📊 epidemiology

DELENDA: Differentiable Epidemiology for Latent-state Estimation and Nonlinear Decision Analysis

DELENDA est un modèle compartimental différentiable, basé sur JAX, qui permet un étalonnage bayésien et une optimisation sous contraintes efficaces afin d'adapter les stratégies d'intervention contre le paludisme à travers des contextes sous-nationaux, tout en tenant explicitement compte des incertitudes biologiques, opérationnelles et de coût.

Auteurs originaux : Suresh, J.

Publié 2026-07-15

📖 7 min de lecture🧠 Analyse approfondie

CC BY 4.0

Auteurs originaux : Suresh, J.

Article original sous licence CC BY 4.0 (https://creativecommons.org/licenses/by/4.0/). ⚕️ Ceci est une explication générée par l'IA d'un preprint qui n'a pas été évalué par des pairs. Ce n'est pas un avis médical. Ne prenez pas de décisions de santé basées sur ce contenu. Lire la clause de non-responsabilité complète

Imaginez que vous soyez le capitaine d'un navire massif tentant de naviguer dans une mer tempétueuse de paludisme. Vous disposez d'une réserve limitée de carburant (argent) et d'une panoplie d'outils différents pour combattre la tempête : des moustiquaires, des sprays, des médicaments pour les enfants et des vaccins. La grande question est la suivante : quels outils utilisez-vous, en quelle quantité, et dans quel ordre, pour sauver le plus de vies possible sans épuiser votre carburant ?

Pendant longtemps, les scientifiques essayant de répondre à cette question étaient comme des chefs cuisinant dans l'obscurité : ils ont des recettes complexes (des modèles) qui expliquent comment le paludisme se propage, mais ces recettes sont si compliquées qu'ils ne peuvent pas facilement goûter le plat pendant la cuisson. Ils doivent deviner les ingrédients, cuisiner tout le repas, le goûter, réaliser qu'il est trop salé, puis tout recommencer depuis le début. C'est lent, et cela rend difficile de savoir à quel point la « saveur » (le résultat) pourrait changer si l'on modifiait une seule épice.

Entrez dans DELENDA (un nom inspiré de l'expression romaine ancienne « Carthage doit être détruite », mais qui signifie ici « Le paludisme doit être détruit »). Ce document présente un nouveau type de « cuisine intelligente » qui permet au chef de goûter le plat pendant qu'il cuisine, en ajustant la recette instantanément.

L'ingrédient magique : un modèle de « goût au fur et à mesure »

Les auteurs ont construit un modèle informatique qui est différentiable. En langage clair, cela signifie que le modèle est lisse et connecté d'une manière qui permet à un ordinateur de calculer exactement comment un changement infime dans un ingrédient (comme le coût d'une moustiquaire) se répercute à travers tout le système pour modifier le résultat final.

Au lieu de deviner et de vérifier, le modèle utilise un « gradient » mathématique (comme une pente) pour glisser directement vers la meilleure solution possible. C'est comme avoir un GPS qui ne se contente pas de vous dire où vous êtes, mais qui calcule instantanément l'itinéraire le plus rapide vers votre destination, peu importe les changements de trafic.

Le grand test : simuler une bataille contre le paludisme

Les chercheurs n'ont pas seulement construit le modèle ; ils l'ont mis à l'épreuve dans un monde simulé. Ils ont injecté des données provenant de huit localisations différentes en Afrique (incluant cinq sites réels et trois villages issus d'un célèbre projet des années 1970 appelé le Projet Garki). Ils ont appris au modèle à correspondre aux données réelles sur le nombre de personnes ayant contracté le paludisme et sur le nombre de malades.

Une fois ce modèle « calibré » (entraîné), ils lui ont posé un puzzle difficile : Comment dépenser un budget allant de 1 à 25 dollars par personne sur trois ans pour stopper le plus de cas de paludisme ? Ils ont testé cela à travers différents niveaux de danger palustre (de faible à très élevé) et pour deux objectifs distincts : sauver le plus d'enfants de moins de cinq ans, ou sauver le plus de personnes de tous âges.

Ce qu'ils ont découvert (les trois grandes conclusions)

1. Le « meilleur plan » est robuste, mais le « résultat » est un pari
La découverte la plus surprenante est que le classement des outils est très stable. Que les scientifiques ajoutent de l'incertitude sur le comportement des moustiques, sur l'efficacité des médicaments ou sur le coût des choses, le modèle continue de choisir le même ordre d'outils :

D'abord : Les moustiquaires (ITN). Elles sont le pilier de la stratégie.
Ensuite : Le traitement saisonnier pour les enfants (SMC).
Troisièmement : Les vaccins.
Enfin : La pulvérisation intra-domiciliaire (IRS), qui est coûteuse et intervient plus tard.

Cependant, si le plan ne change pas beaucoup, l'issue, elle, est une véritable montagne russe. Lorsque les chercheurs ont ajouté toutes les incertitudes, le nombre de cas de paludisme qui pouvaient être évités variait énormément. C'est comme savoir que vous devez prendre l'autoroute pour rejoindre la ville, mais que les embouteillages (l'incertitude) signifient que vous pourriez arriver dans 30 minutes ou dans 3 heures. Le document suggère que si nous pouvons être assez certains de ce qu'il faut acheter, nous devons être très prudents quant à la prédiction du nombre exact de vies sauvées.

2. Qui vous essayez de sauver change le plan
L'objectif compte. Si vous dites au modèle de « sauver le plus d'enfants de moins de cinq ans », il se précipite pour obtenir des médicaments saisonniers et des vaccins pour les enfants immédiatement. Mais si vous dites « sauver tout le monde, jeunes et vieux », le modèle retient les vaccins pour les enfants et dépense davantage pour la pulvérisation intra-domiciliaire, qui protège toute la communauté en tuant les moustiques. Le document montre que le changement d'objectif modifie la stratégie de manière significative, plus encore que l'incertitude sur les coûts ou les insectes.

3. Le « piège du budget » et le filet de sécurité
Voici une partie délicate : si vous planifiez votre budget sur la base du coût moyen de chaque chose, vous avez une chance de 42 % à 52 % de manquer d'argent ! C'est comme planifier une fête en se basant sur le prix moyen d'une pizza, pour finalement découvrir que vous devez en acheter le double à cause d'une hausse de prix imprévue.

Le document suggère une méthode plus intelligente : utiliser des règles de « risque de queue » (tail-risk). Cela signifie planifier pour le pire scénario (comme le 90e percentile des coûts). Si vous faites cela, vous dépenserez peut-être un peu moins pour la prévention du paludisme (environ 8 à 11 % de cas évités en moins), mais vous réduisez votre risque de manquer d'argent à seulement 4 à 10 %. C'est un compromis : un impact légèrement moindre pour une bien plus grande sécurité.

Ce que ce modèle N'EST PAS

Il est important de savoir ce que ce document ne fait pas.

Il n'est pas une recommandation destinée à une ville spécifique pour une utilisation immédiate. Les auteurs précisent explicitement qu'il s'agit d'une « preuve de concept » et d'une « étude de cas méthodologique ». Ils ont utilisé des données générales, et non des détails locaux spécifiques comme la résistance actuelle aux insecticides ou les prix locaux exacts.
Il ne remplace pas les simulateurs ultra-détaillés, basés sur les individus, qui suivent l'historique de chaque personne. Les auteurs soutiennent que pour les questions de grande envergure (comme « quelle classe d'outils devrions-nous prioriser ? »), un modèle plus simple et plus rapide est en réalité préférable, car il peut exécuter des milliers de simulations pour comprendre l'incertitude, alors que les modèles ultra-détaillés sont trop lents pour le faire.
Il ne prétend pas avoir résolu le problème du paludisme. Il prétend avoir construit un meilleur outil pour la prise de décision face à l'incertitude.

L'essentiel

Le document suggère qu'en rendant les mathématiques « lisses » et différentiables, nous pouvons enfin faire fonctionner un modèle qui ne nous donne pas seulement une réponse, mais qui nous montre toute l'étendue des possibilités. Il nous indique que si le « meilleur » mélange d'outils est probablement stable, le nombre réel de vies sauvées est hautement incertain. Et, si nous voulons être en sécurité avec notre argent, nous devons planifier pour le pire scénario de coûts, même si cela signifie sauver quelques cas de moins.

En bref, DELENDA est une boussole nouvelle, rapide et flexible pour naviguer dans les eaux complexes et brumeuses du contrôle du paludisme, aidant les dirigeants à voir non seulement la destination, mais aussi les tempêtes qui pourraient les frapper en cours de route.

Résumé technique : DELENDA – Épidémiologie différentiable pour l'estimation des états latents et l'analyse de décision non linéaire

Énoncé du problème

L'ajustement subnational de la lutte contre le paludisme (SNT - Subnational Malaria Tailoring) est fondamentalement un problème d'allocation au niveau de la population : déterminer quelles interventions (ex: moustiquaires imprégnées d'insecticide [MII], traitement préventif saisonnier [SMC], pulvérisation intra-domiciliaire [IRS] et vaccins) doivent être prioritaires, à quels niveaux de couverture, et sous des contraintes spécifiques de budget et d'incertitude.

Les flux de travail actuels sont confrontés à une dichotomie dans les approches de modélisation :

Modèles simples (ex: Ross–Macdonald) : Analytiquement tractables mais manquant de la complexité biologique (immunité acquise, risque spécifique à l'âge, hétérogénéité) nécessaire pour une politique nuancée.
Modèles complexes basés sur les individus (ex: EMOD, OpenMalaria) : Riches en détails biologiques mais coûteux en calcul et souvent non différentiables. Cela limite leur utilité dans l'optimisation tenant compte de l'incertitude, forçant les analystes à s'appuyer sur des balayages de scénarios ou des analyses de sensibilité locale plutôt que sur une propagation complète du postérieur.

Le goulot d'étranglement central est que les modèles capables d'un étalonnage bayésien rigoureux et d'une optimisation contrainte continue sont souvent trop grossiers, tandis que les modèles dotés de représentations biologiques sophistiquées sont difficiles à ajuster et à intégrer dans des boucles de décision qui doivent tenir compte de l'incertitude de la biologie des vecteurs, de l'efficacité des interventions et des coûts.

Méthodologie

Le modèle DELENDA

DELENDA est un modèle compartimenté déterministe et structuré conçu pour combler ce fossé. Il suit la masse de la population à travers quatre axes biologiques clés sans simuler les historiques individuels :

Âge : 11 classes couvrant de 0 à 75 ans.
Hétérogénéité du risque de piqûre : 5 strates dérivées d'une distribution exponentielle.
Immunité : Discrétisée en 10 niveaux.
Multiplicité de l'infection (MOI) : Jusqu'à 15 infections concomitantes.

La dimension de l'état humain est de $5 \times 11 \times 10 \times 16 = 8\,800$ compartiments. Le modèle couple ce sous-système humain avec un sous-système de vecteurs saisonniers (larves, susceptibles, exposés et moustiques infectieux).

Implémentation différentiable

Le modèle est entièrement implémenté en JAX, rendant la simulation directe (forward simulation) différentiable de bout en bout.

Solveur : Utilise une mise à jour exponentielle-Euler avec des corrections de conservation de la masse pour la stabilité.
Gradients : Emploie une méthode d'adjoint de premier ordre par produit vecteur-Jacobien (VJP) personnalisée pour l'intégration des équations différentielles ordinaires (ODE), permettant la différenciation par mode inverse à travers le solveur.
Flux de travail : La même fonction compilée est utilisée pour :
1. Étalonnage du postérieur : Utilisation des gradients pour l'ajustement basé sur la vraisemblance.
2. Optimisation de la décision : Utilisation des gradients pour l'optimisation contrainte continue de la couverture des interventions.

Étalonnage et inférence

Données : Étalonné conjointement sur huit sites : cinq sites transversaux (Tanzanie, Sénégal, Kenya) et trois villages pré-intervention du projet Garki (Nigeria). Les données incluent la prévalence stratifiée par âge et l'incidence clinique.
Vraisemblance : Utilise une loi bêta-binomiale pour la prévalence et une loi négative-binomiale pour l'incidence.
Inférence : Utilise l'inférence variationnelle stochastique (SVI) pour l'initialisation et un échantillonneur No-U-Turn (NUTS) pour le postérieur final. Le postérieur se compose de 38 paramètres (30 paramètres de l'histoire naturelle/observation partagés et 8 ajustements d'EIR spécifiques au site).

Cadre d'analyse de décision

Le cadre optimise la couverture continue ( $\theta_{int} \in [0, 0.9]^4$ ) pour les MII, le SMC, l'IRS et la vaccination pédiatrique.

Propagation de l'incertitude : L'analyse propage l'incertitude provenant de quatre sources :
1. Le postérieur étalonné (incertitude biologique).
2. Les priors de la biologie des vecteurs (conditionnés sur l'EIR observé).
3. Les priors d'efficacité des interventions.
4. Les priors de coût (coûts en équivalent résident avec frais généraux convexes).
Conditionnement : Pour isoler l'incertitude du vecteur, le modèle conditionne sur un taux d'inoculation entomologique (EIR) cible en résolvant l'amplitude de recrutement larvaire ( $K_{wet}$ ) pour chaque tirage du vecteur/postérieur.
Optimisation : Résout $\max_{\theta_{int}} E[\Delta Y]$ sous contrainte de budget ( $\rho[C] \le B$ ), où $\Delta Y$ est les cas évités. Trois règles de budget sont testées : Coût attendu, 90e percentile du coût ( $q_{90}$ ), et Valeur à Risque Conditionnelle ( $CVaR_{90}$ ).

Résultats clés

1. Performance de l'étalonnage

Le postérieur NUTS reproduit avec succès la prévalence stratifiée par âge et l'incidence clinique sur une large gamme d'EIR (de 13 à 329) et correspond aux cibles d'infectiosité du projet Garki. Le postérieur resserre les paramètres d'échelle centraux tout en laissant certains paramètres de forme et de maturation faiblement informés, fournissant une distribution d'incertitude réaliste.

2. Classement des interventions et robustesse

Dans un contexte de transmission hautement saisonnier (modélisé d'après Dapelogo, Burkina Faso), le classement optimisé des interventions est robuste à l'incertitude :

Les MII sont prioritaires en premier, atteignant 90 % de couverture pour des budgets de 3 à 5 $.
Le SMC sature rapidement pour les objectifs de moins de cinq ans.
Les vaccins interviennent à des budgets modérés.
L'IRS apparaît plus tard comme un ajout à coût élevé.
Impact de l'incertitude : L'ajout de l'incertitude du postérieur, du vecteur, de l'efficacité et du coût modifie de manière peu significative le mélange de couverture optimisé (décalage L1 moyen < 0,05). Cependant, cela élargit considérablement la distribution des cas évités projetés (écart-type de 6,5 à 7,3 points de pourcentage).

3. Sensibilité de l'objectif

Le choix de la fonction d'objectif entraîne des changements qualitatifs plus importants que l'incertitude :

Optimisation pour les moins de cinq ans : Priorise le SMC et la vaccination plus tôt.
Optimisation pour tous les âges : Retarde la vaccination et favorise l'IRS, qui protège la population plus large via la mortalité des vecteurs.

4. Incertitude des coûts et règles de budget

L'incertitude des coûts agit principalement comme un problème du côté des contraintes :

L'optimisation du coût attendu conduit à une probabilité élevée (42–52 %) de dépassement de budget.
Les règles de risque de queue ( $q_{90}$ et $CVaR_{90}$ ) réduisent considérablement la probabilité de dépassement (à environ 10 % et 4,5 % respectivement) mais nécessitent de sacrifier l'impact attendu (réduction de 8 à 11 % des cas évités). Ce compromis permet de quantifier la "marge de manœuvre" requise pour la sécurité budgétaire.

Signification et affirmations

L'article positionne DELENDA non pas comme un remplacement des simulateurs basés sur les individus dans tous les contextes, mais comme un outil spécialisé pour les problèmes d'allocation au niveau de la population où la cible de décision est un fardeau agrégé.

La différentiabilité comme facilitateur de flux de travail : La principale contribution est architecturale. En rendant le modèle compartimenté différentiable, DELENDA permet un étalonnage bayésien efficace et une optimisation contrainte continue. Cela permet à l'espace complet des paramètres biologiques d'être exposé à l'étalonnage du postérieur et transporté dans l'optimisation de la décision, une tâche difficile avec des modèles non différentiables.
Approche axée sur l'incertitude : Le cadre démontre que pour de nombreuses questions d'ajustement subnational, le classement des interventions est plus robuste que l'impact projeté. La valeur de l'approche réside dans la quantification de la largeur de la distribution d'impact autour d'un portefeuille optimal stable, plutôt que dans le changement constant du portefeuille lui-même.
Pertinence opérationnelle : L'article affirme fournir un flux de travail réutilisable pour l'ajustement subnational qui couple explicitement le problème d'estimation (étalonnage) avec le problème de décision (optimisation), garantissant que les recommandations sont robustes aux hypothèses qui les ont générées.

Les auteurs déclarent explicitement que les résultats sont une « preuve de concept » et une « étude de cas méthodologique » plutôt qu'une recommandation prête au déploiement pour un district spécifique, notant qu'une utilisation opérationnelle nécessiterait des données locales pour les coûts, la résistance et les contraintes de mise en œuvre.