Amélioration de l'alerte précoce sur les maladies infectieuses : Une approche d'apprentissage profond pour la surveillance de la grippe en Chine

Cette étude visait à développer un modèle de Réseau Résiduel d'Attention Auto-Excitation (SEAR) applicable de manière universelle et informé par le retour d'expérience. Ce modèle s'adapte dynamiquement aux tendances évolutives des maladies et aux changements du système de surveillance, en s'accommodant de divers scénarios. Cela améliore l'efficacité des systèmes d'alerte précoce. Des données de surveillance sur les maladies similaires à la grippe (ILI) ont été collectées dans diverses régions, y compris le nord de la Chine, le sud de la Chine, Pékin et le Yunnan. Le nombre de reproduction (Rt) a été estimé pour déterminer le seuil de déclenchement des avertissements. Le Réseau Résiduel d'Attention Auto-Excitation (SEAR) a été conçu en utilisant des algorithmes d'apprentissage profond et a été formé, validé et testé. L'efficacité du modèle SEAR a été évaluée sur la base de cinq indicateurs : taux de précision, taux de rappel, score F1, matrice de confusion, et courbe des caractéristiques de fonctionnement du récepteur. Avec un avertissement anticipé fixé à trois jours, le modèle SEAR a surpassé cinq modèles principaux − régression logistique, machine à vecteurs de support, forêt aléatoire, Extreme Gradient Boosting, et modèle mémoire à long et court terme − dans les cinq indicateurs d'évaluation. Notamment, la performance d'avertissement du modèle a diminué avec l'augmentation de la valeur d'alerte précoce et du nombre de jours d'avertissement, tout en maintenant une valeur ROC supérieure à 0,7 dans tous les scénarios. Le modèle SEAR a démontré une performance robuste d'alerte précoce pour la grippe dans diverses régions de Chine avec une grande précision et spécificité. Ce nouveau modèle, augmentant les systèmes traditionnels, soutient une application généralisée pour la surveillance des épidémies de maladies respiratoires. Les évaluations futures pourraient incorporer des indicateurs alternatifs, le modèle s'actualisant continuellement par le biais d'un retour de données, augmentant ainsi son applicabilité universelle. Une optimisation continue, utilisant un retour itératif et le jugement d'experts, annonce une approche transformationnelle des stratégies d'alerte précoce basées sur la surveillance.