La salubrité de l’eau potable dépend non seulement du traitement, mais aussi de la connaissance du moment où des micro-organismes nuisibles peuvent être présents dans les eaux de source. Les chercheurs ont maintenant développé un cadre basé sur des données qui utilise des indicateurs de qualité de l’eau mesurés régulièrement pour prédire les concentrations d’agents pathogènes et estimer leurs risques potentiels pour la santé.
L’étude, publiée dans Biocontaminantcombine l’apprentissage automatique avec l’évaluation quantitative des risques microbiens, ou QMRA, pour créer un cadre ML-QMRA pour la surveillance des sources d’eau potable. Cette approche pourrait compléter les tests microbiens conventionnels en fournissant des estimations plus rapides des risques de contamination à partir de données facilement disponibles sur la qualité de l’eau.
« La surveillance de routine génère déjà une grande quantité d’informations environnementales. Notre objectif était de déterminer si ces variables couramment mesurées pouvaient également nous aider à anticiper la contamination microbienne et à traduire ces prédictions en estimations significatives des risques pour la santé », a déclaré Changzheng Cui, auteur correspondant de l’étude de l’Université des sciences et technologies de Chine orientale.
Les chercheurs ont collecté 95 échantillons d’eau de surface provenant de deux sources d’eau potable dans une grande ville de l’est de la Chine entre mai 2024 et décembre 2025. Ils ont surveillé trois bactéries indicatrices couramment utilisées, les coliformes fécaux, Escherichia coliet Enterococcus faecalisainsi que six agents pathogènes : Pseudomonas aeruginosa, Salmonelle spp., Shigelle spp., adénovirus, norovirus et entérovirus.
Les résultats ont révélé une limitation importante des indicateurs microbiens conventionnels. Bien que les trois bactéries indicatrices fécales soient significativement corrélées entre elles, leurs relations avec les agents pathogènes viraux étaient généralement faibles ou incohérentes. Cela signifie que les indicateurs bactériens à eux seuls ne reflètent pas toujours avec précision la contamination virale.
Pour améliorer la prédiction, l’équipe a comparé six approches d’apprentissage automatique, notamment la régression linéaire multiple, l’amplification des moindres carrés, l’arbre de décision, la machine à vecteurs de support, la forêt aléatoire et les modèles Perceptron multicouche.
Les modèles de forêt aléatoire et d’arbre de décision ont été particulièrement performants et tous les modèles optimisés ont atteint des valeurs R² supérieures à 0,75. Le modèle d’arbre de décision a montré des performances particulièrement solides pour P. aeruginosaavec un R² supérieur à 0,90. Les données indépendantes collectées en janvier et février 2026 ont également été utilisées pour la validation temporelle, confirmant ainsi la capacité de la plupart des modèles à faire des prédictions au-delà de la période de formation initiale.
Les chercheurs ont ensuite lié les concentrations prévues d’agents pathogènes aux calculs de la QMRA exprimés en années de vie ajustées sur l’incapacité, ou DALY. La plupart des risques estimés sont restés inférieurs à la référence de l’Organisation mondiale de la santé de 10⁻⁶ DALY par personne et par an, mais Salmonelle spp., Shigelle spp. et les entérovirus ont montré des probabilités de dépasser cette valeur de référence dans des conditions d’exposition défavorables.
L’analyse a également identifié l’efficacité de la désinfection comme le facteur dominant influençant le risque estimé pour la santé, soulignant l’importance d’un traitement stable et efficace de l’eau potable.
Pour rendre les modèles d’apprentissage automatique plus transparents, les chercheurs ont utilisé SHapley Additive exPlanations, ou SHAP. La turbidité était l’un des prédicteurs les plus puissants pour les bactéries indicatrices fécales, représentant 41,6 % à 62,1 % de l’importance prédictive dans ces modèles. La température, l’oxygène dissous, les précipitations et d’autres variables de qualité de l’eau ont contribué différemment selon les agents pathogènes individuels.
L’étude montre que les mesures physicochimiques de routine peuvent fournir des informations prédictives utiles sur les niveaux d’agents pathogènes et les risques potentiels associés pour la santé. Cependant, les auteurs soulignent que le cadre nécessite encore une validation dans différents bassins versants, saisons, systèmes de traitement et conditions d’utilisation des terres.
L’intégration future des modèles ML-QMRA avec des systèmes de surveillance en temps réel pourrait aider les gestionnaires de l’eau à identifier plus tôt les périodes de risque microbien élevé et à soutenir des interventions plus ciblées en matière de sécurité de l’eau.
