Un nouveau modèle hybride pour la prédiction de la répartition des espèces responsables d’helminthiase à transmission pédologique (HTP) en fonction de la température du sol, utilisant Random Forest et l’algorithme Particle Swarm Optimization

Pourquoi la chaleur du sol compte pour des infections invisibles

Dans une grande partie du Nigéria, des millions de personnes sont exposées à de minuscules vers parasites qui vivent dans le sol et peuvent nuire silencieusement à la croissance des enfants et à la productivité des adultes. Ces infections prospèrent ou déclinent selon la chaleur du sol à quelques centimètres seulement sous nos pieds. Cette étude examine comment la combinaison d’algorithmes informatiques avancés et de données détaillées sur la température du sol peut révéler où ces parasites sont les plus susceptibles de se propager, aidant ainsi les équipes de santé à concentrer des ressources limitées là où elles sont le plus nécessaires.

Des vers invisibles sous nos pieds

Les helminthes à transmission pédologique sont des vers intestinaux qui se propagent lorsque des matières fécales humaines contaminent l’environnement et que des personnes entrent en contact avec un sol infecté. Au Nigéria, trois principaux coupables — l’ascaris, le trichocéphale et les ankylostomes — restent un problème majeur de santé publique, notamment pour les enfants. Le développement de leurs œufs et larves a lieu dans le sol et est extrêmement sensible à la température. Des études mondiales antérieures ont montré qu’il existe une plage « Goldilocks » — à peu près chaude mais pas étouffante — dans laquelle ces parasites prospèrent. Pourtant, malgré des décennies d’efforts de contrôle, il a été difficile d’identifier précisément quelles communautés présentent le risque le plus élevé, en partie parce que les cartes d’infection n’ont pas toujours rendu compte de la variabilité des conditions du sol à travers le paysage.

Transformer la chaleur du sol en cartographie du risque

Pour relever ce défi, les chercheurs ont construit une image détaillée du climat souterrain du Nigéria. Ils se sont appuyés sur un ensemble de données pédologiques global fournissant 21 couches différentes décrivant le comportement de la température du sol au cours de l’année : chaleur moyenne, oscillations saisonnières, extrêmes et valeurs mois par mois à une profondeur de 0–5 cm. Ils ont associé ces couches à des données de localisation où des infections par des vers avaient été enregistrées à travers le pays, issues d’une base de données internationale sur les maladies négligées. Comme beaucoup de ces enregistrements indiquent seulement où des infections ont été trouvées, l’équipe a aussi généré des emplacements de « pseudo-absence » soigneusement choisis — des lieux sans infections connues — pour apprendre aux modèles à distinguer entre conditions favorables et défavorables.

Comment un modèle hybride intelligent apprend du terrain

Au cœur de l’étude se trouve un modèle informatique hybride qui combine deux idées : les arbres de décision et le comportement en essaim. Le moteur de base, connu sous le nom de Random Forest, fonctionne en faisant pousser de nombreux arbres ramifiés qui prennent chacun une décision binaire simple fondée sur les conditions du sol, puis en agrégeant leurs votes pour décider si un emplacement est susceptible d’abriter les vers. Par-dessus cela, l’équipe a ajouté la Particle Swarm Optimization, une approche inspirée du vol des oiseaux ou de la nage des poissons. Dans ce schéma, de nombreuses « particules » explorent différentes combinaisons de paramètres du modèle et de choix de caractéristiques de température du sol, se poussant mutuellement vers des combinaisons qui fournissent des prédictions plus précises.

Des prédictions plus nettes avec moins d’indices

Lorsque les modèles ont été comparés, l’approche hybride a clairement surpassé à la fois un Random Forest standard et un réseau de neurones artificiel plus traditionnel. Le Random Forest classique atteignait une précision d’environ 87 % et le réseau de neurones environ 81 %, tandis que le modèle hybride optimisé grimpait à environ 91 % et montrait une performance plus stable. Notamment, le modèle guidé par l’essaim a obtenu cette amélioration en n’utilisant qu’environ la moitié des caractéristiques de température du sol disponibles, se focalisant sur une poignée de schémas mensuels et saisonniers de température qui importent le plus pour la survie des vers. Des tests statistiques ont confirmé que ces gains n’étaient pas dus au hasard. La carte résultante du Nigéria a révélé des zones de forte adéquation distinctes, en particulier dans les régions centrales et de la ceinture moyenne où la chaleur et la variabilité du sol se situent dans la plage préférée des parasites.

Du code informatique aux cliniques communautaires

Pour les non-spécialistes, le message central est simple : en apprenant aux ordinateurs à lire les motifs subtils de la chaleur du sol et de son évolution dans le temps, nous pouvons dresser des cartes beaucoup plus nettes des lieux où les infections par des vers sont les plus susceptibles de persister. Le modèle hybride de l’étude traduit la température souterraine en un guide pratique d’action, indiquant quels districts devraient être prioritaires pour les campagnes de déparasitage, l’amélioration de l’assainissement et la surveillance continue. Bien que développé pour le Nigéria, la même approche pourrait être adaptée à d’autres pays et à d’autres maladies dépendant des conditions environnementales, transformant des variations invisibles du sol et du climat en outils concrets pour protéger la santé publique.

Citation: Adekunle, T.A., Ogunwande, JM.O., Ogundoyin, I.K. et al. A novel hybrid model for species distribution prediction of soil-transmitted helminthiasis (STH) under soil temperature conditions using Random Forest and Particle Swarm Optimization Algorithm. Sci Rep 16, 9594 (2026). https://doi.org/10.1038/s41598-025-31604-y

Mots-clés: helminthes à transmission pédologique, modélisation de la répartition des espèces, température du sol, apprentissage automatique, Nigéria