Imaginez un moment où votre protection faciale contre les virus est comme un parapluie. La plupart du temps, il se trouve dans votre placard ou est stocké quelque part dans votre voiture. Mais lorsqu’il y a une épidémie prévue de COVID-19, vous pouvez en profiter.
De plus, une prévision virale défavorable peut vous faire choisir une table en plein air lorsque vous rencontrez un ami pour prendre un café. Si vous êtes susceptible d’être gravement malade avec le coronavirus, vous pouvez choisir de travailler à domicile ou d’assister à des services 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 un 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 une rapidité et une précision géographique suffisantes pour que le public se fie à ses prévisions.
Un groupe de prévisionnistes potentiels affirme avoir les ingrédients d’un tel système. Son proposition pour créer un bulletin météo viral a été publié cette semaine dans la revue Science Advances.
Comme les modèles météorologiques qui pilotent les prévisions météorologiques, le système de prédiction de l’épidémie de COVID-19 est basé sur un fleuve de données alimenté par des centaines de flux d’informations locales et mondiales. Ils comprennent des recherches Internet horodatées pour des symptômes tels que l’oppression thoracique, la perte d’odorat ou l’épuisement; des tweets géolocalisés contenant des termes tels que « corona », « pandémie » ou « achat panique » ; des données de localisation agrégées provenant de smartphones qui révèlent le nombre de personnes voyageant ; et une baisse des demandes d’itinéraire en ligne, ce qui suggère que moins de personnes marchent.
Le volume d’informations qui en résulte est trop important pour que les humains puissent les manipuler, et encore moins les interpréter. Mais avec l’aide d’ordinateurs puissants et de logiciels formés pour connaître, interpréter et apprendre des données, une carte commence à émerger.
Si vous comparez cette carte avec 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 que l’équipe dirigée par la Northeastern University a fait informaticien Il a fait Dans un effort pour créer un système d’alerte précoce pour l’épidémie de COVID-19, les auteurs de l’étude ont construit un système “d’apprentissage automatique” qui peut passer au crible des millions de traces numériques, intégrer de nouveaux développements locaux, affiner sa concentration sur des signaux précis de la maladie, et générer des alertes précoces des pics locaux imminents de COVID-19. 19.
Parmi les nombreuses recherches sur Internet qu’il a parcourues, une s’est avérée être un signe avant-coureur 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 prédit des augmentations de la propagation virale locale jusqu’à six semaines à l’avance. Ses sonnettes d’alarme se déclencheraient à peu près au moment où chaque personne infectée est susceptible de propager le virus à au moins une autre personne.
Dans un test visant à prédire 367 épidémies réelles à l’échelle du comté, le programme a fourni des alertes précoces précises pour 337 d’entre elles, soit 92 %. Sur les 30 épidémies restantes, il en a reconnu 23 tout comme elles seraient évidentes pour les responsables de la santé humaine.
Une fois que la variante Omicron a été largement déployée aux États-Unis, le système d’alerte précoce a pu détecter des preuves précoces de 87 % des épidémies au niveau des comtés.
Un système prédictif doté de ces capacités pourrait s’avérer utile aux 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 reprise locale imminente.
Mais “nous regardons au-delà” du COVID, a-t-il déclaré Mauricio Santillanaqui s’étend du nord-est Groupe d’intelligence artificielle pour l’amélioration de la santé et de l’environnement.
“Notre travail se concentre sur la documentation des techniques et des approches qui pourraient être utiles non seulement pour cette pandémie mais pour la suivante”, a-t-il déclaré. “Nous gagnons en confiance auprès des responsables de la santé publique, ils n’auront donc 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 des États-Unis, qui ont tous eu du mal à suivre les données sur la pandémie et à intégrer de nouvelles méthodes pour suivre 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 déclaré le Dr. Rochelle Walensky, directrice d’agence, reconnu. Seul un “changement de culture” préparera l’agence à la prochaine pandémie, a-t-elle prévenu.
Les efforts ternes du CDC pour développer des outils prédictifs n’ont pas non plus ouvert la voie à une adoption facile. Et 2022 Évaluation de l’effort de prévision utilisé par le CDC, il 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 la revue ont averti que les systèmes développés à ce jour “ne devraient pas être invoqués pour prendre des décisions sur la possibilité ou le moment de changements rapides de tendance”.
Anasse Bariexpert en apprentissage automatique à l’Université de New York, a qualifié le nouveau système d’alerte précoce de “très prometteur”.
“Les méthodes d’apprentissage automatique présentées dans l’article sont bonnes, avancées 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 une pandémie, il serait risqué de s’appuyer sur le nouveau modèle pour prédire les événements.
Pour commencer, Bari a noté que la première rencontre de ce coronavirus avec des humains n’a pas fourni le long enregistrement historique nécessaire pour tester pleinement l’exactitude du modèle. Et la période de trois ans de la pandémie a donné aux chercheurs peu de temps pour discerner le “bruit” qui accompagne tant de données jetées dans le pot.
Le CDC et les services de santé de l’État viennent tout juste de commencer à utiliser des techniques épidémiologiques telles que séquençage génétique phylodynamique et surveillance des eaux usées pour surveiller la propagation du coronavirus. L’utilisation de l’apprentissage automatique pour prédire l’emplacement des prochaines vagues de virus peut nécessiter un autre bond d’imagination pour ces agences, a déclaré Santillana.
L’adoption d’outils d’alerte précoce comme celui développé par le groupe de Santillano pourrait également nécessiter un acte de foi. Lorsque les programmes informatiques assimilent de grandes 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 épidémie virale.
Même si ces indicateurs apparents s’avèrent prédire avec précision un tel événement, leur pertinence pour l’état de santé publique peut ne pas être immédiatement claire. Un signal surprise peut être le premier signe d’une nouvelle tendance – un signe inédit causé par, par exemple, une nouvelle variante. Mais cela pourrait également sembler si aléatoire aux responsables de la santé publique qu’il remet en question la capacité du programme à prédire les épidémies imminentes.
Santillana, qui enseigne également à l’École de santé publique de Harvard, a déclaré que les examinateurs premiers travaux de son groupe ont réagi avec un certain scepticisme à plusieurs signaux qui sont apparus comme des signes avant-coureurs d’une épidémie imminente. L’un d’eux – des tweets faisant référence à “l’achat de panique” – semblait être un faux signal provenant de machines qui captaient un événement aléatoire et lui donnaient un sens, a-t-il déclaré.
Il a préconisé l’inclusion d’un signal “d’achat de panique” comme signe révélateur d’une épidémie locale imminente. (Après tout, les premiers jours de la pandémie ont été marqués manque de choses de base y compris le riz et papier toilette.) Mais il a reconnu qu’un système d’alerte précoce trop “boîte noire” pourrait se heurter à la résistance des responsables de la santé publique qui doivent faire confiance à ses prédictions.
“Je pense que les préoccupations des décideurs sont légitimes”, a déclaré Santillana. « Lorsque nous trouvons un signal, il doit être fiable.
