Faisabilité de la prévision à court terme de la demande de masques hospitaliers à l’aide d’un réseau neuronal à rétropropagation en conditions de rareté des données

Pourquoi la planification des masques compte en situation de crise

Lorsqu’une nouvelle maladie infectieuse survient, les hôpitaux peuvent manquer d’articles simples mais essentiels comme les masques médicaux. Commander trop peu de masques laisse médecins et infirmiers sans protection, tandis que commander trop immobilise des fonds et de l’espace de stockage. Cet article interroge la capacité d’un petit modèle informatique, peu gourmand en données, à aider les hôpitaux à mieux estimer à court terme les besoins en masques pour le lendemain lorsque seules quelques journées de données passées sont disponibles.

Observer l’utilisation quotidienne des masques à l’hôpital

Les chercheurs ont étudié l’utilisation des masques dans un grand hôpital en Chine sur seulement 24 jours pendant une période épidémique. Chaque point de données correspondait au nombre total de masques utilisés par l’ensemble de l’hôpital ce jour‑là, sans information sur les patients individuels. Cet historique très court reflète les premiers jours d’une nouvelle flambée, quand les responsables doivent agir vite mais disposent de peu de recul. La demande au cours de ces jours a fortement monté et descendu, reflétant l’évolution de la charge de patients, le comportement du personnel et les mesures de contrôle, ce qui rend les prévisions linéaires simples peu fiables.

Transformer un bref historique en problème d’apprentissage

Pour convertir ces 24 comptes journaliers en données exploitables par un ordinateur, l’équipe a utilisé une approche par fenêtre glissante. Ils ont regroupé quatre jours consécutifs d’utilisation des masques comme « entrée » et demandé au modèle de prédire l’utilisation du cinquième jour comme « sortie ». En déplaçant cette fenêtre le long de la série temporelle, ils ont obtenu 20 exemples. Les 17 premiers jours ont servi à entraîner les modèles et les trois derniers jours ont été mis de côté pour tester la capacité des modèles à prévoir une demande véritablement nouvelle, imitant l’usage d’un tel outil par un hôpital en temps réel.

Un réseau neuronal simple contre des méthodes connues

L’outil principal testé était un réseau neuronal à rétropropagation peu profond, un empilement modeste de nœuds connectés capable de saisir les courbures et variations des motifs de données. Le réseau comportait une couche cachée et utilisait des techniques d’entraînement courantes telles que la mise à l’échelle des valeurs dans une même plage et l’arrêt précoce de l’entraînement lorsque les performances sur un petit jeu de validation cessaient de s’améliorer. Sa tâche était d’apprendre le lien entre l’utilisation des masques lors des quatre derniers jours et le jour suivant. L’étude a comparé ce réseau à trois alternatives standard : une méthode naïve qui répète simplement la valeur d’hier, un modèle ARIMA classique de séries temporelles et un modèle d’apprentissage profond LSTM (long short‑term memory).

Performance des modèles par rapport à l’utilisation réelle des masques

Malgré l’ensemble de données minuscule, le réseau peu profond a convergé rapidement et produit des prévisions stables. Reconverti en nombres réels de masques, son erreur moyenne se situait autour de 415 masques par jour et son erreur quadratique moyenne (RMSE) autour de 519 masques. Dans cette expérience, il a surpassé à la fois les modèles ARIMA et LSTM, et s’est nettement mieux comporté que la prévision naïve « demain = aujourd’hui », notamment lors de baisses et pics brusques de la demande. Les vérifications comparant valeurs prédites et réelles ont montré une forte concordance sur les jeux d’entraînement et de validation, et une concordance acceptable, bien que plus faible, sur les jours de test, ce qui suggère que le modèle pouvait suivre les tendances à court terme mais peinait encore face aux changements les plus abrupts.

Prudence et étapes suivantes pour les hôpitaux réels

Les auteurs soulignent que leur modèle constitue une preuve de faisabilité plutôt qu’un outil prêt à être déployé. Avec seulement 24 jours de données provenant d’un seul hôpital, il existe un risque réel que le réseau ait en partie appris des particularités de cette courte série plutôt que des règles générales, et certains signes de surajustement ont été observés. Néanmoins, ce travail montre qu’un réseau neuronal simple peut fournir des indications à court terme plus utiles que plusieurs alternatives courantes lorsque les données sont rares. Pour les planificateurs hospitaliers, cela suggère que des modèles légers pourraient servir d’aides rapides et temporaires pour gérer les stocks de masques lors des premiers stades d’une épidémie, à remplacer ou affiner dès que des séries plus longues et plus riches, issues de plusieurs hôpitaux, seront disponibles.

Citation: Wang, Y., Han, Y., Wang, S. et al. Feasibility of short-term hospital mask demand forecasting using a backpropagation neural network under data scarcity. Sci Rep 16, 14904 (2026). https://doi.org/10.1038/s41598-026-44754-4

Mots-clés: fournitures hospitalières, demande de masques, réseau neuronal, planification épidémique, prévision de séries temporelles