Covid-19 : le Machine Learning peut aider à freiner l’épidémie

Selon les recherches des physiciens de l’Université de Göteborg en Suède et du CNR-IPCF en Italie, l’apprentissage automatique pourrait aider à arrêter une future pandémie en indiquant quels individus devraient être testés.

Une méthode, plus efficace, dérivée du réseau neuronal

Les chercheurs ont  utilisé une méthode dérivée du réseau neuronal qui s’est avérée bien plus efficace que les stratégies classiques de recherche de contacts pour contenir une épidémie simulée. Bien que le modèle n’ait pas encore été testé dans des conditions réelles, l’auteur principal des recherches, Laura Natali, dit qu’il pourrait être particulièrement utile aux premiers stades d’une épidémie, lorsque les tests sont rares et que l’on sait peu de choses sur la façon dont une nouvelle maladie se propage.

Dans leur étude, Natali et ses collègues ont commencé par diviser une population de 100 000 individus simulés en trois groupes : ceux qui sont sensibles à la maladie (S), ceux qui sont actuellement infectés (I) et ceux qui se sont rétablis (R). Au cours de la simulation, ces individus se déplacent au hasard autour des sous-régions d’un réseau de 320 x 320 cellules. À chaque pas de temps, les individus dans un certain rayon d’une personne infectée ont une probabilité β d’être infectés, et une probabilité γ par la suite de récupérer et d’être immunisés.

Une température attribuée à chaque individu simulé

Pour capturer l’impact des porteurs de maladies asymptomatiques, une caractéristique majeure de la pandémie COVID-19, les chercheurs attribuent une température à chaque individu simulé. Les températures des individus infectés sont, en moyenne, plus élevées que celles des individus en bonne santé. Cependant, les distributions de température saine et infectée se chevauchent considérablement, ce qui rend impossible l’identification de l’état d’un individu par la seule température. 

Cela signifie que des tests sont nécessaires pour identifier les individus infectés. Le modèle suppose que ces tests sont précis, mais pas largement disponibles, de sorte que le nombre d’individus qui peuvent être testés (et, s’ils sont infectés, isolés) à chaque pas de temps t est toujours bien inférieur à la population totale.

Utilisation du réseau neuronal

Natali et ses collègues ont exploré s’il était possible d’éliminer la maladie tout en n’isolant qu’une partie de la population. À cette fin, ils ont utilisé un réseau de neurones pour sélectionner les individus à tester. Le modèle cherche les individus à tester en priorité en tenant compte de nombreux paramètres, comme la température. Résultat : le taux d’infection a culminé à 5,1% de la population et est rapidement tombé à zéro par la suite, même si la population isolée n’a pas dépassé les 25%. Cela permet une meilleure utilisation des tests selon les chercheurs.

Les chercheurs notent que leur réseau ne fait aucune hypothèse sur la maladie ou le modèle sous-jacent SIR (sensible, infectieux, récupéré). Cela signifie qu’il devrait adapter automatiquement ses prévisions aux épidémies avec des dynamiques plus complexes, telles qu’une maladie avec une période d’incubation, des retards dans le processus de test ou des schémas différents de mouvement individuel. Natali et ses collègues ont montré que leur modèle était également efficace pour supprimer une épidémie lorsque les individus peuvent contracter la maladie plus d’une fois.

Pin It on Pinterest