Nouvelles publications
L'intelligence artificielle prédit les épidémies de paludisme en Asie du Sud
Dernière revue: 02.07.2025
Tout le contenu iLive fait l'objet d'un examen médical ou d'une vérification des faits pour assurer autant que possible l'exactitude factuelle.
Nous appliquons des directives strictes en matière d’approvisionnement et ne proposons que des liens vers des sites de médias réputés, des instituts de recherche universitaires et, dans la mesure du possible, des études évaluées par des pairs sur le plan médical. Notez que les nombres entre parenthèses ([1], [2], etc.) sont des liens cliquables vers ces études.
Si vous estimez qu'un contenu quelconque de notre contenu est inexact, obsolète ou discutable, veuillez le sélectionner et appuyer sur Ctrl + Entrée.
Des chercheurs du NDORMS, en collaboration avec des institutions internationales, ont démontré le potentiel de l'utilisation de mesures environnementales et de modèles d'apprentissage profond pour prédire les épidémies de paludisme en Asie du Sud. Cette étude offre des perspectives encourageantes pour l'amélioration des systèmes d'alerte précoce contre l'une des maladies les plus meurtrières au monde.
Le paludisme demeure un problème de santé mondial majeur, près de la moitié de la population mondiale étant exposée au risque d'infection, notamment en Afrique et en Asie du Sud. Bien que le paludisme soit évitable, la variabilité des facteurs de risque climatiques, sociodémographiques et environnementaux rend la prévision des épidémies difficile.
Une équipe de chercheurs dirigée par la professeure associée Sarah Khalid du groupe d'informatique de santé planétaire NDORMS de l'Université d'Oxford, en collaboration avec l'Université des sciences de gestion de Lahore, a cherché à résoudre ce problème et à déterminer si une approche d'apprentissage automatique basée sur l'environnement pourrait offrir le potentiel d'outils d'alerte précoce spécifiques au lieu pour le paludisme.
Ils ont développé un modèle LSTM multivarié (M-LSTM) qui analysait simultanément les paramètres environnementaux, notamment la température, les précipitations, les mesures de la végétation et les données de lumière nocturne pour prédire l'incidence du paludisme dans une ceinture sud-asiatique couvrant le Pakistan, l'Inde et le Bangladesh.
Les données ont été comparées aux taux d’incidence du paludisme au niveau du district pour chaque pays entre 2000 et 2017, obtenus à partir des ensembles de données des enquêtes démographiques et de santé de l’Agence des États-Unis pour le développement international.
Les résultats, publiés dans The Lancet Planetary Health, montrent que le modèle M-LSTM proposé surpasse systématiquement le modèle LSTM traditionnel avec des erreurs inférieures de 94,5 %, 99,7 % et 99,8 % pour le Pakistan, l'Inde et le Bangladesh, respectivement.
Dans l’ensemble, une plus grande précision et des erreurs réduites ont été obtenues avec une complexité croissante du modèle, soulignant l’efficacité de l’approche.
Sarah a expliqué: « Cette approche est généralisable, et notre modélisation a donc des implications importantes pour les politiques de santé publique. Par exemple, elle pourrait être appliquée à d'autres maladies infectieuses ou étendue à d'autres zones à haut risque présentant une morbidité et une mortalité palustres disproportionnées dans les régions OMS d'Afrique. Elle pourrait aider les décideurs à mettre en œuvre des mesures plus proactives pour gérer les épidémies de paludisme de manière précoce et précise. »
Le véritable attrait réside dans la possibilité d'analyser pratiquement n'importe où sur Terre grâce aux progrès rapides de l'observation de la Terre, de l'apprentissage profond et de l'IA, ainsi qu'à la disponibilité d'ordinateurs hautes performances. Cela pourrait conduire à des interventions plus ciblées et à une meilleure allocation des ressources dans le cadre des efforts continus visant à éradiquer le paludisme et à améliorer les résultats en matière de santé publique dans le monde.