📄 medicine

Forecasting Influenza Incidence and Analyzing Interactive Effects of Environmental Factors across Different Age Groups in Beijing

Cette étude analyse l'épidémiologie de l'influenza à Pékin de 2005 à 2020, démontrant que le modèle de Holt-Winters surpasse les autres méthodes de séries temporelles pour les prévisions à facteur unique, tandis qu'un modèle Bi-LSTM intègre efficacement les données météorologiques et les polluants atmosphériques pour révéler les déclencheurs environnementaux spécifiques à l'âge et les effets d'interaction pour des stratégies de prévention ciblées.

Auteurs originaux : Guolong Qu, Weiming Hou

Publié 2026-06-30

📖 6 min de lecture🧠 Analyse approfondie

CC BY 4.0

Auteurs originaux : Guolong Qu, Weiming Hou

Article original sous licence CC BY 4.0 (https://creativecommons.org/licenses/by/4.0/). ✨ Ceci est une explication générée par l'IA de l'article ci-dessous. Elle n'a pas été rédigée ni approuvée par les auteurs. Pour une précision technique, consultez l'article original. Lire la clause de non-responsabilité complète

La vue d'ensemble : Prédire la grippe à Pékin

Imaginez essayer de prédire quand une tempête frappera une ville. Vous devez regarder la météo, mais vous devez aussi savoir qui est le plus susceptible de finir mouillé. Cette étude a fait exactement cela pour la grippe à Pékin, en Chine, en examinant des données de 2005 à 2020.

Les chercheurs avaient trois objectifs principaux :

Trouver le meilleur « prévisionniste météo » pour les chiffres de la grippe (en utilisant des modèles mathématiques).
Identifier les « déclencheurs » environnementaux (comme la pluie, la chaleur ou le smog) qui provoquent des pics de grippe.
Voir si différentes tranches d'âge (enfants, adultes, seniors) réagissent différemment à ces déclencheurs.

1. Nettoyage des données : Supprimer les « bugs »

Avant de commencer les prédictions, les chercheurs ont dû nettoyer leurs données. Considérez les chiffres des cas de grippe comme un moniteur de fréquence cardiaque. Habituellement, il a un rythme régulier, mais parfois, il peut présenter des pics sauvages dus à un bug ou à une erreur de capteur.

Dans les données brutes, il y avait des pics énormes et irréalistes de cas de grippe (valeurs aberrantes) qui n'avaient pas de sens. Les chercheurs ont agi comme un ingénieur du son, lissant ces « craquements et cliquetis » pour obtenir un signal clair. Cela a rendu les données beaucoup plus stables et fiables pour que leurs modèles puissent les lire.

2. Le concours de prévisions : Qui a gagné ?

L'équipe a organisé une course entre trois modèles mathématiques différents pour voir lequel pourrait le mieux prédire les chiffres de la grippe pour l'année 2020.

Les concurrents :
- SARIMA : Un modèle classique et rigide qui essaie d'ajuster une ligne droite à une courbe sinueuse.
- FKF (Filtre de Kalman) : Un modèle complexe et de haute technologie, souvent utilisé dans les systèmes de navigation.
- Holt-Winters : Un modèle spécifiquement conçu pour gérer les phénomènes qui montent et descendent selon les saisons (comme la grippe).
Le résultat :
Le modèle Holt-Winters a remporté la course haut la main.
- Pourquoi ? La grippe à Pékin est très saisonnière (elle adore l'hiver). Le modèle Holt-Winters est comme un surfeur chevronné qui sait exactement quand les vagues (les saisons de la grippe) arrivent.
- Les perdants : Le modèle SARIMA s'est laissé dérouter par les vagues et a prédit une hausse de la grippe quand elle descendait. Le filtre de Kalman était trop lisse ; il a prédit une ligne plate et a totalement manqué les grands pics hivernaux.

À retenir : Pour une prédiction simple de la grippe à Pékin, vous n'avez pas besoin de la science de la fusée la plus complexe ; vous avez besoin d'un modèle qui comprend les saisons.

3. L'expérience de Deep Learning : Le « super-cerveau »

Ensuite, les chercheurs ont testé une approche plus avancée utilisant le Bi-LSTM, un type d'Intelligence Artificielle (Deep Learning). Au lieu de regarder seulement le temps, ce « super-cerveau » a tenté d'apprendre de nombreux facteurs environnementaux simultanément (température, pluie, humidité et pollution de l'air).

Ses performances :
- Pour les personnes âgées (60+) : L'IA a été une star. Elle a prédit les cas de grippe chez les seniors avec une grande précision et ne s'est pas laissé dérouter (surapprentissage/overfit). C'était comme un grand-parent sage qui sait exactement quand le froid arrive.
- Pour les adultes (15–59) : L'IA a le plus eu de mal. Elle n'a pas réussi à trouver de motif clair, ce qui suggère que les cas de grippe chez les adultes sont influencés par des facteurs désordonnés et imprévisibles que le modèle ne parvient pas à saisir.
- Pour les enfants (0–14) : L'IA s'en est bien sortie, mais a tout de même commis des erreurs.

4. Les « déclencheurs » : Qu'est-ce qui fait bondir la grippe ?

Les chercheurs ont utilisé un outil appelé Forêt Aléatoire (Random Forest — imaginez une équipe d'arbres de décision) pour déterminer quels facteurs environnementaux comptaient le plus.

Les déclencheurs universels : Pour tout le monde (enfants, adultes et seniors), la météo était le patron. La température, la pluie et l'humidité étaient les trois principales raisons de la propagation de la grippe.
Les déclencheurs spécifiques à l'âge :
- Enfants et adultes (0–59) : Ces groupes étaient sensibles à la pollution de l'air (plus précisément l'indice de qualité de l'air ou AQI). C'est comme si leurs poumons étaient plus facilement irrités par le smog, les rendant plus susceptibles de contracter la grippe.
- Seniors (60+) : Ce groupe était moins préoccupé par le smog général et plus sensible à des gaz spécifiques comme le monoxyde de carbone (CO) et l'ozone (O₃). Cela pourrait être dû au fait que leurs poumons ont plus de mal à filtrer ces gaz spécifiques avec l'âge.

5. L'effet du « double problème »

Enfin, ils ont examiné comment ces facteurs interagissaient entre eux.

La découverte : La plupart des facteurs ne se sont pas associés fortement. Cependant, l'humidité a agi comme un « bouton de volume ». Quand l'humidité était élevée, les effets néfastes de la pollution de l'air devenaient légèrement plus forts (pires). C'est comme la façon dont le bois humide brûle différemment du bois sec ; l'humidité change la manière dont la pollution affecte les gens.

Conclusion résumée

L'article conclut que :

La simplicité est préférable : Le modèle Holt-Winters est le meilleur outil pour prédire les chiffres de la grippe en se basant uniquement sur le temps.
L'IA a ses limites : Le modèle d'IA Bi-LSTM fonctionne bien pour les seniors mais peine avec les adultes, montrant que différents groupes ont besoin de différents outils de prédiction.
Un modèle unique ne convient pas à tous : Bien que la météo soit le principal coupable pour tout le monde, les enfants et les adultes sont plus touchés par le smog général, tandis que les seniors sont plus touchés par des gaz spécifiques comme le CO et l'ozone.

Pour stopper la grippe, nous devons surveiller de près la météo, mais nous devons aussi nous rappeler qu'une mise en garde pour un enfant de 10 ans peut devoir se concentrer sur des polluants différents de ceux d'une mise en garde pour un octogénaire.

Résumé Technique : Prévision de l'incidence de la grippe et analyse des effets interactifs des facteurs environnementaux selon les groupes d'âge à Pékin

Énoncé du problème
La grippe demeure une maladie hautement prévalente sujette à des épidémies de grande ampleur, particulièrement en hiver, posant des défis importants aux systèmes de santé publique. Bien que la modélisation basée sur les données soit de plus en plus intégrée à la surveillance de la grippe, les approches existantes souffrent souvent de limitations spécifiques : de nombreux modèles reposent sur des algorithmes uniques sans cadres intégrés, ne parviennent pas à incorporer des variables météorologiques et environnementales à haute fréquence, et négligent le traitement des valeurs aberrantes dans les données de séries chronologiques brutes. De plus, il existe un manque de recherche traitant de la manière dont les facteurs environnementaux interagissent différemment selon les groupes d'âge spécifiques, ce qui restreint le développement de stratégies d'alerte précoce précises et d'interventions ciblées. Cette étude vise à combler ces lacunes en analysant les caractéristiques épidémiologiques à Pékin (2005–2020), en comparant les performances prédictives des modèles de séries chronologiques et d'apprentissage profond, et en identifiant les principaux facteurs environnementaux ainsi que leurs interactions à travers différentes catégories démographiques d'âge.

Méthodologie
L'étude a utilisé des données de surveillance mensuelle de la grippe de 2005 à 2020 et des données environnementales (indicateurs météorologiques et polluants atmosphériques) de 2014 à 2020 à Pékin. La population a été stratifiée en quatre groupes : population totale, 0–14 ans, 15–59 ans et plus de 60 ans.

Prétraitement des données : L'identification et la correction des valeurs aberrantes ont été effectuées sur les données de séries chronologiques afin d'améliorer la stabilité tout en préservant les caractéristiques globales de la distribution.
Prédiction à facteur unique : Trois modèles de séries chronologiques ont été construits et évalués à l'aide d'un ensemble d'entraînement (2005–2019) et d'un ensemble de test (2020) :
- SARIMA : Suivant la procédure Box-Jenkins avec différenciation saisonnière.
- Holt-Winters : Un modèle additif décomposant la série en composantes de niveau, de tendance et de saisonnalité.
- Filtre de Kalman (FKF) : Un modèle d'espace d'état avec des étapes de prédiction et de mise à jour itératives.
- Métriques : Erreur quadratique moyenne (RMSE), Erreur absolue moyenne (MAE) et Erreur absolue en pourcentage (MAPE).
Prédiction multi-facteurs : Un modèle d'apprentissage profond de type Bi-LSTM (Long Short-Term Memory bidirectionnel) a été établi. Les facteurs environnementaux significatifs ont été sélectionnés via une analyse de corrélation de Spearman. Le jeu de données a été divisé de manière chronologique (75 % entraînement, 25 % test) pour éviter toute fuite de données. Le réseau utilisait une couche LSTM bidirectionnelle, une activation ReLU et des stratégies d'arrêt précoce (early stopping).
Évaluation de l'interaction : L'algorithme de Forêt Aléatoire (Random Forest, RF), combiné à l'indice de profondeur minimale moyenne, a été employé pour évaluer l'importance des variables et quantifier les effets d'interaction entre les facteurs environnementaux.

Résultats clés

Tendances épidémiologiques : L'incidence de la grippe à Pékin a montré une tendance globale à la hausse de 2005 à 2020, l'hiver étant la saison dominante (75,76 % des cas). Les enfants de 0 à 14 ans constituaient le groupe à haut risque (56,32 % des cas), tandis que le groupe d'âge des 15–59 ans était la seule catégorie présentant une incidence relativement plus élevée en été.
Performance des modèles à facteur unique : Le modèle additif Holt-Winters a systématiquement surpassé SARIMA et FKF pour tous les groupes d'âge, atteignant les valeurs les plus basses de RMSE, MAE et MAPE. SARIMA a présenté une faible stabilité avec une surestimation ou une sous-estimation des pics, tandis que le FKF a produit des courbes plates incapables de capturer les variations saisonnières. Le modèle Holt-Winters a été identifié comme le prédicteur à facteur unique optimal.
Performance des modèles multi-facteurs : Le modèle Bi-LSTM a démontré une efficacité variable selon les groupes d'âge. Le groupe des personnes âgées (plus de 60 ans) a atteint la précision de prédiction la plus élevée avec le surapprentissage le plus léger (RMSE et MAE les plus bas sur l'ensemble de test). À l'inverse, le groupe des 15–59 ans a présenté le coefficient de détermination ( $R^2$ ) le plus bas, et le groupe de la population totale a montré les erreurs de prédiction les plus importantes.
Facteurs déterminants et interactions :
- Facteurs de base : Les facteurs météorologiques (température, précipitations et humidité) étaient les principaux facteurs d'influence pour tous les groupes d'âge.
- Polluants spécifiques à l'âge : L'indice de qualité de l'air (AQI) a eu un impact significatif sur les groupes 0–14 et 15–59 ans. Pour les personnes âgées (plus de 60 ans), le monoxyde de carbone (CO) et l'ozone ( $O_3$ ) étaient les polluants prédominants.
- Interactions : L'intensité globale de l'interaction entre les facteurs environnementaux était faible. Cependant, il a été constaté que les conditions humides amplifiaient légèrement les effets néfastes des polluants atmosphériques.

Signification et revendications
L'article affirme que le modèle Holt-Winters est l'approche la plus appropriée pour la prédiction de la grippe par série chronologique à facteur unique à Pékin, tandis que le modèle Bi-LSTM intègre efficacement plusieurs facteurs environnementaux pour la prédiction de l'incidence. L'étude souligne que les facteurs météorologiques sont les principaux déclencheurs environnementaux des épidémies de grippe, mais que la réponse aux polluants atmosphémiques varie considérablement selon l'âge.

Les auteurs concluent que les futurs systèmes d'alerte précoce de la grippe et les stratégies d'intervention ciblées doivent pleinement considérer la stratification par âge et l'interaction entre les facteurs météorologiques et les polluants atmosphériques. En reconnaissant que différents groupes d'âge réagissent différemment à des polluants spécifiques (par exemple, l'AQI pour les enfants contre le CO/ $O_3$ pour les personnes âgées), les responsables de la santé publique peuvent élaborer des mesures de prévention et de contrôle plus précises. L'étude souligne également que les algorithmes complexes ne garantissent pas intrinsèquement une performance supérieure pour la prévision des maladies ; des modèles plus simples comme Holt-Winters peuvent surpasser des modèles plus complexes (comme FKF ou SARIMA) lorsque les données présentent de fortes fluctuations saisonnières et des tendances à long terme.

Limites notées
Les auteurs reconnaissent des limites incluant une couverture temporelle incohérente entre les données de surveillance et les données environnementales, un biais potentiel de sous-déclaration dans les données de routine, et l'exclusion de facteurs de confusion tels que la couverture vaccinale et la mobilité de la population. De plus, l'étude était limitée à Pékin, ce qui restreint la généralisabilité des conclusions, et les effets synergiques entre les variables manquaient de vérification biologique expérimentale.