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.

Background

Public health officials increasingly rely on data-driven models to anticipate disease outbreaks, but many require sensitive personal data or complex simulations. A recent AI capability involves forecasting infectious disease spread using anonymized datasets of human movement patterns. The AI must account for variations in behavior, population density, and environmental factors to produce actionable, highly accurate predictions.

AI systems can now estimate disease spread from anonymized mobility data by treating trips as vectors for transmission and running Monte Carlo simulations over contact networks inferred from location traces. Models such as Epifcast, Epigram, and deep-learning approaches that combine graph neural networks with mobility embeddings report median absolute errors around 3–8 % for weekly incidence forecasts in cities like Boston and Singapore, outperforming gravity and radiation baselines. These methods typically rely on aggregated mobile-phone location pings rather than raw trajectories, applying differential privacy or k-anonymity to preserve anonymity while retaining coarse mobility patterns.

— Enriched May 13, 2026 · Source: Nature Communications