Données, IA et capteurs déployés contre COVID-19

Les gouvernements, les professionnels de la santé et les industries qui se démènent pour faire face à la pandémie de Covid-19 ont des alliés puissants dans la bataille pour minimiser le tribut sur la santé publique et l'économie mondiale :les mégadonnées et l'analyse prédictive en combinaison avec l'intelligence artificielle et un arsenal de capteurs thermiques.

Le Covid-19 appartient à la même famille de virus associés au syndrome respiratoire aigu sévère (SRAS) et au rhume. Parce qu'il s'agit d'un nouveau virus contre lequel les humains n'avaient aucune immunité antérieure, son impact initial a été dévastateur. Des mois après l'arrivée des premiers rapports de la province chinoise du Hubei, les tests dans la plupart des pays sont restés au mieux sporadiques, laissant les populations du monde entier incertaines du nombre réel de cas parmi elles et incertaines de la manière de réagir au danger ou même de comprendre son ampleur. Il n'a pas fallu longtemps pour que des experts en IA et en techniques d'analyse de données reconnaissent le potentiel de la technologie de l'IA et de la science des données pour soutenir le travail des épidémiologistes et des équipes gouvernementales d'intervention en cas de crise.

L'analyse des données et les mathématiques, ainsi que la physique, permettent une compréhension approfondie des processus naturels. Les pionniers de la science des données ont déjà eu un impact sur la santé publique, déployant la collecte et l'analyse de données pour aider à ralentir la propagation des épidémies antérieures. L'une des premières applications historiques de l'analyse des données a eu lieu en 1852, lors d'une épidémie de choléra à Londres. John Snow, l'un des premiers épidémiologistes axé sur les données, a analysé géospatialement les décès survenus à Londres et a ainsi pu isoler la source de la maladie. S'appuyant sur son analyse, les autorités ont pu cibler leurs interventions et contrôler rapidement la propagation de l'épidémie.

Évaluons les données

En exécutant des modèles via des systèmes d'analyse de données, les chercheurs sont en mesure d'estimer comment les tendances pourraient évoluer. Un exemple est le modèle SIR, un modèle épidémiologique qui calcule le nombre théorique de personnes infectées par une maladie contagieuse dans une population fermée au fil du temps. Le modèle utilise des équations couplées analysant le nombre de personnes sensibles, S(t); nombre de personnes infectées, I(t); et nombre de personnes guéries, R(t).

L'un des modèles SIR les plus simples est le modèle Kermack-McKendrick, le fondement sur lequel de nombreux autres modèles compartimentaux sont basés. Dans ce contexte, j'ai trouvé une analyse ¹ publié début mars par Ettore Mariotti, chercheur diplômé à l'Università degli Studi di Padova, pour être assez intéressant.

Considérez une île - notre système - que les gens ne peuvent ni sortir ni entrer. Chaque individu sur l'île peut être dans l'un des états suivants à un moment donné :« Susceptible », « Infecté » et « Récupéré » (d'où l'acronyme SIR). Avec une certaine probabilité, les personnes qui n'ont jamais eu la maladie (S) peuvent devenir malades et infectées (I) pendant une certaine période avant de se rétablir (R). Dans le cas du Covid-19, il convient d'étendre le modèle avec un état supplémentaire, « Exposé », pour inclure les personnes qui ont le virus mais ne sont pas encore contagieuses (modèle SEIR ; Figure 1).

Figure 1 :modèle SEIR (Image :triplebyte.com)

Ce modèle considère deux facteurs :la dynamique du virus et l'interaction des individus. (Ce dernier est très complexe et bénéficie des outils décrits ici.) Avec ces informations en main, il est possible de définir le paramètre R0, qui représente le nombre de personnes qu'une personne infectée peut potentiellement infecter.

Supposons, par exemple, que la personne A soit malade et que notre système ait un R0 =2, ce qui signifie que A va infecter deux personnes. Ces deux personnes infecteront à leur tour quatre personnes, qui infecteront chacune deux autres personnes (donc 4 × 2 =8) et ainsi de suite. Cela met en évidence le fait que la propagation de la maladie est multiplicative plutôt qu'additif. R0 peut capturer trois scénarios de base (Figure 2).

Figure 2 : scénarios de base R0 (Image :triplebyte.com)

La fermeture des écoles, des gymnases, des théâtres, des restaurants et d'autres lieux publics diminue le nombre d'interactions sociales, abaissant ainsi le R0. Étant donné que le virus a mis à rude épreuve les ressources de santé publique, il a été essentiel de réduire le paramètre R0 en dessous de l'unité. Si R0> 1, la maladie se propage; si R0 <1, la maladie disparaît. Les gouvernements ont ainsi imposé des contraintes draconiennes à la mobilité des personnes dans le but de réduire le R0 pendant l'épidémie de coronavirus.

Il est important de noter que R0 mesure la transmission potentielle d'une maladie, et non la vitesse à laquelle la maladie se propage. Considérez la nature omniprésente des virus de la grippe, qui ont un R0 d'environ 1,3 seulement. Un R0 élevé est une source d'inquiétude mais pas de panique.

R0 est une moyenne, il peut donc être influencé par des facteurs tels que le nombre de « super-épandeurs » dans une population donnée. Un super-épandeur est une personne infectée qui infecte un nombre étonnamment élevé de personnes. Des événements de super-propagation se sont produits pendant les épidémies de SRAS et de MERS ainsi que la pandémie actuelle. Cependant, de tels événements ne sont pas nécessairement un mauvais signe, car ils peuvent indiquer que moins de personnes perpétuent une épidémie. Les super-épandeurs peuvent également être plus faciles à identifier et à contenir car leurs symptômes sont susceptibles d'être plus graves.

Bref, R0 est une cible mouvante. Le suivi de chaque cas et de la transmission de la maladie est extrêmement difficile, l'estimation du R0 est donc complexe et difficile. Les estimations changent souvent avec la disponibilité de nouvelles données.

Pour aider les autorités à maîtriser le R0, l'utilisation de l'IA, associée à la collecte de données à partir du suivi GPS des téléphones mobiles, permet de créer des modèles analytiques pour prédire quels quartiers sont les plus susceptibles d'avoir des cas et ceux dans lesquels une intervention urgente est nécessaire.

Big data, IA et capteurs

Au cours d'une épidémie, les données cliniques peuvent être très variables en termes de qualité et de cohérence. Les complications de ce type incluent les cas de patients faussement positifs. Cependant, les mégadonnées et l'IA peuvent être utilisées pour vérifier le respect des quarantaines, et l'apprentissage automatique peut être utilisé pour la recherche sur les médicaments.

La réponse au coronavirus en Asie fournit de nombreux exemples d'interventions mises en œuvre grâce à l'utilisation des technologies numériques. Les drones équipés de scanners intelligents et de caméras permettent de détecter ceux qui ne respectent pas les mesures de quarantaine et de vérifier la température corporelle des personnes. La Chine et Taïwan ont utilisé des caméras intelligentes à cette fin.

La société de technologie d'IA basée à Hong Kong SenseTime a développé une plate-forme qui peut détecter la fièvre en scannant le visage des gens même s'ils portent un masque médical. Le logiciel de détection de température sans contact de SenseTime a été mis en œuvre dans les stations de métro, les écoles et les centres publics de Pékin, Shanghai et Shenzhen.

Alibaba, quant à lui, a développé un système basé sur l'IA pour le diagnostic de Covid-19 qui permet la détection de nouveaux cas de coronavirus avec un taux de précision allant jusqu'à 96% au moyen de tomographies par ordinateur (CT scans).

Graphen, basé à New York, collabore avec des chercheurs de l'Université Columbia pour définir la forme canonique de chaque localisation génique du virus et identifier la ou les variantes exactes. Les chercheurs utilisent la plate-forme Ardi AI de Graphen, qui imite les fonctions du cerveau humain, pour stocker les données de mutation et les visualiser. Une visualisation typique mappe un virus contre un ensemble de virus possédant la même séquence génomique. Les informations relatives aux virus, y compris l'emplacement, le sexe et l'âge des personnes affectées, peuvent être consultées en cliquant sur les nœuds correspondants.

Les mégadonnées, quant à elles, ont été largement utilisées pour améliorer les systèmes de surveillance afin de cartographier la propagation du virus.

L'acquisition et le traitement des mégadonnées ont nécessité de nouvelles méthodologies et technologies de collecte et d'analyse. En particulier, nous pouvons distinguer quatre méthodologies pour l'analyse des mégadonnées :

• l'analyse descriptive, ou les méthodologies et technologies utilisées pour décrire la situation actuelle et passée des processus métiers ou des projets métiers, représentant de manière synthétique et graphique les indicateurs de performance de l'activité ;
• l'analyse prédictive, comprenant des outils d'analyse de données qui aident à comprendre ce qui pourrait arriver à l'avenir à l'aide de techniques mathématiques telles que la régression et les modèles prédictifs ;
• analyse prescriptive, utilisée pour identifier des solutions stratégiques et opérationnelles efficaces ; et
• l'analyse automatisée, qui comprend les outils permettant de mettre en œuvre l'action souhaitée de manière autonome, de manière automatisée, et en fonction du résultat des analyses qui ont été menées.

Alibaba a également développé une application, Alipay Health Code, qui utilise les mégadonnées mises à disposition par le système de santé chinois pour indiquer qui peut ou ne peut pas accéder aux espaces publics.

BlueDot, une startup basée à Toronto avec une plate-forme construite autour de l'intelligence artificielle, a développé des systèmes intelligents pour permettre une surveillance et une prédiction automatiques de la propagation des maladies infectieuses. La plateforme BlueDot a été utilisée et son efficacité confirmée pendant l'épidémie de SRAS.

Notamment, en décembre 2019, BlueDot a également sonné l'alarme sur la gravité potentielle du coronavirus, et encore une fois, ses modèles se sont avérés corrects. Parmi les outils utilisés par BlueDot figurent les techniques de traitement du langage naturel.

Insilico Medicine (Rockville, Maryland) est une autre entreprise axée sur la prévention des maladies grâce à l'intelligence artificielle. La société développe et applique des approches d'IA et d'apprentissage en profondeur de nouvelle génération à chaque étape du processus de découverte et de développement de médicaments. Insilico a récemment utilisé son système pour analyser des molécules qui pourraient convenir pour lutter contre le nouveau coronavirus et est en mesure de partager les résultats. Au moment où ce numéro était sous presse, la société gérait une base de données d'informations à utiliser dans le développement de vaccins.

Étudier l'impact économique

Outre les effets sur la santé, le Covid-19 a porté un coup dévastateur à l'économie mondiale. Ici aussi, les mégadonnées et l'IA peuvent aider à analyser l'impact et à formuler des réponses appropriées. Les technologies d'analyse par satellite, par exemple, ont aidé les chercheurs de WeBank à identifier les industries les plus touchées en Chine, telles que l'acier. L'analyse a montré que la production des aciéries chinoises avait chuté à un minimum de 29 % de la capacité au début de l'épidémie, mais était revenue à 76 % de la capacité le 9 février (Figure 3).

Figure 3 :Des images satellites côte à côte du 30 décembre 2019 (à gauche) et du 29 janvier 2020, montrent que l'activité de l'industrie sidérurgique a fortement chuté en Chine au début de l'épidémie. (Image :Spectrum.ieee.org)

Les chercheurs ont ensuite examiné d'autres types d'activités de production et commerciales utilisant l'IA. Une approche consistait simplement à compter les voitures dans les grands parkings. Cette analyse a montré qu'au 10 février, la production automobile de Tesla à Shanghai s'était complètement rétablie, tandis que les sites touristiques, tels que Shanghai Disneyland, restaient fermés.

En analysant les données du satellite GPS, il a été possible d'identifier les personnes qui faisaient la navette. Le logiciel a ensuite compté le nombre de navetteurs dans chaque ville et comparé le nombre de navetteurs au début des vacances du Nouvel An chinois en 2019 et à la date correspondante en 2020. Au cours des deux années, le volume de navetteurs a chuté au début des vacances. , mais cette année, le volume normal n'a pas repris après les vacances comme en 2019.

Alors que l'activité reprenait lentement, les chercheurs de WeBank ont ​​calculé qu'au 10 mars 2020, environ 75 % de la main-d'œuvre était retournée au travail. En projetant à partir de ces courbes, les chercheurs ont conclu que la plupart des travailleurs chinois, à l'exception de ceux de Wuhan, reprendraient le travail d'ici la fin mars.

Ceux qui tentent de relever le défi du coronavirus disposent d'outils puissants, et les solutions qui prouvent leur valeur pendant la crise pourraient bien devenir une pratique courante une fois celle-ci résolue.

---

Référence

1 Mariotti, E. (6 mars 2020). Modélisation de l'épidémie de Covid-19 en Italie.

---

>> Cet article a été initialement publié sur notre site partenaire, EE Times Europe.