Application innovante d’un réseau de convolution graphique spatio-temporel de prédiction du trafic pour la prévision de la dengue

Pourquoi prévoir la dengue compte dans la vie quotidienne

La dengue se propage plus rapidement que jamais, alimentée par le réchauffement climatique, l’urbanisation et les voyages internationaux. Des millions de personnes vivent aujourd’hui dans des zones où une piqûre de moustique peut entraîner une maladie grave, une hospitalisation, voire la mort. Pouvoir anticiper les flambées de dengue de quelques semaines offrirait au personnel de santé un temps précieux pour pulvériser des insecticides, alerter les communautés et préparer les hôpitaux. Cette étude examine si une intelligence artificielle de pointe, conçue à l’origine pour prévoir les embouteillages, peut être réadaptée pour prédire les vagues de dengue à travers l’Amérique latine.

Suivre la trace de la dengue à travers les pays

Les chercheurs se sont concentrés sur neuf pays d’Amérique centrale et d’Amérique du Sud, dont le Brésil, le Mexique, la Colombie et plusieurs de leurs voisins, entre 2014 et 2022. Plutôt que de n’examiner que les séries historiques de cas de dengue et le temps basique, ils ont rassemblé 29 types d’informations différents. Ceux-ci comprenaient les rapports locaux de dengue, les conditions météorologiques hebdomadaires telles que la température, les précipitations, l’humidité et l’ensoleillement, des détails environnementaux comme la couverture forestière et les terres agricoles, ainsi qu’un large éventail d’indicateurs sociaux et économiques. Parmi eux figurent le niveau de revenu, la capacité hospitalière, la couverture vaccinale, l’accès à l’électricité et la répartition des populations par âge et par villes. En combinant toutes ces couches, l’équipe visait à construire une image plus réaliste des conditions permettant aux moustiques vecteurs et aux virus de prospérer et de se propager.

Emprunter des outils intelligents de la prédiction du trafic

Pour convertir ces données riches en prévisions, l’équipe a adapté une méthode d’apprentissage profond appelée réseau de convolution graphique spatio-temporel, ou STGCN. En termes simples, ce modèle considère comment les phénomènes évoluent dans le temps (la partie « temporelle ») et comment différents lieux s’influencent mutuellement (la partie « spatiale »). Il traite chaque pays comme un « nœud » d’un réseau et laisse l’algorithme apprendre quelles nations semblent liées dans leurs schémas de dengue, au lieu d’imposer a priori que seuls les pays voisins sont pertinents. Parallèlement, il analyse l’évolution hebdomadaire des cas de dengue. Les auteurs ont comparé cette approche avancée à une méthode d’apprentissage automatique plus traditionnelle appelée Random Forest, qui s’est déjà avérée meilleure que de nombreux outils statistiques plus anciens pour prévoir la dengue.

Quelle marge de manœuvre le nouveau modèle a pour anticiper les flambées

Sur l’ensemble des neuf pays, le modèle STGCN s’est montré particulièrement efficace pour les prévisions à court terme, une à quatre semaines à l’avance. Dans de nombreux cas, il a capté avec précision le calendrier et l’ampleur des vagues de dengue, atteignant des scores statistiques très élevés (valeurs de R² souvent supérieures à 0,8 et pouvant atteindre 0,98) et des erreurs relativement faibles. Le Brésil, qui dispose de données volumineuses et relativement régulières, a affiché les meilleures performances, mais des pays comme le Nicaragua, le Honduras et le Mexique en ont également bénéficié. Le modèle a moins bien fonctionné là où les données étaient rares ou plus irrégulières, comme en Bolivie et dans certaines régions du Pérou, et, comme la plupart des outils, il perd en précision à mesure qu’il cherche à prédire plus loin dans le temps. Néanmoins, en comparaison directe, le modèle fondé sur le graphe a surpassé le Random Forest dans la plupart des pays et pour la majorité des horizons de prévision les plus courts.

Pourquoi les réalités sociales et économiques comptent

Une des conclusions les plus marquantes est la valeur ajoutée d’inclure des informations sociales et économiques. Lorsque ces facteurs ont été retirés du modèle, les prévisions sont devenues plus bruyantes et moins fiables, en particulier dans des pays comme le Honduras, le Pérou, la Colombie et le Mexique. L’intégration d’indicateurs liés au revenu, aux soins de santé, aux infrastructures et à la structure démographique a contribué à stabiliser les prévisions et à améliorer leur correspondance avec les cas réels. Cela suggère que le risque de dengue n’est pas seulement une question de climat et de moustiques ; il est aussi façonné par les conditions de vie, les déplacements et l’accès aux services. L’étude rappelle que le modèle met en évidence des corrélations plutôt que des liens de cause à effet stricts, mais montre clairement que les conditions de vie laissent une empreinte mesurable sur la dynamique des flambées.

Ce que cela signifie pour les décisions de santé publique

Pour les non-spécialistes, le message principal est que les outils d’IA avancés peuvent déjà fournir aux agences de santé un « avertissement » utile sur les flambées de dengue quelques semaines à l’avance, surtout lorsqu’ils sont alimentés par des données riches sur le climat et la société. Le modèle adapté de prévision du trafic s’est avéré robuste, flexible et généralement plus précis qu’une méthode conventionnelle performante, ce qui en fait un candidat prometteur pour des systèmes d’alerte précoce. Bien que des défis subsistent — comme la qualité inégale des données, la perte de détail dans les grands pays et la réduction de la précision sur des horizons plus longs —, l’approche ouvre la voie à un avenir où les prévisions de maladies peuvent être mises à jour régulièrement, ajustées aux réalités locales et étendues à d’autres menaces vectorielles comme le Zika ou le chikungunya. En ce sens, ce travail constitue une étape vers la transformation de flux de données complexes en temps d’action utile pour la prévention.

Citation: Siabi, N., Son, R., Thomas, M. et al. Innovative application of a traffic-prediction spatio-temporal graph convolutional network for dengue disease forecasting. Sci Rep 16, 2594 (2026). https://doi.org/10.1038/s41598-026-36225-7

Mots-clés: prévision de la dengue, réseaux de neurones graphiques, climat et santé, déterminants socio-économiques, maladie à transmission vectorielle