Un nouveau modèle d'apprentissage automatique pourrait aider les responsables de la santé publique à anticiper la prochaine crise

Diagnostiquer et contenir une épidémie, ou les effets sur la santé d'un événement perturbateur comme une catastrophe naturelle, peut être une tâche énorme. Une étude publiée vendredi par l'Université de New York suggère qu'un nouveau modèle d'apprentissage automatique pourrait améliorer la capacité des responsables de la santé à répondre aux futures pandémies et autres crises de santé publique.

La recherche a été réalisée en partenariat avec l'Université Carnegie Mellon et le Département de la santé et de l'hygiène mentale de la ville de New York.

Kimberly Adams de Marketplace s'entretient avec Daniel Neill, professeur d'informatique à NYU et directeur de son Machine Learning for Good Laboratory, qui a publié l'étude. Il explique comment fonctionne ce modèle d'apprentissage automatique. Ce qui suit est une transcription éditée de leur conversation.

Daniel Neill : Notre approche utilise les données textuelles des visites aux urgences. Donc, en particulier, la principale raison pour laquelle le patient est venu aux urgences. Et ces données textuelles contiennent des données beaucoup plus riches que simplement "une personne a des symptômes pseudo-grippaux". Nous pourrions savoir exactement quel type de symptômes ils ont ou à quoi ils ont été exposés, et donc en détectant des modèles dans ces données textuelles, nous pouvons faire apparaître de nouvelles épidémies, des choses que la santé publique ne recherchait pas déjà ainsi que d'autres types d'événements.

Kimberley Adams :Comment cet algorithme pourrait-il être déployé dans un service de santé pour éventuellement identifier des épidémies nouvelles ou non identifiées ?

Neil : L'espoir est que les services de santé publique appliqueraient réellement ce type d'approche au quotidien, où chaque jour l'algorithme ferait apparaître des grappes dans le passé, disons, 24 heures de données que la santé publique pourrait examiner et, si nécessaire, répondre. Cela peut également aider la santé publique à faire face à toutes les myriades de problèmes auxquels elle doit faire face quotidiennement, qui peut être un groupe de cas provenant de l'inhalation de fumée, ou il y a une sorte d'exposition chimique, ou nous assistons à un nouveau groupe de surdoses de drogue à cause d'une nouvelle drogue synthétique. Donc, encore une fois, l'objectif est de leur donner une connaissance quotidienne de tout ce qui se passe dans leur juridiction.

Adam :Alors peut-être que vous pourriez repérer, je ne sais pas, une épidémie de quelque chose comme la maladie des légionnaires plus tôt que vous ne le feriez autrement ?

Neil : Oui c'est vrai. C'est un bel exemple de quelque chose avec des symptômes rares. Et vous pouvez également imaginer si quelque chose s'accompagne de nouveaux symptômes, des choses que nous n'avons jamais vues auparavant, comme si le nez des gens devenait bleu et tombait. Maintenant, il ne devrait pas falloir de très nombreux cas de quelque chose comme ça pour que nous réalisions que nous avons quelque chose de nouveau et de différent auquel la santé publique doit faire face. Mais l'ironie est que les systèmes de surveillance des maladies typiques ne feront que les mapper à vos catégories de syndromes existantes et manqueront essentiellement le fait qu'il y a en fait quelque chose de nouveau là-bas. Nous fournissons donc un filet de sécurité pour détecter tous ces types d'événements que d'autres systèmes pourraient manquer.

Adam :Que se passe-t-il s'il y a une lacune dans les données ou si personne ne parle de ses symptômes ?

Neil : C'est exact. C'est absolument une limite du système, qui dépend de la qualité des données, de la disponibilité des données et de l'actualité des données. Ainsi, par exemple, si une juridiction n'obtient pas les données des services d'urgence des hôpitaux locaux en temps opportun, cela aura un impact sur toute sa capacité à répondre à tous les modèles de ces données. De même, s'il y a eu des erreurs majeures dans la manière dont les données ont été collectées, celles-ci peuvent se propager à ce que nous pouvons détecter à l'aide de ces données. De plus, vous avez tout à fait raison, les choses qui pourraient ne pas donner lieu à des visites aux urgences ne seraient pas nécessairement détectables grâce à cette source de données particulière. Il existe cependant une grande variété de sources de données que la santé publique utilise pour la détection des épidémies.

Adam : L'une des façons dont vous avez tous testé cet algorithme était d'examiner les données qui sont arrivées dans les hôpitaux après l'ouragan Sandy. Pouvez-vous me décrire ce que vous avez vu et comment l'algorithme y a répondu ?

Neil : Bien sûr. Nous avons trouvé une progression très intéressante de groupes de cas dans les services d'urgence de New York. Un jour ou deux après le passage de Sandy, nous avons vu ce à quoi nous nous attendions, c'est-à-dire de nombreux cas aigus - des personnes souffrant de blessures aux jambes ou d'essoufflement, d'autres choses qui sont en quelque sorte des résultats directs de l'impact de l'ouragan. Quelques jours plus tard, nous avons commencé à voir des grappes de cas davantage liés à des problèmes de santé mentale. Donc, les gens arrivent avec des choses comme la dépression et l'anxiété. Et puis quelques jours après ça, on a vu encore un autre type de cas. Nous avons vu des gens venir aux urgences pour des choses comme la dialyse ou l'entretien à la méthadone. Ce sont toutes des choses qui ne seraient généralement pas traitées dans un service d'urgence d'un hôpital. Mais parce que toutes les cliniques externes étaient fermées, les gens devaient essentiellement utiliser l'urgence pour ces raisons également. Donc, ce que cela nous montre vraiment, c'est la progression des différents stress sur un service d'urgence à la suite d'une catastrophe naturelle. Et je pense que c'est très instructif pour le personnel des urgences des hôpitaux de savoir ce dont ils pourraient avoir besoin pour anticiper et être prêt et disposer des ressources adéquates pour résoudre tous ces différents types de problèmes.

Adam :Pourquoi l'apprentissage automatique est-il un meilleur outil pour cet ensemble particulier de problèmes de santé publique que la façon dont nous le faisions auparavant ?

Neil : Ce n'est en aucun cas une tâche où [l'intelligence artificielle] devrait remplacer les humains. Donc, ce que fait notre système, c'est qu'il rend les humains, les épidémiologistes de la santé, conscients des événements qui émergent dans les données qu'ils ne verraient peut-être pas autrement. Donc, faire ressortir ce qui est important dans toutes ces données massives et complexes dont un humain pourrait se soucier et auquel il pourrait vouloir répondre est vraiment la clé.

Chaque jour, l'équipe "Marketplace Tech" démystifie l'économie numérique avec des histoires qui explorent plus que la Big Tech. Nous nous engageons à couvrir des sujets qui comptent pour vous et le monde qui nous entoure, en approfondissant la façon dont la technologie se croise avec le changement climatique, les inégalités et la désinformation.

Dans le cadre d'une salle de presse à but non lucratif, nous comptons sur des auditeurs comme vous pour que ce service public reste gratuit et accessible à tous.

Soutenez "Marketplace Tech" quel que soit le montant aujourd'hui et devenez partenaire de notre mission.