 Année−1
vers les humains
β2 Force d’infection interhumaine 0.000063 Année−1
β3 Force d’infection intra-animale 0.0027 Année−1
α1 Taux de transition exposé-infecté (hu- 0.2 Année−1
mains)
α2 Taux de mise en isolation 2.0 Année−1
α3 Taux de transition exposé-infecté (ani- 3.0 Année−1
maux)
φ Fraction des individus isolés non in- 2.0 Année−1
fectés
τ Progression des isolés vers la classe in- 0.52 Année−1
fectée
∆ Taux de guérison des humains 0.83 Année−1
µi Taux de mortalité naturelle humaine 0.008 Année−1
µs Taux de mortalité naturelle animale 0.002 Année−1
δs Taux de mortalité induite par la mala- 0.5 Année−1
die (animaux)
δi Taux de mortalité induite par la mala- 0.2 Année−1
die (humains)

1.3 Méthode de résolution numérique

Pour résoudre ce système d’EDO non linéaires, nous adoptons la méthode d’Euler implicite
(Backward Euler), privilégiée pour sa stabilité numérique supérieure, qui permet des simulations
robustes à long terme même en présence de variations brutales de l’incidence.

Principe de la méthode
La méthode de Backward Euler est une technique implicite particulièrement efficace pour les
problèmes raides (stiff ). Pour une EDO de la forme dy/dt = f (t, y), elle met à jour la solution selon :

yn+1 = yn + h f (tn+1 , yn+1 ),

où h est le pas de temps et yn+1 est l’état inconnu à résoudre à chaque itération. Sa propriété A-stable
lui permet d’utiliser de grands pas de temps sans compromettre la stabilité, la rendant idéale pour les
projections épidémiques à long terme.

Application au système
Le tableau 2 présente l’application de la méthode de Backward Euler à chacune des huit équations
du système.

2
 Table 2 – Application de la méthode de Backward Euler au système d’équations

Variable Équation différentielle Équation implicite (Backward Euler)

S n+1
 
dSi Si
Si = θi − (β1 Is + β2 Ii ) − Sin+1 = Sin +h θi − (β1 Isn+1 + β2 Iin+1 ) i − µi Sin+1 + ϕQn+1
i
dt Ni Ni
µi Si + ϕQi

S n+1
 
dEi Si
Ei = (β1 Is + β2 Ii ) − (α1 + Ein+1 = Ein +h (β1 Isn+1 + β2 Iin+1 ) i − (α1 + α2 + µi )Ein+1
dt Ni Ni
α2 + µi )Ei

dIi
Iin+1 = Iin + h α1 Ein+1 − (µi + δi + ∆)Iin+1


Ii = α1 Ei − (µi + δi + ∆)Ii
dt
dQi
Qn+1 = Qni + h α2 Ein+1 − (ϕ + τ + δi + µi )Qn+1


Qi = α2 Ei − (ϕ + τ + δi + µi )Qi i i
dt
dRi
Rin+1 = Rin + h τ Qn+1 + ∆Iin+1 − µi Rin+1


Ri = τ Qi + ∆Ii − µi Ri i
dt
S n+1 Isn+1
 
dSs Ss Is
Ss = θs − β3 − µs Ss Ssn+1 = Ssn + h θs − β3 s − µs Ssn+1
dt Ns Ns
n+1 n+1
 
dEs Ss Is S I
Es = β3 − (µs + α3 )Es Esn+1 = Esn + h β3 s s
− (µs + α3 )Esn+1
dt Ns Ns
dIs

Is = α3 Es − (µs + δs )Is Isn+1 = Isn + h α3 Esn+1 − (µs + δs )Isn+1
dt

Conditions initiales pour la simulation

Le tableau 3 regroupe les conditions initiales utilisées pour les simulations numériques des deux
populations.

Table 3 – Conditions initiales pour la simulation numérique

Paramètre Description Valeur Unité
Population humaine
Si (0) Susceptibles humains initiaux 1 000 000 Individus
Ei (0) Exposés humains initiaux 100 Individus
Ii (0) Infectés humains initiaux 50 Individus
Qi (0) Isolés humains initiaux 20 Individus
Ri (0) Rétablis humains initiaux 0 Individus
Population animale
Ss (0) Susceptibles animaux initiaux 200 000 Individus
Es (0) Exposés animaux initiaux 100 Individus
Is (0) Infectés animaux initiaux 50 Individus

1.4 Sources des données

Le modèle de Movaheedi et Rahmani [1] a été calibré à partir de données de surveillance du CDC
(Centers for Disease Control and Prevention, États-Unis), couvrant les cas confirmés de mpox (Clade
II) de mai 2022 à décembre 2025. Nous nous appuyons sur les paramètres estimés dans cette étude, que
nous appliquons aux données de la République Démocratique du Congo fournies par l’OMS, s’étendant
du 8 janvier 2023 au 25 janvier 2026, afin de comparer les dynamiques épidémiques observées dans ces
deux contextes.

3
Références
[1] Movaheedi Z, Rahmani AR. Comparative Analysis of Runge–Kutta and Backward Euler Methods
for Modeling Monkeypox Transmission Dynamics. Afghan J Infect Dis. 2026 ; 4(1) :94–113.