L'IA peut-elle prédire la propagation d'une maladie infectieuse dans une ville en utilisant uniquement des données de mobilité anonymisées ?

Les responsables de la santé publique s'appuient de plus en plus sur des modèles basés sur les données pour anticiper les épidémies, mais beaucoup nécessitent des données personnelles sensibles ou des simulations complexes. Une récente capacité de l'IA implique de prévoir la propagation des maladies infectieuses en utilisant des ensembles de données anonymisés de schémas de mouvement humain. L'IA doit prendre en compte les variations de comportement, la densité de population et les facteurs environnementaux pour produire des prédictions exploitables et très précises.

Les systèmes d'IA peuvent désormais estimer la propagation des maladies à partir de données de mobilité anonymisées en traitant les déplacements comme des vecteurs de transmission et en exécutant des simulations de Monte Carlo sur des réseaux de contact déduits des traces de localisation. Des modèles tels qu'Epifcast, Epigram, et des approches d'apprentissage profond qui combinent des réseaux de neurones graphiques avec des intégrations de mobilité rapportent des erreurs absolues médianes d'environ 3 à 8 % pour les prévisions d'incidence hebdomadaire dans des villes comme Boston et Singapour, surpassant les références de gravité et de rayonnement. Ces méthodes reposent généralement sur des signaux de localisation agrégés de téléphones mobiles plutôt que sur des trajectoires brutes, appliquant la confidentialité différentielle ou la k-anonymat pour préserver l'anonymat tout en conservant des schémas de mobilité globaux.

— Enrichi le 13 mai 2026 · Source : Nature Communications — https://www.nature.com/articles/s41467-023-38814-1