Rethinking respiratory disease forecasting: temporal heterogeneity between surveillance predictors and outcomes drives forecast instability
Cette étude démontre que les relations instables et saisonnièrement variables entre divers prédicteurs de surveillance et les issues de maladies respiratoires compromettent l'efficacité des modèles de prévision statiques et de l'entraînement historique à long terme, nécessitant des stratégies adaptatives et une évaluation continue pour améliorer la précision des prévisions.
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
Chaque hiver, un rythme familier revient : les virus qui causent des rhumes, la grippe et d'autres maladies respiratoires commencent à circuler, poussant les hôpitaux vers leurs limites et forçant les communautés à faire des choix difficiles entre sécurité et soins. Pour les responsables de la santé publique, l'objectif est d'anticiper ces vagues avant qu'elles n'arrivent, afin de préparer les hôpitaux, d'ajuster le personnel et de conseiller le public. Pour ce faire, les scientifiques ont construit des systèmes de prévision qui agissent comme des bulletins météorologiques pour les maladies. Au lieu de suivre les nuages de pluie, ces systèmes suivent les signes d'infection dans la communauté, comme le nombre de personnes qui visitent les services d'urgence pour une toux, le nombre de tests viraux positifs, ou même la quantité de virus qui circule dans les réseaux d'égouts de la ville. L'idée sous-jacente a longtemps été que si l'on examine suffisamment l'histoire, on peut trouver un modèle stable : que la relation entre ces signes d'alerte précoce et le nombre de personnes qui finissent finalement à l'hôpital reste constante au fil du temps. Si cela était vrai, un modèle entraîné sur des années de données passées deviendrait simplement meilleur et plus précis en apprenant davantage.
Cependant, une nouvelle étude de l'Utah remet en question cette hypothèse réconfortante. Des chercheurs de là-bas ont cherché à tester si ces relations entre les signes d'alerte précoce et les hospitalisations restent réellement les mêmes, ou si elles se déplacent et changent à mesure que les virus eux-mêmes changent. Ils ont examiné les données de deux menaces respiratoires majeures : le SARS-CoV-2, le virus qui cause la COVID-19, et l'influenza. Ils ont recueilli un large éventail d'informations, incluant les décomptes quotidiens d'hospitalisations ventilés par âge, les visites aux urgences où les patients présentaient des symptômes de ces maladies, le pourcentage de tests viraux positifs, et les mesures de la concentration virale dans les eaux usées. En comparant ces différents flux de données aux chiffres réels d'hospitalisation sur plusieurs années, l'équipe a découvert que les connexions entre les signes d'alerte et les résultats sont loin d'être stables. Les modèles qui étaient vrais lors d'une saison ou pour une version spécifique d'un virus s'effondraient souvent lors de la suivante.
Les chercheurs ont constaté que lorsqu'ils examinaient l'ensemble des données de plusieurs années à la fois, les chiffres suggéraient un lien fort et cohérent entre les signes d'alerte et les hospitalisations. Il semblait que lorsque les visites aux urgences augmentaient, les hospitalisations suivaient de manière fiable. Mais cette vision était trompeuse. Lorsque les scientifiques zoomaient pour examiner des périodes de temps spécifiques, comme lors de l'émergence d'un nouveau variant du virus ou pendant une saison de grippe particulière, ces liens forts disparaissaient souvent ou s'inversaient même. Par exemple, lors des premières vagues de la pandémie, les données des enfants et des adultes ne bougeaient pas ensemble ; ce qui se passait dans un groupe disait peu de chose sur ce qui se passait dans l'autre. Plus tard, à l'apparition de nouveaux variants, les relations ont encore changé. Il en allait de même pour la grippe, où la connexion entre les signaux des eaux usées et les chiffres hospitaliers changeait de saison en saison. Cela signifie qu'un modèle construit sur l'hypothèse que « plus d'histoire égale une meilleure prédiction » s'entraîne en réalité sur des modèles qui n'existent plus, ce qui pourrait rendre ses prévisions moins précises.
Pour voir comment cela se traduisait en pratique, l'équipe a testé des dizaines de modèles de prévision différents pour prédire les hospitalisations. Ils ont testé deux méthodes principales pour enseigner ces modèles : une méthode utilisait une fenêtre de données récente et fixe, tandis que l'autre continuait d'ajouter des années de plus en plus anciennes au mélange, supposant qu'une histoire plus longue aiderait. Les résultats ont été surprenants. Les modèles qui accumulaient les anciennes données historiques générales performaient généralement moins bien que ceux qui se concentraient uniquement sur les semaines les plus récentes. Dans de nombreux cas, les modèles entraînés sur la plus longue période historique échouaient à prédire les points de bascule d'une épidémie, comme le moment où les cas commençaient à grimper ou à chuter. Les modèles qui s'adaptaient rapidement à la situation actuelle, ignorant le passé lointain, étaient souvent plus fiables. Cela suggère que le monde des virus respiratoires est trop fluide pour une formule unique et statique. La façon dont le virus se comporte, la manière dont les gens chercheent des soins médicaux, et la façon dont le virus apparaît dans nos eaux et nos cliniques sont tous dans un état de flux constant.
L'étude a également révélé qu'aucun type de modèle ou de source de données ne constituait une solution miracle. Une méthode qui fonctionnait parfaitement bien lors d'une vague de la pandémie pouvait échouer complètement lors de la suivante. De même, un modèle qui prédisait avec précision le pic de la grippe une année pouvait manquer sa cible la saison suivante. Les chercheurs ont découvert que la meilleure approche n'était pas de compter sur un seul « meilleur » modèle, mais d'utiliser un groupe diversifié de nombreux modèles différents travaillant ensemble. En combinant les prédictions de nombreuses approches différentes, le système pouvait rester robuste même lorsque les règles sous-jacentes de la maladie changeaient. Cette approche reconnaît que le futur n'est pas une simple rediffusion du passé. Au lieu de supposer que le passé détient la clé du futur, les prévisionnistes de la santé publique doivent constamment vérifier si leurs outils fonctionnent toujours et être prêts à adapter leurs méthodes à mesure que le virus évolue.
En fin de compte, les travaux de l'Utah suggèrent que la prévision des maladies respiratoires ressemble moins à la prédiction de la météo, où la physique de l'atmosphère reste largement cohérente, qu'à la navigation sur une rivière qui change constamment de cours. L'eau coule différemment selon la saison, la pluie et le terrain. Les chercheurs ont conclu que pour rester en tête de ces virus, les systèmes de santé publique doivent abandonner l'idée d'un modèle unique et parfait entraîné sur toute l'histoire disponible. Au lieu de cela, ils doivent construire des systèmes flexibles capables d'évaluer leur propre performance en temps réel, de rejeter les vieilles hypothèses lorsqu'elles ne correspondent plus et de s'appuyer sur une variété de perspectives différentes pour donner un sens à un paysage mouvant. Cela nécessite un partenariat continu entre les scientifiques et les responsables de la santé publique, garantissant que les outils utilisés pour protéger les communautés soient aussi dynamiques et réactifs que les menaces qu'ils sont censés suivre.
Noyé(e) sous les articles dans votre domaine ?
Recevez des digests quotidiens des articles les plus récents correspondant à vos mots-clés de recherche — avec des résumés techniques, dans votre langue.