Vers une surveillance optimale des maladies grâce à l’apprentissage actif basé sur les graphes

Contexte académique

Avec l’accélération de la mondialisation, la vitesse et l’étendue de la propagation des maladies infectieuses ont considérablement augmenté, faisant de la surveillance et du contrôle efficaces de ces maladies un enjeu majeur en santé publique. Les méthodes traditionnelles de surveillance des maladies reposent généralement sur des tests et des mesures d’isolement à grande échelle. Cependant, dans des contextes où les ressources sont limitées, l’optimisation de l’allocation des ressources de test pour maximiser l’acquisition d’informations devient un défi majeur pour les décideurs politiques. En particulier, dans les régions où les ressources sont rares, une allocation inégale des ressources de test peut entraîner une propagation continue des épidémies. Par conséquent, le développement d’une stratégie permettant de maximiser l’efficacité de la surveillance avec des ressources limitées est d’une importance cruciale.

Cette étude vise à optimiser l’allocation des ressources de test dans la surveillance des maladies en utilisant des méthodes basées sur les graphes (graph-based) et l’apprentissage actif (active learning). Plus précisément, les chercheurs modélisent la propagation des maladies comme un graphe non orienté et non pondéré (undirected and unweighted graph), où les nœuds représentent des emplacements géographiques et les arêtes représentent les voies de transmission des maladies infectieuses entre ces emplacements. En simulant la propagation des épidémies, les chercheurs évaluent plusieurs stratégies de sélection de nœuds et proposent une nouvelle stratégie, appelée “sélection par entropie locale” (Selection by Local Entropy, LE), pour maximiser l’efficacité de la surveillance avec un budget de test limité.

Source de l’article

Cet article a été rédigé par Joseph L.-H. Tsui, Mengyan Zhang, Prathyush Sambaturu, Simon Busch-Moreno, Marc A. Suchard, Oliver G. Pybus, Seth Flaxman, Elizaveta Semenova et Moritz U. G. Kraemer, issus d’institutions telles que l’Université d’Oxford, l’Université de Californie à Los Angeles et l’Imperial College de Londres. L’article a été publié le 19 décembre 2024 dans les Proceedings of the National Academy of Sciences (PNAS), sous le titre Toward Optimal Disease Surveillance with Graph-Based Active Learning.

Processus de recherche

1. Surveillance des maladies comme tâche de classification de nœuds

Les chercheurs modélisent la tâche de surveillance des maladies comme un problème de classification de nœuds. Plus précisément, ils utilisent un graphe non orienté et non pondéré pour représenter un réseau de mobilité entre des emplacements géographiques, où les nœuds représentent des lieux et les arêtes représentent les voies de transmission des maladies infectieuses entre ces lieux. Les chercheurs supposent que la propagation de l’épidémie suit un modèle stochastique Susceptible-Infecté (Susceptible-Infected, SI), c’est-à-dire que l’infection ne peut se propager qu’à travers les arêtes entre les nœuds. La simulation de la propagation de l’épidémie commence à partir d’un nœud sélectionné au hasard et se poursuit jusqu’à ce qu’une certaine proportion de nœuds soit infectée.

Après la simulation de la propagation de l’épidémie, les chercheurs attribuent à chaque nœud un label binaire (0 ou 1) indiquant son statut d’infection, où 1 signifie infecté et 0 signifie non infecté. Les chercheurs supposent que l’échelle de temps de la propagation de l’épidémie est beaucoup plus longue que celle du déploiement des ressources de test, de sorte que la distribution de la maladie peut être considérée comme statique pendant toute la durée du programme de surveillance.

2. Allocation des tests comme tâche d’apprentissage actif

Avec un budget de test limité, les chercheurs considèrent le problème d’allocation des ressources de test comme une tâche d’apprentissage actif. Plus précisément, ils utilisent des stratégies d’apprentissage actif existantes (comme l’entropie des nœuds et l’apprentissage actif bayésien) pour sélectionner les nœuds à tester et mettent à jour les estimations de la probabilité d’infection des nœuds non observés en fonction des résultats des tests. Les chercheurs proposent une nouvelle stratégie, appelée “sélection par entropie locale” (LE), qui prend en compte non seulement l’incertitude de prédiction du nœud candidat lui-même, mais aussi celle des nœuds environnants.

3. Évaluation des stratégies

Les chercheurs évaluent les performances de plusieurs stratégies de sélection de nœuds dans différents scénarios de réseau et d’épidémie. Plus précisément, ils utilisent des réseaux synthétiques (comme des grilles périodiques, des graphes aléatoires générés par le modèle de Barabási-Albert, etc.) et des réseaux basés sur des données réelles de mobilité humaine (comme les données de mobilité au niveau provincial en Italie et les données mondiales de trafic aérien) pour mener des expériences de simulation. En comparant les performances des différentes stratégies avec un budget de test limité, les chercheurs évaluent leur efficacité.

Résultats principaux

1. Surveillance des maladies sur une grille non périodique

Les chercheurs évaluent les performances de différentes stratégies sur une grille non périodique. Les résultats montrent qu’avec un petit budget de test, la stratégie de sélection par entropie locale (LE) surpasse les stratégies d’entropie des nœuds (NE) et d’apprentissage actif bayésien (BALD). À mesure que le budget de test augmente, la stratégie d’entropie des nœuds commence à surpasser la stratégie de sélection par entropie locale, en particulier avec un budget de test important, où la stratégie d’entropie des nœuds atteint rapidement une performance de prédiction parfaite.

2. Surveillance des maladies sur des graphes synthétiques

Les chercheurs évaluent les performances de différentes stratégies sur plusieurs graphes synthétiques. Les résultats montrent que, à l’exception de l’apprentissage actif bayésien et de la stratégie réactive-infectée, les autres stratégies surpassent la sélection aléatoire dans la plupart des scénarios d’épidémie. En particulier, sur les graphes aléatoires générés par le modèle de Barabási-Albert, les stratégies basées sur la structure du graphe (comme la centralité de degré et la centralité de PageRank) surpassent les stratégies basées sur l’incertitude dans les phases initiales et intermédiaires de l’épidémie.

3. Surveillance des maladies sur des réseaux de mobilité humaine réels

Les chercheurs évaluent les performances de différentes stratégies sur des réseaux basés sur des données réelles de mobilité humaine. Les résultats montrent que la stratégie de sélection par entropie locale performe bien avec un petit budget de test, mais que la stratégie d’entropie des nœuds la dépasse à mesure que le budget de test augmente. En particulier, sur les réseaux générés à partir des données mondiales de trafic aérien, les stratégies basées sur la structure du graphe performe bien dans les phases initiales de l’épidémie, mais leur performance diminue dans les phases ultérieures.

Conclusion

Cet article propose un cadre pour optimiser l’allocation des ressources de test dans la surveillance des maladies en utilisant des méthodes basées sur les graphes et l’apprentissage actif. Les résultats montrent que, avec un budget de test limité, la stratégie de sélection par entropie locale peut améliorer efficacement l’efficacité de la surveillance. En particulier, dans les phases initiales de l’épidémie et dans les réseaux à structure ordonnée, la stratégie de sélection par entropie locale performe de manière exceptionnelle. Cependant, à mesure que le budget de test augmente, la stratégie d’entropie des nœuds commence à surpasser la stratégie de sélection par entropie locale.

Cette étude offre de nouvelles perspectives pour la surveillance des maladies dans des contextes où les ressources sont limitées, en aidant les décideurs politiques à allouer plus efficacement les ressources de test et à réduire les incertitudes liées à la propagation des épidémies.

Points forts de la recherche

1. Stratégie innovante : Cet article propose une nouvelle stratégie de sélection de nœuds – la sélection par entropie locale (LE) – qui prend en compte non seulement l’incertitude de prédiction du nœud candidat lui-même, mais aussi celle des nœuds environnants, maximisant ainsi l’efficacité de la surveillance avec un budget de test limité.
2. Évaluation multi-scénarios : Les chercheurs évaluent les performances des différentes stratégies dans divers scénarios de réseau et d’épidémie, couvrant des réseaux synthétiques et des réseaux basés sur des données réelles de mobilité humaine, assurant ainsi une applicabilité large des résultats.
3. Valeur pratique : Les résultats de cette étude peuvent fournir un soutien stratégique efficace pour la surveillance des maladies dans des contextes où les ressources sont limitées, en aidant les décideurs politiques à allouer plus efficacement les ressources de test et à réduire les incertitudes liées à la propagation des épidémies.

Autres informations utiles

Cette étude souligne également des directions futures pour la recherche, notamment la prise en compte de modèles de propagation plus complexes (comme les modèles SEIR), de réseaux de mobilité plus réalistes (comme les graphes orientés et pondérés) et d’hypothèses plus réalistes sur le déploiement des ressources de test (comme le bruit de test et les retards de feedback). Ces extensions renforceront davantage l’utilité et l’applicabilité du modèle.