Les campagnes de sensibilisation du public peuvent empêcher la propagation de maladies dévastatrices mais traitables telles que la tuberculose (TB), le paludisme et la gonorrhée. Mais veiller à ce que ces campagnes atteignent efficacement les patients non diagnostiqués, qui peuvent sans le savoir transmettre la maladie à d'autres, est un défi majeur pour les agences de santé publique à court d'argent. Maintenant, une équipe de chercheurs de l'USC Viterbi School of Engineering a créé un algorithme qui peut aider les décideurs à réduire la propagation globale de la maladie. L'algorithme est également optimisé pour tirer le meilleur parti des ressources limitées, tels que les budgets publicitaires.

Pour créer l'algorithme, les chercheurs ont utilisé des données, y compris comportemental, tendances démographiques et épidémiques des maladies, pour créer un modèle de propagation de la maladie qui capture la dynamique sous-jacente de la population et les modèles de contact entre les personnes.

À l'aide de simulations informatiques, les chercheurs ont testé l'algorithme sur deux cas réels :la tuberculose (TB) en Inde et la gonorrhée aux États-Unis. Dans les deux cas, ils ont découvert que l'algorithme réduisait mieux les cas de maladie que les politiques actuelles de sensibilisation à la santé en partageant des informations sur ces maladies avec les personnes les plus à risque.

L'étude a été publiée lors de la conférence AAAI sur l'intelligence artificielle. Les auteurs sont Bryan Wilder, un candidat au doctorat en informatique, Douce Tambe, le professeur Helen N. et Emmett H. Jones en ingénierie, professeur d'informatique et d'ingénierie industrielle et des systèmes et co-fondateur de l'USC Center for AI in Society et Sze-chuan Suen, professeur assistant en génie industriel et des systèmes.

"Notre étude montre qu'un algorithme sophistiqué peut réduire considérablement la propagation globale de la maladie, " dit Wilder, le premier auteur de l'article. "Nous pouvons faire une grande différence, et même sauver des vies, juste en étant un peu plus intelligents sur la façon dont nous utilisons les ressources et partageons les informations sur la santé avec le public. »

Révéler la dynamique de la maladie

L'algorithme a également semblé faire un usage plus stratégique des ressources. L'équipe a constaté qu'elle se concentrait fortement sur des groupes particuliers et n'allouait pas simplement plus de budget aux groupes à forte prévalence de la maladie. Cela semble indiquer que l'algorithme exploite des modèles non évidents et profite d'interactions parfois subtiles entre des variables que les humains peuvent ne pas être en mesure de localiser.

Les modèles mathématiques de l'équipe tiennent également compte du fait que les personnes se déplacent, âge, et meurt, reflétant une dynamique de population plus réaliste que de nombreux algorithmes existants pour le contrôle des maladies. Par exemple, les gens peuvent ne pas être guéris instantanément, Ainsi, réduire la prévalence à 30 ans pourrait signifier créer des communications ciblées sur la santé publique pour les personnes de 27 ans.

« Bien qu'il existe de nombreuses méthodes pour identifier les populations de patients pour les campagnes de sensibilisation à la santé, peu considèrent l'interaction entre l'évolution des modèles de population et la dynamique de la maladie au fil du temps, " dit Suen, qui détient également un poste de professeur adjoint au Centre Leonard D. Schaeffer pour la politique et l'économie de la santé.

« Moins encore se demandent comment utiliser une approche algorithmique pour optimiser ces politiques étant donné l'incertitude de nos estimations de la dynamique de ces maladies. Nous prenons en compte ces deux effets dans notre approche.

Étant donné que les modes de transmission de l'infection varient avec l'âge, l'équipe de recherche a utilisé des données stratifiées selon l'âge pour déterminer le public cible optimal pour les communications en santé publique. Mais l'algorithme pourrait également segmenter les populations à l'aide d'autres variables, y compris le sexe et le lieu.

À l'avenir, les informations de l'étude pourraient également faire la lumière sur les résultats pour la santé d'autres interventions contre les maladies infectieuses, comme le VIH ou la grippe.