L'activité du syndrome grippal (SG) est très variable dans l'espace, avec des niveaux d'activité grippale plus élevés que la normale (rose) concentrés autour du golfe du Mexique, et des niveaux de SG typiques (blancs) à inférieurs à ceux typiques (verts) observés dans le reste du pays. La variabilité spatiale illustre le défi et l'importance de la modélisation conjointe de l'ILI pour la prévision. Crédit :Laboratoire national de Los Alamos
Un modèle informatique probabiliste d'intelligence artificielle développé au Laboratoire national de Los Alamos a fourni l'état le plus précis, nationale, et prévisions régionales de la grippe en 2018, battant 23 autres équipes dans le défi FluSight des Centers for Disease Control and Prevention. Le CDC a annoncé les résultats la semaine dernière.
« La prévision précise des maladies est similaire à la prévision météorologique en ce sens que vous devez alimenter les modèles informatiques de grandes quantités de données afin qu'ils puissent « apprendre » les tendances, " a déclaré Dave Osthus, statisticien à Los Alamos et développeur du modèle informatique, Dante. "Mais c'est très différent parce que la propagation de la maladie dépend des choix quotidiens que les humains font dans leur comportement, comme les voyages, lavage des mains, prendre les transports en commun, interagir avec le système de santé, entre autres. C'est très difficile à prévoir."
Le défi FluSight vise à améliorer la prévision précise de la grippe en mettant les institutions scientifiques au défi de développer des modèles informatiques prédictifs. Pendant la saison grippale 2018-2019, 24 équipes différentes ont participé à l'initiative de prévision de la grippe, chacun soumettant 38 prévisions hebdomadaires différentes.
Dante s'est avéré plus efficace que les autres modèles pour prédire le moment, Pic, et l'intensité à court terme de la saison grippale en cours. Contrairement à d'autres modèles, Dante est un modèle multi-échelle, ce qui signifie qu'il combine national, régional, et état des données sur la grippe. En faisant la moyenne des tendances dans ces différentes zones géographiques, il utilise des informations provenant d'États individuels pour améliorer les prévisions d'autres États.
Chaque semaine de mi-octobre à mi-mai, Osthus a soumis au CDC un dossier décrivant les prévisions de Dante pour toute la saison de la grippe. « Soumettre chaque semaine de la saison permet aux prévisionnistes de mettre à jour leurs prévisions à la lumière des données actuelles. par exemple, les prévisions d'ouragan sont mises à jour au fur et à mesure que l'ouragan se déroule, " il a dit.
De nouvelles données pour la saison grippale sont collectées chaque semaine et intégrées dans les modèles de prévision. Dante s'est avéré particulièrement utile pour la prévision au niveau local, quelque chose qui est, selon Osthus, « accompagné d'importants défis en matière de données ».
Pour cette saison grippale, Osthus envisage de soumettre Dante+, une version mise à jour de Dante qui inclura le "nowcasting, " qui développe et utilise un modèle qui mappe le trafic de recherche Google pour les termes liés à la grippe sur les données officielles d'activité de la grippe.
Dave Osthus, un statisticien au Laboratoire national de Los Alamos, a développé Dante, un modèle informatique prédictif qui a remporté le FluSight Challenge du CDC pour la saison grippale 2018-2019. Crédit :Laboratoire national de Los Alamos
Quant à ce qu'Osthus prédit pour la saison grippale de cette année, c'est difficile à dire. « Les prévisions de grippe en ce début de saison sont marquées par une incertitude importante, " dit-il. " La saison de la grippe ne commence généralement à se révéler qu'après Thanksgiving. Il n'y a rien, À ce point, suggérer une saison grippale très inhabituelle, ce qui signifie qu'il est susceptible de culminer entre la mi-décembre et la fin mars. En ce qui concerne l'intensité de la saison de la grippe, cependant, il est trop tôt pour le dire."
Kelly Moran (étudiant au doctorat à l'Université Duke et, à l'époque, un étudiant scientifique invité à Los Alamos) a contribué à la validation de Dante. Le modèle de deuxième place, DBM+, a également été développé à Los Alamos avec l'aide de Reid Priedhorsky, Ashlynn Daughton (étudiante en doctorat à l'Université du Colorado Boulder), Sara Del Valle, et Jim Gattiker. L'article de Dante peut être consulté ici :https://arxiv.org/abs/1909.13766
