Developing early warning systems using predictive models to identify Lassa fever threats in Ondo State, Nigeria

Résumé technique : Développement de systèmes d'alerte précoce pour la fièvre de Lassa dans l'État d'Ondo, Nigéria

Énoncé du problème
La fièvre de Lassa (FL), une maladie hémorragique grave causée par le virus de Lassa, demeure un fardeau de santé publique persistant en Afrique de l'Ouest, particulièrement au Nigéria. L'État d'Ondo est identifié comme un foyer majeur, représentant plus de 30 % des cas nationaux confirmés. La maladie présente un schéma saisonnier distinct, avec des épidémies qui culminent généralement pendant la saison sèche (décembre–mars) en raison d'un contact accru entre les humains et le réservoir de rongeurs Mastomys natalensis. Malgré les efforts de surveillance existants, des défis tels que la sous-déclaration, les erreurs de diagnostic dues à la superposition des symptômes avec le paludisme et la détection tardive entravent une réponse épidémique efficace. L'étude répond au besoin critique d'un système d'alerte précoce efficace, capable de prévoir les modèles d'épidémie pour guider la prise de décision proactive en matière de santé publique et l'allocation des ressources dans l'État d'Ondo.

Méthodologie
L'étude a employé une approche de prévision de séries chronologiques utilisant les données de surveillance hebdomadaires collectées de routine sur les cas confirmés de fièvre de Lassa dans l'État d'Ondo, s'étendant sur 382 semaines de janvier 2018 à avril 2025. Les données proviennent du Centre nigérian de contrôle et de prévention des maladies (NCDC).

1. Partitionnement des données : Le jeu de données a été divisé en un ensemble d'entraînement (70 %) pour l'estimation des paramètres et un ensemble de test (30 %) pour l'évaluation du modèle.
2. Sélection du modèle : Les chercheurs ont utilisé le modèle de moyenne mobile auto-régressive saisonnière (SARIMA), spécifiquement conçu pour capturer à la fois les tendances et les comportements saisonniers dans les séries chronologiques. Étant donné la nature hebdomadaire des données et la saisonnalité annuelle de la FL, une période saisonnière ($s$) de 52 semaines a été établie.
3. Identification et estimation du modèle : La fonction auto.arima() dans R a été utilisée pour automatiser la sélection des modèles candidats basés sur le critère d'information d'Akaike (AIC). Six modèles candidats ont été comparés.
4. Métriques d'évaluation : La précision du modèle a été évaluée à l'aide de l'erreur quadratique moyenne (RMSE), de l'erreur absolue moyenne (MAE) et de l'erreur quadratique moyenne (MSE).
5. Diagnostics : L'adéquation du modèle sélectionné a été vérifiée par une analyse des résidus, incluant des tests de normalité et le test de Ljung-Box pour assurer l'absence d'autocorrélation significative dans les résidus.

Résultats clés

• Modèle optimal : Le modèle ARIMA(3,0,2)(1,0,1)[52] a été identifié comme le modèle le mieux ajusté, atteignant les valeurs les plus basses pour toutes les métriques d'erreur (RMSE, MAE, MSE) et la valeur AIC la plus faible parmi les candidats.
• Performance du modèle : Les contrôles diagnostiques ont confirmé que les résidus étaient approximativement distribués normalement et dispersés de manière aléatoire autour de zéro, sans autocorrélation significative (test de Ljung-Box $p > 0,05$), indiquant que le modèle a capturé efficacement la structure temporelle des données.
• Horizon de prévision : Le modèle a été utilisé pour générer une prévision de 34 semaines (de la 19e à la 52e semaine de 2025).
  • La prévision prévoit une moyenne d'environ 4 cas de fièvre de Lassa par semaine.
  • Le modèle projette une tendance de transmission relativement stable sans poussées catastrophiques, la plupart des valeurs prévues se situant entre 5 et 15 cas par semaine.
  • Pics saisonniers : La prévision indique que les pics de transmission sont susceptibles de se produire entre la 48e et la 52e semaine de l'année, s'alignant sur le schéma historique de la saison sèche.
• Validation visuelle : Les comparaisons entre les valeurs ajustées et les données de l'ensemble de test ont démontré que le modèle reproduit avec succès les pics saisonniers majeurs et la tendance épidémique générale de la fièvre de Lassa dans la région.

Signification et revendications
L'article affirme que le modèle SARIMA développé fournit un cadre statistiquement robuste pour comprendre la dynamique de transmission de la fièvre de Lassa dans l'État d'Ondo. En capturant à la fois les variations à court terme et les schémas saisonniers à long terme, le modèle offre un outil fiable pour anticiper les épidémies probables.

Les auteurs soulignent que les conclusions soutiennent le développement de systèmes d'alerte précoce proactifs. Plus précisément, l'étude suggère que :

• La transmission de la fièvre de Lassa dans l'État d'Ondo est susceptible de persister à des niveaux modérés avec des pics saisonniers prévisibles.
• Les décideurs de santé publique peuvent utiliser ces prévisions pour renforcer la surveillance et optimiser l'allocation des ressources avant les périodes de pointe (spécifiquement en fin d'année).
• Le modèle sert de étape fondamentale vers l'opérationnalisation d'algorithmes prédictifs pour le contrôle des épidémies en temps réel, passant d'une analyse rétrospective à une planification de santé publique prospective.

L'étude conclut que bien que le modèle prédise une transmission modérée dans des conditions stables, la nature saisonnière récurrente de la maladie nécessite une préparation continue et des interventions ciblées durant les fenêtres de haut risque identifiées.