Comment le Big Data, l'IA et les capteurs avancés font basculer la marée contre le COVID-19

Les gouvernements, professionnels de santé et industries face à la crise du COVID-19 se tournent maintenant vers trois alliés puissants : l'analytique de données à grande échelle, l'intelligence artificielle et un réseau de capteurs thermiques. Ces technologies aident à réduire le tribut de santé publique et à stabiliser l'économie mondiale.

Le COVID-19 appartient à la même famille virale qui a causé le SRAS et le rhume commun. Comme nouveau pathogène, il a pris le monde au dépourvu, et les tests précoces étaient parcellaires, laissant les populations ignorantes des comptes de cas locaux et incertaines sur comment répondre. En quelques semaines, experts en IA et data science ont identifié une opportunité claire : exploiter les outils computationnels pour soutenir épidémiologistes et équipes de gestion de crise.

La science des données a longtemps sous-tendu les interventions de santé publique. La première réponse d'épidémie pilotée par les données enregistrée remonte à 1852, quand John Snow a cartographié les décès du choléra à Londres et identifié la source d'eau contaminée. Les algorithmes modernes étendent maintenant cet héritage, offrant des insights en temps réel sur la propagation du virus et les mesures de contrôle.

Évaluons les données

Les modèles mathématiques, comme le cadre SIR classique, estiment combien de personnes seront susceptibles (S), infectées (I) ou rétablies (R) au fil du temps. Le modèle Kermack-McKendrick, une variante fondatrice, a été récemment appliqué par Ettore Mariotti dans une étude de mars 2020 sur l'épidémie en Italie¹. Le contexte COVID-19 appelle un modèle SEIR étendu qui ajoute un compartiment « Exposed » (E) pour compte des individus pré-symptomatiques mais infectieux. Le diagramme ci-dessous illustre cette structure.

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

Ces modèles capturent deux dynamiques critiques : les caractéristiques biologiques du virus et les patterns d'interaction humaine. En émerge le nombre de reproduction, R₀, qui estime combien d'infections secondaires un seul cas générera dans une population entièrement susceptible.

Par exemple, avec R₀ = 2, une personne infectée propagerait le virus à deux autres, qui en infecteraient chacune deux de plus, et ainsi de suite — illustrant la nature multiplicative de la transmission. R₀ peut être visualisé en trois scénarios : (1) <1 → la maladie s'éteint ; (2) = 1 → état stationnaire ; (3) >1 → croissance épidémique (voir Figure 2).

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

Les confinements, fermetures d'écoles et restrictions sur les lieux publics réduisent le contact social et abaissent ainsi R₀. Atteindre R₀ < 1 est essentiel ; sinon, la maladie continue de se propager. Bien que R₀ soit une métrique moyenne — la grippe a un R₀ autour de 1,3 — il peut être faussé par des super-propagateurs, qui infectent un nombre inhabituellement grand de contacts. Identifier et isoler ces individus est une stratégie clé pour freiner les épidémies.

Puisque R₀ est dynamique, les autorités s'appuient sur des modèles pilotés par l'IA qui incorporent des données GPS d'appareils mobiles pour prédire les foyers et prioriser les interventions.

Big Data, IA et Capteurs

Les données cliniques pendant une épidémie peuvent être bruitées, avec faux positifs et signalement incohérent. L'analytique big data et les algorithmes de machine learning peuvent nettoyer les jeux de données, faire respecter la conformité à la quarantaine et accélérer la découverte de médicaments.

La réponse de l'Asie montre une gamme d'outils numériques. Des drones équipés de scanners haute résolution surveillent le respect de la quarantaine et scannent les températures corporelles. La Chine et Taïwan emploient des caméras intelligentes qui détectent la fièvre même quand les individus portent des masques.

SenseTime de Hong Kong a déployé une plateforme de détection de température sans contact à travers Pékin, Shanghai et les hubs de transit et bâtiments publics de Shenzhen. Le système peut lire les signatures thermiques faciales à travers les couches de masque.

Le système de diagnostic IA d'Alibaba analyse les scans CT thoraciques avec jusqu'à 96 % de précision, permettant l'identification rapide des cas de COVID-19. Pendant ce temps, Graphen, en partenariat avec l'Université Columbia, utilise sa plateforme Ardi AI pour cartographier les variations du génome viral, fournissant aux chercheurs un outil visuel pour suivre les patterns de mutation et données épidémiologiques.

Le big data sous-tend aussi la surveillance renforcée. Quatre méthodologies analytiques — descriptive, prédictive, prescriptive et automatisée — guident la prise de décision de la compréhension des tendances passées à l'exécution de réponses autonomes.

• Analyse descriptive : résume la performance actuelle et historique via tableaux de bord visuels.
• Analyse prédictive : utilise régression et modèles de prévision pour anticiper les résultats futurs.
• Analyse prescriptive : identifie les stratégies optimales basées sur les insights prédictifs.
• Analyse automatisée : déclenche des actions autonomes en temps réel, suivant les résultats analytiques.

Le Alipay Health Code d'Alibaba exploite les données de santé de la Chine pour contrôler l'accès aux espaces publics, assignant des permissions code-couleur basées sur les profils de risque.

La startup torontoise BlueDot, une entreprise IA, a développé un système d'alerte précoce qui a signalé la menace du coronavirus 2019 avant la reconnaissance officielle. Sa plateforme, construite sur le traitement du langage naturel, scanne en continu les flux d'actualités mondiaux pour prédire la propagation des maladies.

Insilico Medicine au Maryland applique le deep learning pour accélérer la découverte de médicaments. Leur IA a criblé des millions de molécules pour le potentiel antiviral et curate une base de données de développement de vaccin.

Étudier l'impact économique

Au-delà des effets sanitaires, le COVID-19 a sévèrement perturbé les économies mondiales. L'imagerie satellite et l'IA permettent l'évaluation rapide de l'activité industrielle. Des chercheurs de WeBank, par exemple, ont suivi les aciéries chinoises : la production est tombée à 29 % de la capacité le 29 janv. 2020, mais a rebondi à 76 % le 9 fév. (Figure 3).

Figure 3 : Images satellites montrent un déclin net de l'activité sidérurgique au début de l'épidémie (Image : spectrum.ieee.org)

D'autres secteurs ont été surveillés en comptant les véhicules dans de grands parkings, révélant que la production Tesla de Shanghai avait pleinement récupéré le 10 fév., alors que les attractions touristiques comme Shanghai Disneyland restaient fermées.

Les données GPS satellite ont aussi quantifié les patterns de déplacement, comparant le trafic du Nouvel An chinois 2019 et 2020. Alors que 2019 a vu un retour aux volumes pré-fêtes, le trafic 2020 n'a pas rebondi, indiquant des perturbations persistantes.

Au 10 mars 2020, 75 % de la main-d'œuvre avait repris le travail, et les projections suggéraient que la plupart des employés chinois — hors Wuhan — reprendraient d'ici fin mars.

Ces études de cas illustrent le rôle décisif de l'IA et du big data pendant une crise de santé publique et laissent entrevoir leur potentiel comme outils standards pour la résilience future.

---

Référence

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

---

>> Cet article a été publié à l'origine sur notre site sœur, EE Times Europe.