Un outil d'intelligence artificielle (IA) qui prédit une malnutrition aiguë des enfants jusqu'à six mois à l'avance pourrait aider à lutter contre la condition au Kenya et à travers l'Afrique, près de la moitié des décès parmi les enfants de moins de cinq ans liés à la dénutrition aiguë – la plupart d'entre eux dans les pays à revenu faible et moyen – selon l'Organisation mondiale de la santé.
Cependant, les lacunes dans les données peuvent rendre difficile de savoir où concentrer les ressources dans des pays comme le Kenya.
Cinq pour cent des enfants du Kenya sont gravement souffrant de malnutrition, selon l'enquête sur la santé démographique du Kenya 2022, un niveau considéré comme un problème de santé publique.
Les scientifiques ont créé un modèle d'apprentissage automatique qui utilise des données de santé cliniques et des images satellites pour prévoir les tendances de la malnutrition à travers le pays.
L'outil a été développé par une équipe de l'Université de Californie du Sud (USC), en collaboration avec l'IA de Microsoft pour Good Research Lab, AMREF Health Africa et le ministère de la Santé du Kenya.
La chercheuse principale Laura Ferguson, directrice de la recherche à l'Institut USC sur les inégalités de la santé mondiale, a déclaré que l'objectif est de doter les autorités sanitaires des avertissements précoces qui soutiennent la prévention efficace et les réponses du traitement.
« L'outil est conçu pour prédire la malnutrition dans les comtés du Kenya (et)… Préparez les stratégies de prévention et de traitement», A dit Ferguson Scidev.net.
Pour faire ces prévisions, le modèle tire les données du système de logiciel d'information sur la santé du gouvernement (DHIS2) et les combine avec l'imagerie satellite pour déterminer où et quand la malnutrition est susceptible de se produire.
Contrairement aux modèles traditionnels qui dépendent uniquement des tendances historiques, cet outil d'IA intègre des données cliniques de plus de 17 000 établissements de santé kenyans.
Il a atteint une précision de 89% pour les prévisions d'un mois et une précision de 86% sur six mois, marquant une amélioration significative par rapport aux modèles de référence.
L'outil peut également intégrer des données accessibles au public sur la végétation agricole dérivée de l'imagerie satellite dans le modèle, pour indiquer les sources de nourriture disponibles, a ajouté Ferguson.
Encouragés par les résultats au Kenya, les chercheurs espèrent que l'outil pourra être adapté pour une utilisation dans près de 125 autres pays qui utilisent également DHIS2 – en particulier dans les 80 nations à revenu faible et intermédiaire où la malnutrition reste une cause principale de mortalité infantile.
« Ce modèle change la donne», a déclaré Bistra Dilkina, professeur agrégé d'informatique et codirecteur du Centre de l'IA de l'USC dans la société.
« En utilisant des modèles d'IA basés sur les données, vous pouvez saisir des relations plus complexes entre plusieurs variables qui fonctionnent ensemble pour nous aider à prédire la malnutrition plus précisément,« Elle a expliqué.
Pour maximiser l'impact de l'outil, la collaboration entre les secteurs est essentielle, explique Samuel Mburu, responsable de la transformation numérique chez Amref Health Africa, qui a également travaillé sur le projet. Il suggère d'aligner les services de santé sur les efforts d'agriculture et de gestion des catastrophes.
« L'investissement continu dans l'infrastructure et la formation de la santé numérique est également critique», A dit Mburu Scidev.net.
Peter ofware, directeur du Kenya Country pour Helen Keller International, un organisme sans but lucratif basé aux États-Unis axé sur la nutrition et la santé, convient que l'intégration des données sur la végétation avec DHIS2 améliore la précision des prévisions.
« Cela améliore la précision des prévisions», A déclaré à propos de Sweware, qui n'a pas participé à la recherche.
« Cependant, les données DHIS, qui sont leur source principale, présente de nombreuses limites de qualité, en particulier pour la malnutrition.«
Les enfants ne sont généralement dépistés que pour la malnutrition dans les installations où le traitement est disponible, ce qui limite la représentation des données, a-t-il ajouté.
