Comment l’IA peut nous aider à nous préparer pour la deuxième vague – Leaders d’opinion

Par Eric Paternoster, PDG d’Infosys Public Services

Jusqu’à présent, les modèles de science des données existants n’ont pas fait le meilleur travail pour prédire la facilité de transmission de la COVID-19, l’étendue de son développement et les épidémies dans les nouveaux points chauds. Beaucoup ont été développés dans la précipitation, avec des informations limitées.

Un modèle d’IA, cependant, serait adaptatif, conçu pour être scalable et automatisé, en combinant les données sociologiques, économiques et de santé liées à la COVID pour permettre aux économies de rouvrir avec succès en cas d’une autre vague.

Les données utilisées dans ce modèle doivent être à la fois précises et statistiquement significatives. Elles doivent également être fiables. Jusqu’à présent, des choses comme les valeurs R, les niveaux d’immunité collective et les taux de mortalité ont été très difficiles à estimer à travers les géographies, en particulier dans les endroits sans stratégie de test et de traçage des contacts cohérente. Un autre problème a été que, même lorsque des tests de bonne qualité ont été effectués, il y a eu de grandes différences dans les taux de sensibilité et de spécificité, causées par la variance dans les types de tests immunodiagnostiques et les techniques de collecte d’échantillons.

Non seulement les données sont défaillantes, mais les modèles eux-mêmes sont également défectueux. Le modèle utilisé par la Maison Blanche, construit par l’Institut pour l’évaluation des métriques de santé, n’a pas pris en compte les différences dans les paramètres régionaux clés et a supposé que le virus affecterait la population de la même manière qu’en Chine, en Espagne et en Italie. Bien sûr, les États-Unis ont des caractéristiques de population très différentes, des niveaux de quarantaine et une disponibilité des tests.

D’autres modèles, souvent développés par des universités de premier plan dans le monde, ont fait un peu mieux. Ils ont intégré des estimations de contagion, ainsi que des facteurs qui augmentent le risque de maladie grave ou de décès. Mais même ceux-ci étaient basés sur des hypothèses incorrectes, conduisant à des erreurs dans le modèle de travail. Par exemple, le modèle initialement développé par l’Imperial College de Londres n’a pas pu déduire le changement évident dans le comportement de la population qui se produirait encore en l’absence d’interventions mandatées par le gouvernement. Il manquait également de compréhension de la façon dont le nombre de reproduction du virus (R0) changerait en raison de ce comportement.

Il n’est donc pas étonnant que tant de confusion ait résulté, en particulier aux États-Unis et au Royaume-Uni. La levée des contrôles sans préparation pour les conséquences a été coûteuse, même si la maladie est susceptible de revenir. Des mesures doivent être prises maintenant pour éclairer la prise de décision à un niveau plus granulaire. Les populations doivent être stratifiées pour déterminer qui émerge du verrouillage en premier. Une stratégie doit être mise en œuvre pour permettre le traçage des contacts à grande échelle et garantir que les soins de santé sont suffisants à l’avenir.

Pour aider à cela, les réseaux de neurones artificiels et les techniques d’apprentissage profond devraient être utilisés, en augmentant les modèles épidémiologiques existants et en les rendant plus dynamiques et réactifs en temps réel. Ce modèle d’IA utiliserait un apprentissage semi-supervisé ou non supervisé et pourrait fonctionner même avec des entrées limitées à partir de rapports de tests à grande échelle. Il serait autonome et nécessiterait une quantité réduite de données pour apprendre et prédire, par rapport aux modèles actuels. En ajustant continuellement les paramètres d’entrée et en apprenant continuellement, le modèle générerait des prédictions qui ne souffriraient pas de retards d’ajustement inévitables.

Avec l’apprentissage profond, l’IA pourrait découvrir des modèles complexes, s’apprendre et s’auto-réparer automatiquement. Il peut détecter automatiquement les anomalies et serait également capable de juger l’exactitude des variables, produisant des résultats beaucoup plus fiables que les modèles de science des données COVID-19 existants.

Les paramètres clés de ce modèle d’IA tireraient des rapports de tests cliniques, des données de traçage des contacts et de grands ensembles de données régionaux, et incluraient les caractéristiques de la population régionale, le statut socio-économique et les facteurs de risque tels que le tabagisme, les dépendances aux drogues et l’obésité. Le nombre d’individus infectés qui ont été mis en quarantaine et ne pouvaient plus propager l’infection serait incorporé dans le modèle.

Cela donnerait aux leaders des groupes de travail les informations nécessaires pour endiguer cette maladie dangereuse de manière proactive, leur permettant de prendre des décisions rationnelles en temps quasi réel, en fournissant aux économies mondiales une stratégie de sortie robuste et bien informée.