Nouvel outil d'IA pour la prévision des maladies infectieuses : surpassant les méthodes actuelles, il anticipe les flambées épidémiques avec précision

Nouvel outil d'IA repense la prévision des maladies infectieuses, surpassant les méthodes actuelles Un nouveau outil d'intelligence artificielle (IA) nommé PandemicLLM, développé conjointement par des chercheurs de l'université Johns Hopkins et de l'université Duke, est susceptible de révolutionner la façon dont les responsables de santé publique prédirent, suivent et gèrent les épidémies de maladies infectieuses, notamment la grippe et le COVID-19. Ce progrès majeur, publié dans Nature Computational Science, offre une réponse aux défis complexes de la prévision des épidémies qui ont été mis en lumière lors de la pandémie de COVID-19. Les défis liés à la prévision des épidémies Laute Gardner, co-auteur de l'étude et experte en modélisation à Johns Hopkins, explique que la pandémie de COVID-19 a souligné les limitations des modèles de prévision existants. Ces modèles fonctionnaient bien dans des conditions stables, mais se retrouvaient largement inefficaces lorsque de nouveaux variants apparaissaient ou lorsque les politiques de santé publique changeaient. Gardner, connue pour avoir créé le tableau de bord de suivi du COVID-19 utilisé à l'échelle mondiale durant la pandémie, indique que PandemicLLM comble ce fossier en intégrant des types d'informations critiques manquants jusque-là. Principes fonctionnels de PandemicLLM L'équipe de recherche a exploité la modélisation linguistique grand public, un type de générateur d'IA comme ChatGPT, pour prédire la propagation des maladies. Contrairement aux approches traditionnelles qui traitent la prévision comme un simple problème mathématique, PandemicLLM adopte une approche plus holistique. Le modèle prend en compte des entrées diverses, telles que les pics récents d'infections, l'apparition de nouveaux variants, et l'application des mesures de port du masque, pour élaborer des prévisions. Types de données utilisés PandemicLLM utilise quatre types principaux de données : 1. Données épidémiologiques : incluent les taux d'infection, l'évolution des cas et les tendances d'hospitalisation. 2. Informations génomiques : concernent l'apparition et la propagation des nouveaux variants. 3. Politiques de santé publique : englobent les restrictions locales et nationales, les recommandations de vaccination et les consignes relatives au port du masque. 4. Données comportementales : portent sur les habitudes des individus, comme les mouvements de population et les interactions sociales. Tests et performances Pour évaluer son efficacité, les chercheurs ont appliqué rétroactivement PandemicLLM aux données de la pandémie de COVID-19 couvrant 19 mois et 50 États américains. Les résultats ont montré que le modèle pouvait prédire avec précision les schémas de propagation de la maladie et les tendances d'hospitalisation jusqu'à trois semaines à l'avance. De plus, il a constamment surpassé les autres méthodes, y compris celle du Center for Disease Control (CDC) via son plateforme COVIDHub. Hao "Frank" Yang, co-auteur de l'étude et assistant教授 en Génie civil et des systèmes à Johns Hopkins, met en avant la capacité du modèle à intégrer des flux d'informations en temps réel. "Traditionnellement, nous utilisons le passé pour prévoir l'avenir," dit Yang. "Mais cela ne donne pas au modèle suffisamment d'informations pour comprendre et prévoir ce qui se passe. Cette approche utilise de nouveaux types d'informations en temps réel." Adaptabilité à d'autres maladies infectieuses Grace à cette flexibilité, PandemicLLM peut être adapté pour prédire la propagation de toute autre maladie infectieuse, y compris la grippe aviaire, la variole du singe et le syndrome respiratoire syncytial (RSV). Cette adaptabilité renforce son potentiel d'application dans divers contextes de santé publique. Évaluations et perspectives Les chercheurs soulignent que ce nouveau cadre de modélisation sera essentiel pour soutenir la réponse de santé publique en cas de futures pandémies. "Nous savons, grâce au COVID-19, que nous avons besoin d'outils meilleurs et plus sophistiqués pour informer des politiques plus efficaces," affirme Gardner. "Il y aura une autre pandémie, et ces types de modèles seront cruciaux pour un soutien optimal." Profil de l'entreprise et réactions de l'industrie L'équipe de recherche continue d'explorer les capacités des grands modèles linguistiques (LLMs) pour simuler comment les individus prennent des décisions concernant leur santé. Cette simulation pourrait aider les autorités à concevoir des politiques plus sécuritaires et efficaces, répondant ainsi aux besoins futurs et actuels des gestionnaires de santé publique. L'impact de PandemicLLM dans l'industrie de la santé est donc potentiellement transformationnel, offrant un outil robuste pour une prise de décision basée sur des données précises et en temps réel. En conclusion, PandemicLLM représente une avancée significative dans la prévision des maladies infectieuses, grâce à son approche innovante et sa capacité à intégrer des données en temps réel. Cet outil promet d'améliorer considérablement la capacité des autorités de santé publique à anticiper et à gérer efficacement les épidémies futures.