Imaginez un moment où votre couvre-visage anti-virus est comme un parapluie. La plupart du temps, il reste dans votre placard ou est rangé quelque part dans votre voiture. Mais lorsqu’une épidémie de COVID-19 est prévue, vous pouvez l’utiliser.
Au-delà de cela, une mauvaise prévision virale pourrait vous inciter à choisir une table en plein air lorsque vous rencontrez un ami pour prendre un café. Si attraper le coronavirus est susceptible de vous rendre gravement malade, vous pouvez choisir de travailler à domicile ou d’assister aux services religieux en ligne jusqu’à ce que la menace soit passée.
Un tel avenir suppose que les Américains tiennent compte des avertissements de santé publique concernant le virus pandémique – et c’est un gros si. Cela suppose également l’existence d’un système capable de prédire de manière fiable les épidémies imminentes avec peu de fausses alertes, et avec suffisamment de rapidité et de précision géographique pour que le public fasse confiance à ses prévisions.
Un groupe de prévisionnistes potentiels dit qu’il a les ingrédients pour un tel système. Leur proposition de construction d’un bulletin météorologique viral a été publiée cette semaine dans la revue Science Advances.
Bulletin
Recevez notre newsletter gratuite Coronavirus Today
Inscrivez-vous pour les dernières nouvelles, les meilleures histoires et ce qu’elles signifient pour vous, ainsi que des réponses à vos questions.
Vous pouvez occasionnellement recevoir du contenu promotionnel du Los Angeles Times.
Comme les modèles météorologiques qui alimentent les prévisions météorologiques, le système de prévision des épidémies de COVID-19 émerge d’un fleuve de données alimenté par des centaines de flux d’informations locales et mondiales. Ils comprennent des recherches sur Internet horodatées pour des symptômes tels que l’oppression thoracique, la perte d’odorat ou l’épuisement ; des tweets géolocalisés qui incluent des termes comme « corona », « pandémie » ou « achat de panique » ; des données de localisation agrégées provenant de smartphones qui révèlent combien de personnes voyagent ; et une baisse des demandes d’itinéraire en ligne, ce qui indique que moins de gens sortent.
Le volume d’informations qui en résulte est beaucoup trop lourd à gérer pour les humains, et encore moins à interpréter. Mais avec l’aide d’ordinateurs puissants et de logiciels formés pour vanner, interpréter et apprendre des données, une carte commence à émerger.
Si vous comparez cette carte à des données historiques – dans ce cas, deux ans d’expérience pandémique dans 93 comtés – et que vous la mettez à jour en conséquence, vous aurez peut-être l’étoffe d’un système de prévision des épidémies.
C’est exactement ce qu’a fait l’équipe dirigée par un informaticien de la Northeastern University. Dans leur tentative de créer un système d’alerte précoce pour les épidémies de COVID-19, les auteurs de l’étude ont construit un système “d’apprentissage automatique” capable de parcourir des millions de traces numériques, en incorporant de nouveaux développements locaux, en affinant sa concentration sur des signaux précis de maladie, et générer des avis en temps opportun des poussées locales imminentes de COVID-19.
Parmi les nombreuses recherches sur Internet qu’il a parcourues, une s’est avérée être un signe d’avertissement particulièrement bon d’une épidémie imminente : “Combien de temps dure le COVID ?”
Lorsqu’elle a été testée par rapport à des données du monde réel, la méthode d’apprentissage automatique des chercheurs a anticipé des augmentations de la propagation virale locale jusqu’à six semaines à l’avance. Ses sonnettes d’alarme se déclencheraient à peu près au point où chaque personne infectée était susceptible de propager le virus à au moins une autre personne.
Mis à l’épreuve de l’anticipation de 367 épidémies réelles à l’échelle du comté, le programme a fourni des alertes précoces précises pour 337 – soit 92% – d’entre elles. Sur les 30 épidémies restantes, il en a reconnu 23 juste au moment où elles seraient devenues évidentes pour les responsables de la santé humaine.
Une fois que la variante Omicron a commencé à circuler largement aux États-Unis, le système d’alerte précoce a pu détecter des preuves précoces de 87 % des épidémies au niveau du comté.
Un système prédictif doté de ces capacités pourrait s’avérer utile pour les responsables de la santé publique locaux, étatiques et nationaux qui doivent planifier les épidémies de COVID-19 et avertir les citoyens vulnérables que le coronavirus menace une résurgence locale imminente.
Mais “nous regardons au-delà” du COVID, a déclaré Mauricio Santillana, qui dirige le groupe d’intelligence artificielle de Northeastern pour l’amélioration de la santé et de l’environnement.
“Notre travail vise à documenter les techniques et les approches qui pourraient être utiles non seulement pour cela, mais pour la prochaine pandémie”, a-t-il déclaré. “Nous gagnons la confiance des responsables de la santé publique afin qu’ils n’aient pas besoin de plus de conviction” lorsqu’une autre maladie commencera à se propager à travers le pays.
Ce n’est peut-être pas facile à vendre aux agences de santé publique des États et aux Centers for Disease Control and Prevention, qui ont tous eu du mal à suivre les données sur la pandémie et à intégrer de nouvelles méthodes de suivi de la propagation du virus. L’incapacité du CDC à s’adapter et à communiquer efficacement pendant la pandémie a conduit à des “erreurs assez dramatiques et assez publiques”, a reconnu le Dr Rochelle Walensky, directrice de l’agence. Seul le “changement de culture” préparera l’agence fédérale à la prochaine pandémie, a-t-elle averti.
Les efforts ternes du CDC pour développer des outils de prédiction n’ont pas non plus ouvert la voie à une acceptation facile. Une évaluation de 2022 des efforts de prévision utilisés par le CDC a conclu que la plupart “n’ont pas réussi à prédire de manière fiable les changements rapides” dans les cas de COVID-19 et les hospitalisations. Les auteurs de cette évaluation ont averti que les systèmes développés à ce jour “ne devraient pas être invoqués pour des décisions sur la possibilité ou le moment de changements rapides dans les tendances”.
Anasse Bari, experte en apprentissage automatique à l’Université de New York, a qualifié le nouveau système d’alerte précoce de “très prometteur”, bien qu’il soit “encore expérimental”.
“Les méthodes d’apprentissage automatique présentées dans l’article sont bonnes, matures et très bien étudiées”, a déclaré Bari, qui n’a pas participé à la recherche. Mais il a averti que dans une urgence unique comme la pandémie, il serait risqué de s’appuyer fortement sur un nouveau modèle pour prédire les événements.
Pour commencer, a noté Bari, la première rencontre de ce coronavirus avec l’humanité n’a pas produit le long record historique nécessaire pour tester pleinement la précision du modèle. Et la durée de trois ans de la pandémie a laissé peu de temps aux chercheurs pour reconnaître le «bruit» qui se produit lorsque tant de données sont jetées dans un pot.
Le CDC et les services de santé des États ont seulement commencé à utiliser des techniques épidémiologiques telles que le séquençage génétique phylodynamique et la surveillance des eaux usées pour surveiller la propagation du coronavirus. L’utilisation de l’apprentissage automatique pour prévoir l’emplacement des surtensions virales à venir peut prendre un autre bond en avant pour ces agences, a déclaré Santillana.
En effet, accepter des outils d’alerte précoce tels que celui développé par le groupe de Santillana pourrait également nécessiter un acte de foi. Au fur et à mesure que les programmes informatiques assimilent de vastes quantités de données et commencent à discerner des modèles qui pourraient être révélateurs, ils génèrent souvent des « caractéristiques » surprenantes – des variables ou des termes de recherche qui aident à prédire un événement important, comme une poussée virale.
Même si ces panneaux de signalisation apparents s’avèrent prédire avec précision un tel événement, leur pertinence pour une urgence de santé publique peut ne pas être immédiatement claire. Un signal surprenant peut être le premier signe d’une nouvelle tendance – un symptôme inédit causé par une nouvelle variante, par exemple. Mais cela peut aussi sembler si aléatoire aux responsables de la santé publique qu’il jette un doute sur la capacité d’un programme à prédire une épidémie imminente.
Santillana, qui enseigne également à l’École de santé publique de Harvard, a déclaré que les critiques des premiers travaux de son groupe ont répondu avec un certain scepticisme à quelques-uns des signaux qui ont émergé comme des signes avant-coureurs d’une épidémie à venir. L’un d’eux – des tweets faisant référence à “l’achat de panique” – ressemblait à un signal errant provenant de machines qui s’étaient accrochées à un événement aléatoire et lui avaient donné un sens, a déclaré Santillana.
Il a défendu l’inclusion du signal “achat de panique” comme signe révélateur d’une épidémie locale imminente. (Après tout, les premiers jours de la pandémie ont été marqués par des pénuries d’articles de base, notamment du riz et du papier hygiénique.) Mais il a reconnu qu’un système d’alerte précoce trop “boîte noire” pourrait rencontrer la résistance des responsables de la santé publique. qui ont besoin de se fier à ses prédictions.
“Je pense que les craintes des décideurs sont une préoccupation légitime”, a déclaré Santillana. “Lorsque nous trouvons un signal, il doit être fiable.”
Read more Tech News in French
Source
