Insights from the second season of collaborative influenza forecasting in Italy with updated targets incorporating virological information

La deuxième saison du hub collaboratif Influcast en Italie démontre que l'intégration de données virologiques dans les cibles de prévision, combinée à une approche d'ensemble, améliore significativement la précision et la fiabilité des prédictions épidémiques de la grippe par rapport aux modèles traditionnels basés uniquement sur les syndromes.

L'essentiel

🌧️ La grande bataille des prévisions de grippe en Italie

Imaginez que l'Italie est un grand navire qui navigue dans l'océan de l'hiver. Le capitaine (les autorités de santé) a besoin de savoir s'il va pleuvoir (grippe) ou s'il va y avoir une tempête (épidémie) dans les semaines à venir pour préparer les canots de sauvetage (hôpitaux, vaccins).

Depuis quelques années, un groupe d'experts appelé Influcast fonctionne comme une "équipe de prévisionnistes". Ils ne comptent pas sur une seule personne, mais sur six équipes différentes qui utilisent des méthodes variées (comme des mathématiques complexes, des modèles informatiques ou des statistiques) pour faire leurs propres prédictions. Ensuite, ils mélangent toutes ces prédictions pour obtenir une réponse unique et plus fiable : c'est ce qu'on appelle un ensemble (ou "mélange").

Mais cette année (la saison 2024/2025), ils ont fait une expérience très intéressante.

🎯 Le problème : La vieille carte est floue

Pendant longtemps, pour prédire la grippe, les experts regardaient simplement le nombre de gens qui avaient de la fièvre et de la toux. C'est ce qu'on appelle les "cas de syndrome grippal" (ILI).

L'analogie du brouillard :
Imaginez que vous essayez de voir une voiture au loin dans un brouillard épais. Vous voyez une forme, vous savez qu'il y a une voiture, mais vous ne savez pas si c'est une Ferrari (la vraie grippe) ou un vieux camion (un autre virus comme le rhume ou le COVID).

• Le problème, c'est que la "forme" (les symptômes) est souvent un mélange de tout ce qui circule. Cela rend la prévision floue et moins précise, un peu comme essayer de conduire avec des lunettes sales.

🔍 La solution : Ajouter des lunettes de réalité augmentée

Cette année, les chercheurs ont décidé de nettoyer leurs lunettes. Ils ont ajouté une nouvelle information : les tests de laboratoire.
Au lieu de juste regarder qui tousse, ils ont regardé qui a réellement le virus de la grippe A ou B dans son nez, grâce à des analyses de sang ou de nez.

Ils ont créé une nouvelle cible, qu'ils appellent ILI+.

• L'analogie du tri : C'est comme si, au lieu de compter tous les paquets qui arrivent à la poste (tous les malades), on ouvrait chaque paquet pour ne compter que ceux qui contiennent une lettre de la "Grippe A" ou de la "Grippe B". On ignore les autres courriers (les autres virus).

🏆 Les résultats : Le mélange gagne, et les nouvelles lunettes sont meilleures

Les chercheurs ont comparé deux façons de jouer :

1. L'ancien jeu : Prédire juste les gens qui toussent (ILI).
2. Le nouveau jeu : Prédire les gens qui ont vraiment la grippe (ILI+).

Voici ce qu'ils ont découvert :

• Le mélange est le champion : L'équipe qui a combiné les prévisions des six modèles (l'ensemble) a été la plus précise, battant la plupart des modèles individuels et la "devinette de base" (qui consiste à dire "demain sera comme aujourd'hui").
• Les nouvelles lunettes gagnent : Les prévisions basées sur le nouveau système (ILI+) étaient beaucoup plus précises que l'ancien système.
  • L'image : C'est comme si, en passant du brouillard à la vision claire, les prévisionnistes ont pu dire "Il va pleuvoir dans 3 jours" avec beaucoup plus de certitude.
  • Pour la Grippe A, l'amélioration était énorme. Pour la Grippe B, c'était aussi mieux, mais un peu moins spectaculaire car le virus B était moins actif cette année-là.

💡 Pourquoi est-ce important pour nous ?

Cette recherche nous apprend deux choses essentielles :

1. La précision sauve des vies : En séparant la vraie grippe des autres virus, on peut mieux dire aux hôpitaux : "Préparez-vous pour la Grippe A, mais ne vous inquiétez pas trop pour la Grippe B". Cela évite de gaspiller des ressources ou de paniquer inutilement.
2. La force du groupe : Quand on mélange les avis de plusieurs experts (l'ensemble), on obtient toujours un résultat plus fiable que de faire confiance à un seul "génie".

En résumé :
Les chercheurs italiens ont prouvé que pour prévoir l'avenir de la grippe, il ne suffit pas de regarder les symptômes flous. Il faut regarder les preuves scientifiques (les tests). Et quand on combine les regards de plusieurs experts sur ces preuves claires, on obtient la meilleure boussole possible pour naviguer dans la tempête hivernale.

Résumé technique

Titre de l'étude

Insights from the second season of collaborative influenza forecasting in Italy with updated targets incorporating virological information (Perspectives de la deuxième saison de prévisions collaboratives de la grippe en Italie avec des cibles mises à jour intégrant des informations virologiques).

1. Problématique

La surveillance épidémiologique de la grippe repose traditionnellement sur l'incidence des syndromes grippaux (ILI - Influenza-Like Illness). Cependant, l'ILI est un indicateur syndromique (basé sur des symptômes comme la fièvre et la toux) qui ne distingue pas spécifiquement le virus de la grippe des autres infections respiratoires co-circulantes (RSV, rhinovirus, SARS-CoV-2, etc.).

• Limites actuelles : La spécificité de l'ILI a diminué, rendant les signaux plus bruyants et moins prévisibles. Les modèles entraînés sur des données ILI agrégées capturent des tendances composites plutôt que des trajectoires spécifiques à un pathogène, ce qui réduit la précision des prévisions, surtout à long terme.
• Opportunité : L'expansion des systèmes de surveillance virologique offre la possibilité de créer des cibles de prévision plus précises en intégrant les données de détection virale pour isoler l'activité réelle de la grippe (types A et B) du bruit de fond des autres pathogènes.

2. Méthodologie

L'étude se déroule dans le cadre d'Influcast, un hub collaboratif de prévision de la grippe en Italie, durant la saison hivernale 2024/2025.

• Données et Cibles :

  • Données : Intégration des données de surveillance syndromique (cas ILI rapportés par les médecins sentinelles) et des données virologiques (détections positives par type viral) fournies par l'Institut Supérieur de Santé italien (ISS) via le réseau RespiVirNet.
  • Nouvelles cibles (ILI+) : Définition de deux nouvelles cibles de prévision, ILI+(Flu A) et ILI+(Flu B). Ces indicateurs sont calculés comme le produit de l'incidence ILI et de la proportion de cas confirmés positifs pour le type A ou B :
    $$ILI+(Flu X) = ILI \times \frac{\text{Positifs Flu X}}{\text{Total Positifs}}$$
  • Horizon : Prévisions probabilistiques sur 1 à 4 semaines.

• Modèles et Ensembles :

  • Participation : Six modèles indépendants ont soumis des prévisions (5 modèles mécanistes, dont un approche métapopulation, et 1 modèle statistique).
  • Ensemble : Les prévisions individuelles ont été combinées en un ensemble utilisant la méthode de la moyenne des quantiles (moyenne de Vincent).
  • Référence : Comparaison avec un modèle de base naïf (modèle de persistance).

• Évaluation :

  • Métriques principales : Score Intervalle Pondéré (WIS) pour la précision et l'étalonnage, Erreur Absolue (AE) de la médiane, et Couverture de prédiction (fraction des observations dans les intervalles de confiance).
  • Analyse comparative : Performance des modèles sur les cibles ILI classiques vs. les cibles ILI+ enrichies.

3. Contributions Clés

1. Validation opérationnelle de cibles hybrides : Première évaluation à grande échelle montrant que l'intégration de données virologiques dans la définition des cibles de prévision améliore la performance prédictive dans un contexte collaboratif réel.
2. Supériorité de l'Ensemble : Démonstration que l'approche d'ensemble reste robuste et performante même avec des cibles plus complexes et spécifiques (ILI+).
3. Analyse comparative ILI vs ILI+ : Mise en évidence quantitative de la réduction de l'erreur et de l'amélioration de l'étalonnage lorsque l'on passe d'une cible syndromique brute à une cible pathogène-spécifique.
4. Cadre reproductible : Proposition d'un cadre méthodologique pour décomposer les signaux syndromiques en composantes virales afin d'améliorer la surveillance épidémique.

4. Résultats Principaux

• Performance de l'Ensemble : L'ensemble des modèles a systématiquement surperformé le modèle de base et la majorité des modèles individuels sur les cibles ILI+ (Flu A et Flu B) selon le WIS, l'AE et la couverture.
  • Pour ILI+(Flu A), l'ensemble a obtenu le 2ème meilleur WIS relatif (0,38) et le 2ème meilleur AE relatif (0,40).
  • Pour ILI+(Flu B), l'ensemble s'est classé 2ème sur la plupart des métriques, juste derrière le modèle mécaniste-3.
• Amélioration par rapport aux cibles ILI classiques :
  • Les ratios WIS et AE (Ensemble/Base) étaient significativement plus faibles (donc meilleurs) pour les cibles ILI+ que pour la cible ILI standard.
  • L'amélioration était plus marquée pour ILI+(Flu A) que pour ILI+(Flu B) (ce dernier ayant une circulation plus faible et décalée durant la saison étudiée).
  • La différence de performance était statistiquement significative (test de Wilcoxon) sur tous les horizons pour Flu A, et sur la plupart pour Flu B.
• Étalonnage (Calibration) : Les prévisions de l'ensemble pour les cibles ILI+ ont montré une meilleure calibration (couverture de 90% plus proche de la valeur nominale de 0,90) que pour la cible ILI. Les prévisions ILI classiques étaient systématiquement trop confiantes (sous-estimation de l'incertitude) avant le pic épidémique.
• Stabilité : L'ensemble a démontré une stabilité supérieure, se classant dans la moitié supérieure des modèles dans plus de 80% des rounds pour Flu A et 90% pour Flu B.

5. Signification et Implications

• Pour la santé publique : L'utilisation de cibles ILI+ permet une prise de décision plus éclairée. En distinguant l'activité de la grippe A et B du bruit des autres virus, les autorités peuvent mieux cibler les interventions (vaccination, mesures de confinement) et améliorer la communication des risques.
• Pour la modélisation épidémique : Cette étude confirme que la "propreté" des données d'entrée (en filtrant le bruit syndromique par des données virologiques) se traduit directement par une meilleure précision prédictive, même pour des modèles mécanistes complexes.
• Perspectives futures : Les auteurs suggèrent d'étendre ce cadre à d'autres pathogènes respiratoires (RSV, etc.) pour créer des prévisions multi-pathogènes. Cela permettrait de reconstruire le signal ILI global à partir de prévisions spécifiques à chaque pathogène, offrant une vision plus granulaire et précise de la dynamique épidémique hivernale.

En conclusion, cette étude valide l'approche consistant à enrichir les cibles de prévision épidémique avec des données virologiques, transformant ainsi les prévisions de la grippe en un outil plus fiable pour la surveillance en temps réel et la réponse aux crises sanitaires.