Forecasting Maternal Mortality in Sub-Saharan Africa to 2035: Evidence from the Global Burden of Disease 2023 Study
En utilisant les données de la charge mondiale de morbidité 2023, cette étude démontre que les modèles statistiques classiques (ARIMA et Holt) surpassent les approches d'apprentissage automatique et d'apprentissage profond pour prévoir la mortalité maternelle en Afrique subsaharienne, prédisant un déclin à 313,0 décès pour 100 000 naissances vivantes d'ici 2035, ce qui reste nettement en deçà de la cible 3.1 des ODD.
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
Chaque année, des milliers de femmes meurent de causes liées à la grossesse et à l'accouchement, une tragédie qui demeure l'un des indicateurs les plus frappants d'inégalité en matière de santé mondiale. Bien que le monde ait réalisé des progrès constants au cours des dernières décennies, réduisant considérablement ces décès, le fardeau reste le plus lourd en Afrique subsaharienne. Pour comprendre la trajectoire de cette région, les scientifiques s'appuient sur des données historiques afin de projeter les tendances futures, un processus qui aide les décideurs politiques à décider où envoyer les ressources et avec quelle urgence agir. Pendant des années, les chercheurs ont utilisé des outils statistiques standards pour faire ces prédictions, mais ces dernières années, une nouvelle vague de programmes informatiques puissants, connus sous le nom d'apprentissage automatique (machine learning) et d'apprentissage profond (deep learning), a promis de trouver des modèles complexes que les anciennes méthodes pourraient manquer. La question posée à la communauté médicale est de savoir si ces outils numériques sophistiqués peuvent réellement prédire l'avenir de la santé maternelle mieux que les méthodes établies et plus simples, surtout lorsque les données disponibles se limitent à quelques décennies de registres annuels.
Un chercheur de l'Université de Debre Markos en Éthiopie s'est donné pour mission de répondre à cette question en testant huit méthodes de prévision différentes contre les données les plus récentes et les plus complètes disponibles. En utilisant les estimations de la mortalité maternelle de l'étude Global Burden of Disease 2023, qui suit les résultats sanitaires à travers le monde, le chercheur a rassemblé quarante-quatre années de données, couvrant la période de 1980 à 2023, pour l'ensemble de la région de l'Afrique subsaharienne. Cet ensemble de données a montré que le nombre de décès pour 100 000 naissances vivantes était passé de 674,5 en 1980 à 396,2 en 2023. Pour déterminer quelle méthode fonctionnait le mieux, le chercheur n'a pas simplement laissé les ordinateurs deviner ; au lieu de cela, il a utilisé une stratégie de test rigoureuse appelée validation par marche avant (walk-forward validation). Cette approche imite les prévisions du monde réel en entraînant les modèles sur les données passées, en leur demandant de prédire l'année suivante, en vérifiant s'ils avaient raison, puis en répétant le processus année après année jusqu'à ce que les modèles aient été testés contre les dix dernières années d'histoire.
Les résultats ont surpris de nombreux observateurs qui pourraient supposer que la technologie plus récente et plus complexe produit toujours de meilleures réponses. L'étude a révélé que les modèles d'apprentissage automatique et d'apprentissage profond les plus avancés, y compris un type de réseau neuronal conçu pour apprendre à partir de séquences de données, ont donné de mauvais résultats. En fait, le modèle d'apprentissage profond le plus sophistiqué a si mal performé que ses prédictions étaient presque aussi erronées qu'un choix aléatoire, manquant les tendances réelles par une marge massive. En revanche, les deux meilleurs performeurs étaient des méthodes statistiques classiques utilisées depuis des décennies. L'une de ces techniques, appelée ARIMA, et une autre connue sous le nom de lissage exponentiel de Holt avec tendance amortie (Holt's damped-trend exponential smoothing), ont toutes deux produit des résultats presque identiques et hautement précis. Ces méthodes traditionnelles ont réussi à capturer le ralentissement du taux de déclin des décès maternels, alors que les algorithmes complexes ont eu du mal à s'adapter à la forme spécifique des données. L'étude écarte explicitement l'idée que l'apprentissage automatique soit automatiquement supérieur pour ce type de prévision sanitaire, démontrant que pour des séries temporelles annuelles courtes avec des points de données limités, les modèles statistiques plus simples sont bien plus fiables.
En utilisant le modèle traditionnel le plus performant, le chercheur a projeté le ratio de mortalité maternelle vers l'an 2035. La prévision suggère que, bien que le nombre de décès continue de diminuer, le rythme de l'amélioration n'est pas assez rapide pour atteindre l'Objectif de Développement Durable mondial, qui vise moins de 70 décès pour 100 000 naissances vivantes. D'ici 2030, le ratio devrait être d'environ 344,7, et d'ici 2035, il devrait atteindre 313,0. Malgré cette progression continue, la région devrait rester environ cinq fois supérieure à l'objectif fixé, indiquant que la trajectoire actuelle ne sera pas suffisante pour combler l'écart au cours de la prochaine décennie. L'étude conclut que la voie à suivre nécessite une action urgente pour accélérer le déclin, car la tendance statistique seule suggère que l'objectif ne sera pas atteint. De plus, la recherche offre une leçon cruciale pour les études futures : le choix d'un outil de prévision ne doit pas être basé sur sa réputation ou sa complexité, mais sur des tests empiriques spécifiques aux données en main, car les algorithmes les plus puissants peuvent échouer lorsque l'ensemble de données est trop petit pour leur enseigner les modèles nécessaires.
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.