Prédiction dynamique en temps réel de la transmission de la Mains-Pieds-Bouche à l'aide d'un modèle hybride SEIRQ-ARIMA optimisé par un algorithme ABC-GWO multi-étapes

Pourquoi c'est important pour la santé quotidienne

La maladie mains-pieds-bouche (MPMB) est une affection courante de l'enfance qui peut mettre à rude épreuve familles, écoles et hôpitaux. Rien que dans la région du Guangxi en Chine, plus de 120 000 cas ont été signalés entre 2014 et 2020, principalement chez les enfants de moins de cinq ans. Cette étude pose une question très concrète : si l’on combine capteurs en temps réel, algorithmes intelligents et modèles épidémiologiques, peut‑on prédire les flambées de MPMB avec plus de précision et utiliser les mesures de quarantaine de manière plus judicieuse — économisant de l'argent et évitant des perturbations inutiles ?

Des courbes simples à la prévision intelligente

Les modèles épidémiologiques classiques divisent la population en groupes tels que « susceptibles », « infectés » et « guéris », puis utilisent des paramètres fixes pour suivre la montée et la baisse d'une épidémie. Ces modèles sont utiles pour comprendre les tendances générales, mais ils partent du principe que le monde ne change pas : que les mouvements des personnes restent identiques toute l'année, que le climat ne varie pas et que les mesures de contrôle comme la quarantaine ne changent jamais. En réalité, la transmission de la MPMB dans le Guangxi augmente lors des étés humides, diminue pendant les mois plus frais et repart lorsque les familles voyagent pour des fêtes comme le Nouvel An chinois. Les modèles à paramètres fixes peinaient à suivre ces variations, manquant souvent des flambées groupées dans des lieux comme les jardins d'enfants de plus de 30 %.

Ce que les capteurs peuvent voir

Les chercheurs se sont appuyés sur un réseau « Internet des objets » en expansion déjà déployé dans le Guangxi. Des centaines d'hôpitaux, de jardins d'enfants et de hubs de transport sont équipés d'appareils qui surveillent la température, l'humidité, l'affluence et les déplacements des personnes. D'autres capteurs suivent l'application réelle des mesures de quarantaine — combien d'enfants restent à la maison, à quelle fréquence des personnes mises en quarantaine quittent leur chambre, et à quel point les salles de classe ou les salles d'attente sont remplies. Ces flux de données arrivent en quelques minutes, sont recoupés avec des registres papier, et sont suffisamment précis pour repérer des effets comme une incubation raccourcie de la MPMB lors d'un été anormalement humide. En bref, les capteurs captent les conditions fluctuantes qui accélèrent ou ralentissent la propagation d'un virus.

Une nouvelle façon de suivre la maladie

À partir de ces données, l'équipe a amélioré le modèle classique en un cadre SEIRQ, ajoutant un groupe distinct pour les personnes infectieuses mises en quarantaine. De façon cruciale, des grandeurs clés — la facilité de propagation du virus, la vitesse à laquelle les enfants exposés tombent malades, la rapidité de rétablissement des patients et le nombre d'enfants infectés effectivement isolés — ne sont plus traitées comme fixes. Elles peuvent évoluer dans le temps, guidées directement par les lectures des capteurs et les registres sanitaires officiels. Pour ajuster ce modèle dynamique, les auteurs ont combiné deux méthodes d'optimisation « inspirées de la nature » : l'une imite la façon dont les abeilles explorent et communiquent des sources de nourriture, l'autre reproduit la recherche coopérative des loups pour une proie. Travaillant en étapes, l'algorithme de type abeille explore de nombreuses combinaisons possibles de paramètres, et l'algorithme de type loup affine ensuite les plus prometteuses. Cela aide à éviter de rester coincé sur des motifs locaux trompeurs cachés dans des données bruitées du monde réel.

Mêler physique et motifs

Même un modèle épidémiologique bien calibré peut laisser des oscillations inexpliquées dans les données — des sauts et des creux à court terme liés aux calendriers scolaires ou à des pics de déplacement soudains. Pour capturer ces motifs temporels fins, les auteurs ont associé leur modèle SEIRQ à un outil statistique de prévision bien connu, l'ARIMA, efficace pour apprendre des régularités dans les séries temporelles. Plutôt que de laisser un réseau neuronal boîte noire masquer ce qui se passe, ils ont fusionné les deux modèles de façon transparente : la prévision finale est un mélange pondéré de la courbe mécaniste SEIRQ et de la prédiction ARIMA. Dans des tests sur les données de MPMB du Guangxi de 2014 à 2020, cette approche hybride a presque éliminé les erreurs de prévision, réduisant d'environ 95 % une mesure clé de l'erreur par rapport à l'utilisation de l'un ou l'autre modèle seul.

Ce que cela signifie pour la politique de quarantaine

Parce que le modèle suit explicitement la quarantaine, il peut traduire « à quel point devons-nous être stricts ? » en chiffres concrets. L'analyse suggère que dans le Guangxi, porter le taux effectif d'isolement des enfants infectieux à environ 40 % peut réduire le pic d'une vague de MPMB de plus de moitié, tout en offrant un ratio coût–bénéfice favorable d'environ une unité de dépense pour près de neuf unités de perte évitée. Aller bien au‑delà de ce niveau entraîne des rendements marginaux décroissants et des coûts qui augmentent rapidement, tandis que rester en dessous laisse de nombreuses infections évitables. Pour les décideurs, la leçon est à la fois simple et puissante : en connectant les données de capteurs à un modèle hybride transparent et soigneusement calibré, il est possible de programmer et cibler les mesures de quarantaine afin de réduire significativement la morbidité infantile et la pression sur les soins de santé sans recourir à des fermetures générales.

Citation: Zeng, Z., Sathasivam, S., Xin, J. et al. Real-time dynamic prediction of HFMD transmission using SEIRQ-ARIMA hybrid model optimized by multi-stage ABC-GWO algorithm. Sci Rep 16, 9043 (2026). https://doi.org/10.1038/s41598-026-35833-7

Mots-clés: Maladie mains-pieds-bouche, Surveillance épidémique IoT, Modélisation SEIR, prévision de séries temporelles, optimisation de la quarantaine