L’IA et l’avenir de la prévention du paludisme

Le paludisme reste l’un des grands défis de santé publique de notre époque. Selon l’Organisation mondiale de la Santé, la Région africaine de l’OMS concentre la grande majorité des cas et des décès dans le monde, et le Nigeria en supporte la plus grande part parmi tous les pays. Les progrès réalisés au début des années 2000 ont ralenti, et les programmes font face à des menaces croissantes : résistance aux insecticides et aux médicaments, contraintes de financement et changement climatique.

Dans ce contexte, il est tentant de voir l’intelligence artificielle comme une technologie de rupture. Nous pensons qu’un cadrage plus utile est plus étroit et plus pratique : l’IA peut aider les programmes de lutte contre le paludisme à décider où et quand agir avec davantage de précision. C’est précieux justement parce que les outils de prévention du paludisme - moustiquaires, pulvérisation, chimioprévention, prise en charge des cas et, de plus en plus, vaccins - fonctionnent déjà lorsqu’ils atteignent les bonnes personnes au bon moment.

Là où l’IA peut aider

Anticiper le risque saisonnier

Dans de nombreux contextes, la transmission du paludisme est fortement saisonnière, façonnée par les pluies, la température et l’humidité avec des décalages caractéristiques. Les modèles statistiques et d’apprentissage automatique qui combinent l’historique de surveillance avec des données climatiques peuvent estimer l’évolution probable du risque au cours des semaines à venir. Même un délai d’anticipation modeste peut aider les programmes à prépositionner les intrants et à programmer les campagnes.

Voir les variations infranationales

Les moyennes nationales, et même celles des États, peuvent masquer de fortes différences entre districts et quartiers. Les modèles géospatiaux peuvent estimer le risque à une résolution plus fine et aider les programmes à éviter de répartir les ressources de manière trop dispersée ou trop uniforme.

Prioriser sous contrainte

Les programmes disposent rarement des ressources nécessaires pour couvrir toutes les zones à la fois. Combiner le risque prévu avec des indicateurs comme la proportion de jeunes enfants, le temps de trajet jusqu’aux établissements de santé et la couverture récente en moustiquaires peut produire des classements de priorité transparents - à condition que les pondérations soient visibles et convenues par les parties prenantes.

Réduire les frictions opérationnelles

La microplanification, la logistique et la supervision mobilisent beaucoup de temps pour le personnel des programmes. Des outils qui préparent des projets de plans à partir de priorités convenues, et qui suivent les activités prévues et réalisées, peuvent libérer les personnes expérimentées pour qu’elles se concentrent sur les problèmes qu’elles seules peuvent résoudre.

Là où la prudence s’impose

La qualité des données est inégale

Les données de routine sur le paludisme peuvent être influencées par les taux de dépistage, les ruptures de stock, l’exhaustivité de la déclaration et l’évolution du recours aux soins. Un modèle entraîné sur de telles données peut apprendre des artefacts plutôt que la transmission. Une évaluation soigneuse des données, et un travail étroit avec les épidémiologistes des programmes qui connaissent les pratiques locales de déclaration, sont indispensables.

Les prévisions sont incertaines

Les prévisions doivent toujours être présentées avec des intervalles de prédiction et comparées à des références simples. Un modèle qui ne fait pas mieux que « comme l’an dernier » ajoute de la complexité sans valeur.

L’équité peut être compromise

Les zones où la déclaration est faible peuvent paraître moins à risque simplement parce que moins de cas y sont enregistrés. Sans vérifications explicites, un ciblage fondé sur les données peut détourner les ressources des communautés qui en ont le plus besoin.

Ce sont les personnes qui décident

Les résultats de l’IA alimentent le jugement des experts ; ils ne le remplacent pas. Les responsables de programme, les épidémiologistes et les communautés doivent rester maîtres des décisions.

Ce que cela signifie pour Epinova

La priorité initiale d’Epinova en matière de paludisme est le Nigeria, où l’ampleur et la diversité de la transmission rendent un ciblage précis particulièrement utile. Nous développons des capacités de prévision et de priorisation avec ces principes en tête : validation avant utilisation, incertitude rendue visible, pondérations transparentes et décisions prises par des humains.

Nous en sommes à un stade précoce et nous ne revendiquerons pas de résultats que nous n’avons pas encore démontrés. Ce que nous pouvons dire, c’est que nous construisons avec les personnes qui gèrent les programmes de lutte contre le paludisme, que nous nous mesurons à des références simples et que nous nous engageons à rendre compte de ce que nous trouvons.