Les progrès de la modélisation axée sur l'IA améliorent les prévisions d'épidémie, mais le succès dépend de l'accessibilité des données.
Étude: Intelligence artificielle pour la modélisation des épidémies des maladies infectieuses. Crédit d'image: Shutterstock AI Générateur / Shutterstock.com
L'intelligence artificielle (IA) a considérablement amélioré la prévisibilité de l'émergence pathogène et de la transmissibilité. Un récent Nature L'étude souligne que le succès continu de cette technologie dépend de la transparence des données et des coûts de formation réduits.
Sommaire
Comment l'IA est-elle utilisée dans les soins de santé?
L'épidémiologie des maladies infectieuses se concentre sur l'émergence et la transmission de maladies infectieuses parmi la population et les stratégies pour prévenir, contrôler et atténuer les épidémies de maladies.
De nombreuses applications basées sur l'IA ont été développées pour soutenir la santé humaine, notamment le diagnostic des patients, l'aide à la décision pour les médecins et la prédiction du risque de maladie au niveau individuel. Actuellement, l'IA a été utilisée dans une moindre mesure dans l'épidémiologie des maladies infectieuses, qui peut être attribuée aux défis dans l'obtention de données à grande échelle, standardisées et représentatives essentielles pour la formation et l'évaluation des modèles d'IA ou d'apprentissage automatique (ML) avec des paramètres variables.
Néanmoins, les nouveaux modèles d'IA sont associés à une plus grande compétence, même lorsqu'ils sont enseignés avec une plus petite quantité de données pour répondre aux questions épidémiologiques.
Le potentiel des applications d'IA dans l'épidémiologie des maladies infectieuses
Dans les premiers stades de toute épidémie infectieuse, il est crucial de comprendre la gravité de la maladie et le potentiel épidémique du pathogène. Étant donné que la véritable séquence des événements et la localisation de l'infection d'origine sont souvent incertaines, les chercheurs éprouvent fréquemment des difficultés à estimer la période d'incubation et l'intensité de transmission à partir des données d'observation.
L'augmentation des données bayésien a été inestimable pour améliorer l'inférence des paramètres. De plus, l'intégration de l'IA dans l'approche d'augmentation des données bayésien a considérablement amélioré l'évolutivité et l'inférence des modèles.
Les modèles de transmission mécaniste et semi-mécanistes conventionnels fournissent des informations importantes sur la transmission virale et sont utilisées pour développer des scénarios contrefactuels. Cependant, ces modèles sont associés à des coûts de calcul considérables, qui sont en partie dus aux complexités étendues impliquées dans les méthodes numériques et à l'inférence dans un espace de paramètres de grande dimension.
Les progrès récents de la modélisation d'IA offrent la possibilité d'accélérer les inférences en utilisant l'inférence variationnelle, améliorant ainsi la complexité du modèle et le réalisme. Les méthodes accélérées AI-AI peuvent potentiellement réduire les temps d'exécution du modèle de semaines à heures, ce qui peut créer plus d'opportunités pour comprendre les associations potentielles entre l'hétérogénéité de la transmission individuelle et les résultats au niveau de la population.
Le réseau neuronal graphique (GNN) est un système d'IA prometteur qui peut améliorer la compréhension et la prévision précise de la dynamique des maladies infectieuses. Récemment, les modèles GNN ont prédit avec précision les cas de la maladie du coronavirus 2019 (Covid-19) par région et des taux de maladie de type grippe.
Les modèles d'IA sont également appliqués aux données génomiques pour élucider les lignées virales, l'origine virale, la pathogénicité, la transmissibilité et le potentiel du pathogène à échapper aux réponses immunitaires. Ces modèles ont amélioré la précision de l'inférence phylogénétique, offrant ainsi une caractérisation précise du processus d'infection.
Comment l'IA aide-t-elle les décideurs à prendre des décisions de santé publiques?
Au cours d'une épidémie de maladies infectieuses, les décisions politiques sont souvent prises sur la base des estimations du nombre de cas actuels et des prévisions de cas futurs. Surtout, les données de surveillance épidémique sont presque toujours affectées par les biais dans les rapports, les tests et l'échantillonnage.
Pendant la pandémie Covid-19, les chercheurs ont considérablement accéléré les progrès vers le développement de modèles plus standardisés et rigoureux qui permettent aux décideurs politiques de prendre des décisions de santé publique appropriées. Les modèles de fondation de grands réseaux de neurones profonds sont une approche puissante pour explorer et élucider les données de surveillance des séries chronologiques.
Les nouvelles approches ML et IA ont considérablement réduit le temps nécessaire pour exécuter des modèles épidémiologiques pour analyser les scénarios complexes et leurs incertitudes statistiques. Les modèles de grands langues (LLM) fournissent des résumés de modèles quantitatifs complexes qui sont personnalisés aux préférences d'un décideur.
L'utilisation réussie et appropriée des outils d'IA dépend de l'analyse minutieuse et de la résolution des principaux défis éthiques. Par exemple, les outils d'IA pour la préparation et la prévention de la pandémie dépendent largement des pratiques équitables pour la collecte, le stockage et le partage des données, car cela garantit une accessibilité généralisée des modèles d'IA.
Limitations et recommandations
Les modèles d'IA actuels ne parviennent souvent pas à fournir des informations mécanistes sur le processus de transmission, n'ont pas le pouvoir de prédire au-delà des données et des scénarios précédemment observés, et ne peuvent pas communiquer des questions et concepts épidémiologiques clés. À l'avenir, un assistant de maladie infectieux de l'IA pourrait être développé en intégrant des modèles de tâches unique dans des modèles de fondation plus généraux.
Les avantages potentiels de l'IA en santé publique dépendent de la disponibilité et de l'accessibilité des données représentatives. Un cadre éthique ferme pour le stockage et le partage des données est essentiel pour les applications réussies de l'IA en épidémiologie.
Après la pandémie Covid-19, beaucoup plus de données sont devenues disponibles pour enseigner de nouveaux modèles d'IA. Néanmoins, les données de surveillance de routine pour les maladies infectieuses restent inaccessibles à la communauté plus large, ce qui empêche le développement d'un système de modélisation de la maladie amélioré.
L'application restrictive des modèles d'IA a été attribuée à des coûts de formation élevés. La transparence des données robuste et le partage éthique seront essentielles pour développer des nouveaux modèles très précis à un coût réduit.
