Adaptive Mortality Drift for Short-Horizon Forecasting of Under-Five Mortality in West Africa: Model Development, Monte Carlo Validation, Robustness, and a 16-Country Application

Chaque année, des millions d'enfants à travers le monde ne survivent pas à leur cinquième anniversaire. Cette réalité tragique est mesurée par un chiffre unique et frappant : le taux de mortalité des moins de cinq ans. Ce chiffre compte combien d'enfants meurent avant l'âge de cinq ans pour mille bébés nés. C'est bien plus qu'une simple statistique ; c'est un miroir reflétant la santé d'une société, révélant la qualité de ses hôpitaux, la sécurité de son eau et la stabilité de son économie. En Afrique de l'Ouest, ce fardeau est le plus lourd, avec des pays faisant face à des défis très différents malgré un partage de la même région. Pour les gouvernements et les organisations de santé, savoir ce que l'avenir réserve est crucial. Ils doivent savoir si les efforts actuels portent leurs fruits, où les ressources sont le plus nécessaires, et si la région est en voie de sauver davantage de vies dans les années à venir. Cependant, prédire l'avenir de la survie infantile est difficile. Les tendances peuvent changer soudainement en raison de maladies, de conflits ou de changements économiques, et le chemin à parcourir est rarement une ligne droite.

Un chercheur a développé une nouvelle façon d'observer ces tendances, en se concentrant sur le court terme pour aider les dirigeants à prendre des décisions immédiates. Au lieu de s'appuyer sur des modèles informatiques complexes qui tentent de deviner chaque scénario futur possible, il a créé une méthode qui écoute attentivement les changements les plus récents des taux de mortalité. Ils appellent cette approche le modèle de Dérive Adaptative de la Mortalité (Adaptive Mortality Drift). L'idée centrale est simple mais puissante : elle suppose que le changement observé l'année dernière se poursuivra l'année suivante, mais pas avec une certitude parfaite. Elle estime quelle part du progrès ou du déclin récent se poursuivra, en ajustant sa prédiction en fonction de l'histoire réelle de la région. En testant cette méthode contre seize pays différents en Afrique de l'Ouest, le chercheur a découvert que cette approche directe surpassait des systèmes mathématiques bien plus compliqués et des algorithmes d'apprentissage automatique. Ses travaux suggèrent que, pour l'avenir proche, la meilleure façon de prévoir la survie infantile est de faire confiance à l'élan des années récentes, tout en tenant compte avec douceur du fait que cet élan peut parfois ralentir.

L'étude s'est concentrée sur seize nations en Afrique de l'Ouest, incluant des géants comme le Nigeria et de plus petits voisins comme le Cap-Vert. Le chercheur a recueilli des données sur les taux de mortalité infantile auprès des Nations Unies et de l'Organisation mondiale de la Santé, en examinant les estimations nationales annuelles lissées plutôt que les cas individuels. Il voulait voir s'il pouvait prédire ce qui se passerait l'année suivante avec une grande précision. Pour ce faire, il a construit son modèle pour surveiller la « dérive » de la mortalité. Imaginez un bateau naviguant sur une rivière ; si l'eau coule régulièrement, le bateau continue dans cette direction. Le chercheur s'est demandé : le courant de la rivière coule-t-il à la même vitesse chaque année, ou accélère-t-il et ralentit-il ? Leur modèle calcule un nombre spécifique qui représente la part du changement de l'année dernière qui devrait se reproduire cette année. Si le nombre est proche de un, le changement se poursuit pleinement. S'il est plus bas, le changement est censé s'estomper légèrement. Ce nombre n'est pas deviné ; il est calculé en observant l'histoire de l'ensemble des seize pays ensemble, permettant au modèle d'apprendre de l'expérience de toute la région.

Pour s'assurer que leur nouvelle méthode était véritablement fiable, le chercheur l'a soumise à des tests rigoureux. Ils ont utilisé une technique appelée validation à origine glissante, qui revient à passer un test où vous n'êtes autorisé à utiliser que les informations disponibles jusqu'à une certaine date pour prédire l'année suivante, puis à avancer cette date et à tester à nouveau. Ils ont comparé leur nouveau modèle aux outils statistiques standards et aux programmes avancés d'apprentissage automatique, y compris des systèmes d'intelligence artificielle conçus pour trouver des motifs complexes. Les résultats étaient clairs : le nouveau modèle adaptatif a produit les prédictions les plus précises. Il présentait les erreurs les plus faibles par rapport aux chiffres réels survenus entre 2018 et 2024. Les modèles d'apprentissage automatique complexes, qui excellent souvent à trouver des motifs cachés dans des données désordonnées, ont en fait été moins performants. Cela s'explique par le fait que les taux de mortalité annuels dans ces pays sont étonnamment lisses et réguliers ; ils ne possèdent pas le bruit chaotique qui nécessite habituellement des algorithmes complexes pour être démêlé. Le modèle plus simple, qui respectait cette régularité, était l'outil supérieur.

Le chercheur a également lancé des milliers de simulations informatiques pour voir comment son modèle se comporterait sous différentes conditions difficiles. Ils ont testé ce qui se passerait si les données contenaient des variations soudaines et sauvages, ou si certaines années de données étaient manquantes. Dans ces simulations, le modèle a bien résisté, montrant qu'il pouvait gérer des imprévus sans s'effondrer. Cependant, ils ont aussi découvert ses limites. Si un pays subissait un changement soudain et spectaculaire dans ses tendances de mortalité — peut-être dû à un conflit majeur ou à une nouvelle crise sanitaire qui changerait complètement le schéma — le modèle, qui repose sur l'histoire passée, serait lent à réagir. Dans de tels cas, le modèle continuerait de prédire en fonction de l'ancien schéma pendant un certain temps avant de rattraper le mouvement. Le chercheur a testé des variations de son modèle capables de réagir plus rapidement à ces changements soudains, mais a constaté que, pour l'histoire spécifique de l'Afrique de l'Ouest, la version standard, plus simple, restait la plus précise. La complexité supplémentaire n'a pas amélioré les prédictions pour les années étudiées.

Lorsque le chercheur a appliqué son modèle au monde réel, les résultats ont brossé un tableau mêlant espoir et profondes inégalités. En 2024, le nombre de décès d'enfants variait énormément à travers la région. Au Cap-Vert, le taux était aussi bas que 11,14 décès pour mille naissances vivantes, signe d'un progrès significatif. Au Nigeria, le taux était de 115,65, indiquant un fardeau beaucoup plus lourd. Le modèle a prédit que, pour les seize pays, la mortalité infantile continuerait de décliner jusqu'en 2030. Pour le Nigeria, les prévisions suggéraient une baisse autour de 109,42, tandis que le Cap-Vert devrait descendre davantage à 8,70. Ces chiffres représentent une extrapolation statistique des tendances récentes, et non une garantie de ce qui se passera. Ils ne tiennent pas compte des guerres futures, de nouvelles maladies ou de changements politiques spécifiques. Ils servent plutôt de point de référence, une façon transparente de voir si le rythme actuel d'amélioration est susceptible de se maintenir.

L'étude souligne que, bien que la région se dirige dans la bonne direction, l'écart entre les meilleurs et les moins bons performeurs reste vaste. Des pays comme le Sénégal et le Ghana ont connu des réductions massives de la mortalité infantile depuis l'an 2000, tandis que d'autres comme le Nigeria et le Niger ont connu un progrès plus lent. Le modèle confirme que ces disparités sont réelles et persistantes. Il suggère qu'une approche unique et uniforme pour sauver les enfants ne fonctionnera pas pour toute la région. Les pays à forte charge de mortalité doivent accélérer leurs efforts pour rattraper leur retard, tandis que les pays à faible charge doivent s'assurer que leurs progrès ne stagnent pas. Le chercheur souligne que son modèle n'est pas une baguette magique capable de résoudre les causes de la mort. Il ne dit pas aux décideurs quels vaccins acheter ou quels hôpitaux construire. Il fournit plutôt une vue claire et honnête de la direction que prend la région en fonction de ce qui s'est passé récemment. En offrant une prévision à court terme fiable, il donne aux responsables de la santé une base solide pour planifier leurs prochaines étapes, garantissant que les ressources sont dirigées là où elles sont le plus nécessaires pour poursuivre le travail vital de sauvetage de jeunes vies.