L’apprentissage automatique prédit la progression de la maladie à court terme

Une équipe de chercheurs de l’Université de Waterloo et de l’Université Dalhousie a développé une méthode permettant de prévoir la progression à court terme d’une épidémie à l’aide de quantités de données extrêmement limitées.

Leur modèle, le modèle de prévision basé sur Sparsity and Delay Embedding, ou SPADE4, utilise l’apprentissage automatique pour prédire la progression d’une épidémie en utilisant uniquement des données d’infection limitées. SPADE4 a été testé à la fois sur des épidémies simulées et sur des données réelles de la cinquième vague de la pandémie de COVID-19 au Canada et a prédit avec succès la progression de l’épidémie avec un degré de confiance de 95 %. L’étude « Spade4 : Sparsity and Delay Embedding Based Forecasting of Epidemics » apparaît dans le Bulletin de biologie mathématique.

« La COVID nous a appris que nous devons vraiment trouver des méthodes capables de prédire avec le moins d’informations possible », a déclaré le docteur en mathématiques appliquées. la candidate Esha Saha, l’auteur principal de l’étude. « Si un nouveau virus apparaît et que les tests viennent juste de commencer, nous devons savoir quoi faire à court terme. »

Lorsqu’une maladie survient, qu’il s’agisse de nouvelles infections comme le COVID-19 ou d’infections existantes comme Ebola, il est essentiel de pouvoir prédire l’évolution de la maladie pour prendre des décisions de politique publique.

« C’est ce dont les décideurs politiques ont besoin dès le début », a déclaré Saha. « Que devons-nous faire au cours des sept prochains jours ? Comment dois-je allouer les ressources ?

Traditionnellement, les épidémiologistes préfèrent construire et utiliser des modèles complexes pour comprendre la progression des épidémies. Ces modèles présentent cependant plusieurs inconvénients, a déclaré Saha.

Ils nécessitent des informations démographiques complexes qui sont souvent indisponibles au début d’une épidémie. Même si ces informations détaillées sont disponibles, les modèles peuvent ne pas refléter avec précision la complexité de la population ou la dynamique de la maladie.

Le nouveau modèle de l’équipe de recherche de Waterloo répond à ces inconvénients.

« Au moment où nous travaillons sur des vaccins et des remèdes, nous examinons des données à plus long terme », a déclaré Saha. « Mais lorsqu’une nouvelle maladie apparaît, cette méthode peut nous aider à mieux comprendre comment nous comporter. »

Plus d’information:
Saha, E et al, SPADE4 : Prévision des épidémies basée sur la parcimonie et l’intégration des retards. Bulletin de biologie mathématique (2023) est ce que je.org/10.1007/s11538-023-01174-z

Fourni par l’Université de Waterloo

ph-tech