Le comportement social des personnes, reflété dans leurs données de mobilité, fournit aux scientifiques un moyen de prévoir la propagation du COVID-19 à l’échelle nationale au niveau du comté. Des chercheurs du Collège d’ingénierie et d’informatique de la Florida Atlantic University et des collaborateurs ont développé le premier modèle d’apprentissage en profondeur basé sur les données avec le potentiel de prédire une épidémie dans les cas de COVID-19 deux semaines à l’avance. Les résultats de cette étude ont des implications importantes pour la gestion de la pandémie actuelle ainsi que des pandémies futures.
Pour l’étude, publiée dans le Journal du Big Data, les chercheurs ont intégré les données de mobilité de conduite collectées par l’application Apple Maps, les statistiques COVID-19 et les données démographiques au niveau des comtés de 531 comtés aux États-Unis. Ils ont formé leur modèle d’apprentissage en profondeur de la mémoire à long court terme (LSTM) pour capturer l’effet des réponses du gouvernement sur les cas de COVID-19 ainsi que l’effet de l’âge sur la propagation de COVID-19.
Les modèles basés sur les données peuvent apprendre de l’histoire de la maladie. Par exemple, ils peuvent utiliser des données de mobilité telles que le transport et la marche, qui fournissent un changement en temps quasi réel des modèles de mouvement, pour apprendre l’effet du comportement social sur le taux de reproduction. Une augmentation de la mobilité montre une augmentation de l’interaction entre les personnes, en particulier dans les zones à forte densité de population. Par conséquent, l’alimentation des données de mobilité aux modèles de prévision épidémiologique aide à estimer la croissance du COVID-19 ainsi qu’à évaluer les effets des politiques gouvernementales telles que l’imposition de masques sur la propagation du COVID-19. »
Behnaz Ghoraani, Ph.D., auteur principal, professeur agrégé au Département de génie électrique et informatique; et membre du FAU Institute for Sensing and Embedded Network Systems Engineering (I-SENSE)
Pour l’étude, les chercheurs ont exploré trois groupes d’âge : les jeunes adultes, les adultes et les retraités. Pour chaque population d’âge, ils ont identifié les comtés avec des personnes supérieures à un pourcentage. Par exemple, pour chaque tranche d’âge, ils ont identifié les comtés où 10 pour cent de leur population est jeune et ont calculé le nombre moyen de cas quotidiens. Ils ont augmenté le seuil de 10 pour cent jusqu’à 70 pour cent et ont répété l’analyse.
Les résultats ont montré que le nombre moyen de cas quotidiens diminuait avec l’augmentation du pourcentage de retraités et augmentait avec l’augmentation du pourcentage de la population jeune. Le nombre moyen de cas quotidiens a doublé lorsque la population jeune est passée de 10 à 20 pour cent et a triplé lorsqu’elle est passée à 30 pour cent. La tendance inverse s’est produite avec l’augmentation du pourcentage de retraités.
Les chercheurs ont effectué une analyse détaillée pour valider que les prédictions de leur modèle reflétaient les mêmes schémas dans les cas réels en ce qui concerne les changements dans les réglementations gouvernementales en matière de pandémie et la démographie des comtés.
« Les changements dans les politiques de verrouillage, les mandats de masque et d’autres réponses du gouvernement ont un impact direct sur les cas quotidiens de COVID-19. Par conséquent, les prévisions du modèle des cas quotidiens de deux semaines doivent refléter cet impact, comme le montrent les cas réels accumulés sur deux semaines. » a déclaré Borko Furht, Ph.D., co-auteur, professeur, Département de génie informatique et électrique et d’informatique, et directeur du Centre de recherche coopérative industrie/université de la National Science Foundation (NSF) pour l’activation des connaissances avancées (CAKE). « La prévision de la propagation au niveau du comté explique l’influence des politiques locales de bas niveau et aidera à fournir de meilleures prévisions pour soutenir les prévisions nationales et étatiques. Par exemple, les prévisions à court terme des cas accumulés peuvent être utilisées pour planifier et décider si ou pas un confinement est nécessaire. »
Les chercheurs ont récupéré des données dynamiques du 15 février 2020 au 22 janvier et ont filtré les comtés avec une densité de population de moins de 150 personnes par mile carré. Ils ont formé le modèle LSTM pour apprendre comment le nombre de cas passé et actuel et la mobilité des personnes ont un impact sur les cas futurs. Ils ont utilisé les données de 424 comtés sur 168 jours pour la formation et de 107 comtés sur 168 jours pour la validation. Le modèle a entraîné une corrélation significative lorsqu’il a été testé sur l’intervalle du 1er août 2020 au 22 janvier. Il a pu prédire une augmentation et également une diminution du nombre total de cas.
« Le modèle d’apprentissage en profondeur développé par nos chercheurs est particulièrement pertinent maintenant que les cas de la variante Delta s’intensifient en Floride et dans tout le pays », a déclaré Stella Batalama, Ph.D., doyenne du Collège d’ingénierie et d’informatique. « De nombreuses populations infectées restent asymptomatiques tout en propageant le virus, ce qui rend difficile pour les modèles mécanistes traditionnels de prédire avec précision une épidémie à venir. Les travaux des professeurs Ghoraani et Furht et de nos collaborateurs de Lexis-Nexis Risk Solutions ont des applications importantes pour une gestion efficace de la pandémie et les futures épidémies, qui ont le potentiel de sauver des vies et de maintenir la prospérité de nos économies. »
