Comment la science des données a aidé à combattre l'épidémie de coronavirus

Malgré les efforts continus pour améliorer les systèmes de santé dans le monde, les épidémies émergentes restent un problème majeur de santé publique. Une réponse efficace à de telles épidémies repose sur une intervention rapide, idéalement informée par toutes les sources de données disponibles.

La complexité croissante des données sur les épidémies a conduit à l'essor de l'analyse des épidémies - une science des données conçue pour éclairer la réponse aux épidémies.

Alors, comment ça marche? Il y a quatre objectifs principaux :

• Collecte de données multi-sources. Ici, il est important de se rappeler que la collecte de données ne consiste pas simplement à sélectionner des données structurées à partir de documents cliniques. Les sources de données brutes sont également impliquées. Par conséquent, l'analyse des données sur les épidémies nécessite la suppression du bruit, le nettoyage et la normalisation des données pour permettre aux données de générer des informations exploitables.
• Fournir une connaissance de la situation. En période de pandémie, en période d'incertitude, il est essentiel de savoir quand le risque est gérable et quand il est le plus susceptible de devenir dangereux. La connaissance de la situation surveillée via diverses sources publiques permet d'atténuer et de contrôler ce risque.
• Former une réponse efficace. À ce stade, la visualisation des données intervient. Elle présente les résultats analytiques sous une forme claire et conviviale (via des tableaux de bord, des graphiques, etc.), aidant les décideurs à concevoir des mesures de réponse efficaces sans délai.
• Formation et renforcement des capacités. Une fois la crise résolue, les décideurs examinent la situation pour analyser les scénarios de réponse acceptés et sélectionner des stratégies efficaces. Ensuite, ils apportent des modifications pertinentes aux plans de formation professionnelle et d'urgence sanitaire pour mieux se préparer à faire face à une nouvelle crise sanitaire.

La pandémie de COVID-19 n’est pas la seule au 21e siècle ni même au cours de la dernière décennie. Il n'y a pas si longtemps, Ebola et Zika ont fait des ravages en Afrique de l'Ouest et dans les Amériques. La réponse rapide et son adaptabilité, les mécanismes de surveillance et les stratégies de gestion étaient ce qui a aidé les chercheurs et les cliniciens à l'époque. Mais sont-ils suffisants maintenant ? Pas vraiment.

Compte tenu de la portée mondiale de la pandémie, il est difficile de concevoir une réponse efficace sans la coopération étendue des parties clés, et il ne s'agit pas seulement de recherche transversale dans le cadre de l'analyse des épidémies. Avec le virus qui tourmente plus de 200 pays, une stratégie de réponse adéquate devrait s'appuyer sur les meilleures pratiques de chaque région.

Heureusement, les chercheurs cliniques et les professionnels de la santé du monde entier ont uni leurs efforts dans la lutte contre le virus. À la recherche des meilleures stratégies de résolution de crise, ils ont développé une culture élaborée de partage de données. Ils ouvrent désormais leurs développements en open source et travaillent en permanence à leur amélioration. Grâce à cette approche, nous avons vu des projets de diagnostic uniques, comme DarwinAI (Canada). Avec cet outil de vision par ordinateur en place, il est possible de diagnostiquer le COVID-19 uniquement par des radiographies thoraciques. Auparavant, la seule méthode de diagnostic COVID-19 d'imagerie médicale était la tomographie par ordinateur (CT).

L'approche coopérative comprend également l'analyse des épidémies, qui a alimenté l'analyse en temps réel et la prévention. Ces deux types d'analyses sont au cœur du confinement de la dissémination du virus.

Données en temps réel

Dans une situation critique, ce type d'analyse permet une prise de décision rapide basée sur les données et adapte le processus à chaque situation séparément. De telles analyses sont d'une importance particulière pour les professionnels de la santé locaux qui sont en première ligne de la lutte contre le virus.

Des outils d'analyse locaux en temps réel sont développés en fonction des besoins des acteurs clés. Par exemple, Kinetica et Disaster Tech ont déployé une plate-forme analytique dynamique alimentée par l'IA pour aider les intervenants américains en cas de crise à suivre à la volée les données liées aux coronavirus. La solution permet aux services d'urgence de visualiser en direct des données statistiques sur la disponibilité des équipements de protection individuelle (EPI), la capacité hospitalière, le nombre de kits de test, la disponibilité des équipements, etc. pour choisir l'emplacement le plus approprié pour un patient et gagner du temps.

L'analyse en temps réel ne se limite pas à résoudre les tâches opérationnelles localement. Our World in Data, un projet basé à Oxford conçu pour résoudre les problèmes mondiaux, a déployé une publication massive dédiée aux statistiques COVID-19 dans le monde entier pour alimenter une analyse continue en temps réel. La source donne accès à une masse de données liées aux coronavirus, des nouveaux cas et taux de mortalité à la réponse politique pour chaque pays vivant la crise des coronavirus. Tous les graphiques, rapports et autres visualisations de données interactives sont mis à jour quotidiennement et disponibles en téléchargement.

Analytics pour la prévention

Les analyses en temps réel ont aidé le gouvernement sud-coréen à renforcer la conception d'une stratégie de prévention et la surveillance des patients positifs pour Covid. Il utilise les données des solutions IoT et AI sous-jacentes aux réseaux de villes intelligentes en direct et les informations personnelles fournies par les patients confirmés. Cela permet aux chercheurs de suivre les mouvements des patients, d'identifier leurs contacts et de prédire l'ampleur potentielle de l'épidémie dans une région donnée à l'aide de l'analyse des mégadonnées. Les données sont également utilisées pour la rédaction de mesures préventives et d'instructions.

Taïwan a également réussi à tirer parti des analyses en temps réel pour une prévention en temps opportun. Juste avant la célébration du Nouvel An lunaire qui marque la saison des vacances asiatiques, le pays a intégré la base de données nationale de l'assurance maladie avec celles de l'immigration et des douanes. Lorsque les voyageurs infectés ont commencé à arriver, une solution d'analyse des mégadonnées a passé au peigne fin les bases de données intégrées et a établi le lien entre les antécédents de voyage des visiteurs et les symptômes qu'ils ont ressentis. La solution a envoyé des alertes en temps réel lors d'une visite à l'hôpital pour aider à l'identification des cas. Il a également permis de classer les voyageurs par risques d'infection en fonction de l'origine du vol et de l'historique de voyage au cours des 14 derniers jours.

Dans une situation d'incertitude et de turbulences comme la pandémie actuelle, les données perspicaces sont reines. Et ce sont des solutions analytiques pertinentes qui peuvent l'exploiter et tirer parti des mesures de réponse et de prévention adéquates sans délai. À cet égard, l'analyse des épidémies fonctionne bien.

Dans le même temps, la propagation mondiale du virus met un autre aspect à l'honneur :la coopération internationale. Pour développer des stratégies de gestion efficaces, les principales parties prenantes et décideurs du monde entier doivent examiner et améliorer les solutions développées et peaufiner les mesures de réponse en s'appuyant sur des données en temps réel. Ainsi, unir les efforts dans tous les domaines, de l'analyse au diagnostic et au traitement, est le seul moyen d'arrêter la pandémie et de mieux se préparer à toute autre urgence sanitaire.

Yaroslav Kuflinski est un observateur d'intelligence artificielle/apprentissage automatique avec Iflexion.