Tirer parti des modèles universels et d’apprentissage par transfert pour la prévision de la grippe en Thaïlande

Pourquoi les prévisions de la grippe comptent pour tous

La grippe peut sembler une maladie hivernale banale, mais elle conduit chaque année des millions de personnes dans les cliniques et les hôpitaux et peut être mortelle, surtout quand les systèmes de santé sont pris au dépourvu. Pouvoir prévoir quand et où la grippe va flamber permet aux médecins et aux responsables de la santé publique d’approvisionner vaccins et médicaments, de préparer des lits d’hôpital et d’alerter les communautés à l’avance. Cette étude se concentre sur la Thaïlande, mais les idées qui la sous-tendent — utiliser l’intelligence artificielle moderne pour améliorer les prévisions même là où les données sont rares — pourraient aider de nombreux pays à se préparer à la prochaine mauvaise saison grippale.

Grippe, météo et données incomplètes

La charge de la grippe en Thaïlande varie largement selon les provinces, et des travaux antérieurs ont montré que le climat local — température, humidité, pluie et pollution de l’air — peut influencer le moment des épidémies. Malheureusement, des mesures détaillées de la météo et de la qualité de l’air ne sont pas disponibles partout. Sur les 76 provinces thaïlandaises, seulement 22 disposent à la fois de comptes de cas grippaux et de données environnementales ; les autres ne fournissent que les nombres de cas. Les outils statistiques traditionnels, souvent ajustés séparément pour chaque lieu, peinent à gérer ce patchwork. Ils peuvent manquer des motifs inhabituels et sont lents à s’adapter lorsque les conditions changent, ce qui limite leur utilité pour des alertes nationales précoces.

Construire un seul modèle pour de nombreux lieux

Les chercheurs ont voulu construire un seul modèle « universel » capable d’apprendre simultanément à partir des 22 provinces riches en données. Ils ont utilisé un réseau de neurones artificiel — un type d’apprentissage profond qui reproduit grossièrement le fonctionnement des cellules nerveuses — pour prédire l’incidence mensuelle de la grippe entre 2010 et 2019. Avant d’entraîner le réseau, ils ont appliqué une méthode de machine learning appelée Random Forest pour passer au crible 27 entrées potentielles, incluant valeurs actuelles et retardées de la température, de l’humidité, des précipitations, du vent, de la visibilité, de la pollution atmosphérique et des niveaux récents de grippe. Cette étape a révélé quels ingrédients aidaient réellement la prédiction et a permis aux auteurs d’éliminer les variables moins utiles, rendant le modèle final plus rapide et moins sensible au bruit.

Ce que le modèle universel a appris

Après des tests approfondis de différentes tailles de réseau, une architecture relativement simple — une couche cachée avec 128 unités internes — a donné les meilleurs résultats. Fait intéressant, l’ajout de facteurs environnementaux tels que la météo et la pollution n’améliorait les prévisions que légèrement dans la plupart des provinces, et dans certains cas n’apportait pas de différence notable. Un signal ressortait clairement : la température a été systématiquement identifiée comme importante, confirmant des travaux antérieurs liant des températures plus fraîches ou changeantes à une activité grippale plus élevée. Sur les 22 provinces, le modèle universel a capté les grandes oscillations de la grippe mais a eu tendance à sous-estimer les pics les plus élevés, notamment dans de grandes zones urbaines comme Bangkok et dans certaines provinces du nord à forte incidence.

Apprendre au modèle à aider les régions pauvres en données

Le véritable défi était de prévoir la grippe dans les 54 provinces restantes qui ne disposaient pas de données environnementales détaillées. L’équipe a alors eu recours à l’apprentissage par transfert, une technique où un modèle entraîné sur une tâche est adapté à une tâche voisine. D’abord, ils ont entraîné leur réseau universel sur les 22 provinces bien mesurées. Ensuite, ils ont reconfiguré le modèle pour qu’il puisse fonctionner en n’utilisant que les seules séries historiques de cas de grippe comme entrées. Enfin, ils ont affiné ce modèle adapté de deux façons : une fois en utilisant les données de cas regroupées pour les 54 provinces, et une autre fois en l’affinant séparément pour chaque province. L’affinage province par province a clairement donné les meilleurs résultats, réduisant les erreurs de prédiction et offrant une meilleure correspondance avec les tendances observées que l’approche regroupée ou qu’un modèle de référence simple reposant uniquement sur les niveaux locaux passés de grippe.

Ce que cela signifie pour la planification future contre la grippe

Pour un lecteur non spécialiste, l’enseignement est le suivant : un seul modèle d’IA soigneusement conçu peut apprendre des schémas généraux du comportement de la grippe dans une partie d’un pays, puis être réutilisé pour améliorer les prévisions ailleurs, même là où les données de soutien sont rares. En Thaïlande, la meilleure version de cette approche — un réseau de neurones de taille modeste ajusté pour chaque province — a prédit les tendances locales de la grippe plus précisément que les méthodes classiques. Bien que le modèle sous-estime encore l’ampleur des flambées extrêmes et n’intègre pas encore de facteurs sociaux ou économiques, il offre une feuille de route pratique pour les pays à revenu faible ou intermédiaire : commencer par les zones riches en données, transférer ces connaissances vers les zones pauvres en données, et utiliser ces prévisions pour guider la vaccination, le staffing et d’autres mesures de défense avant la prochaine vague.

Citation: Lueangwitchajaroen, P., Anupong, S., Winalai, C. et al. Leveraging universal and transfer learning models for influenza prediction in Thailand. Sci Rep 16, 6668 (2026). https://doi.org/10.1038/s41598-026-37855-7

Mots-clés: prévision de la grippe, apprentissage par transfert, apprentissage profond, prévision épidémique, santé publique en Thaïlande