Google Earth AI améliore jusqu’à 72 % les prévisions de dengue

Google Earth AI évalue le Population Dynamics Foundation Model, ou PDFM, dans cinq études consacrées à différents enjeux de santé publique. Le modèle vise les lacunes de données et les décalages temporels des workflows épidémiologiques existants. Il intègre des représentations préentraînées et auto-supervisées du « lieu » dans les sciences de la santé. PDFM rassemble notamment des tendances de recherche agrégées, des données sur l’environnement bâti et la mobilité, ainsi que des déterminants environnementaux. Google Earth AI indique que ce contexte géospatial est directement utilisable, sans ajustement spécifique à chaque tâche. Les travaux sont présentés dans l’article de recherche de Google.

Cinq études partenaires ont évalué PDFM sur des problématiques distinctes de santé publique. L’étude consacrée à la vaccination contre la rougeole, les oreillons et la rubéole a mesuré un gain relatif de 36 % dans la variance expliquée, à la frontière entre les États-Unis et le Canada. Pour les maladies cardiovasculaires, la modélisation avec PDFM a atteint une précision comparable à celle de modèles fondés sur les données de recensement dans les États-Unis contigus. Ces résultats couvrent donc des usages liés à la vaccination et aux maladies chroniques. Ils associent aussi des données géographiques à des modèles de santé sans exiger un ajustement propre à chaque cas.

PDFM améliore plusieurs modèles sanitaires

La dengue au Mexique constitue un autre terrain d’évaluation pour PDFM. La précision des prévisions s’est améliorée dans jusqu’à 72 % des municipalités connaissant une transmission active. Le document décrit également une amélioration de la prédiction du risque de dépression post-partum aux États-Unis. Ces deux résultats étendent l’évaluation à une maladie infectieuse et à un risque de santé mentale. Ils reposent sur des données intégrées au modèle, notamment les tendances de recherche agrégées, la mobilité, l’environnement bâti et les déterminants environnementaux. PDFM fournit ainsi un contexte géospatial prêt à l’emploi pour ces exercices de prévision, sans ajustement spécifique à chaque tâche étudiée.

La République démocratique du Congo a servi de cadre à l’évaluation de la prédiction de l’émergence du choléra. Le modèle PDFM y a obtenu un gain de 9,7 % sur l’aire sous la courbe précision-rappel. Ce résultat complète les observations faites au Mexique sur la dengue et aux États-Unis sur les maladies cardiovasculaires et la dépression post-partum. Les cinq études partenaires couvrent donc plusieurs catégories de santé publique et plusieurs territoires. La vaccination a été étudiée à la frontière entre les États-Unis et le Canada. La dengue a été examinée dans des municipalités mexicaines à transmission active. Le choléra a été évalué en République démocratique du Congo.

Google documente les évaluations

Les résultats publiés décrivent PDFM comme une infrastructure de contexte géospatial pour les workflows épidémiologiques. Le modèle associe des représentations du lieu à des données de recherche agrégées, de mobilité, d’environnement bâti et de déterminants environnementaux. Les cinq études mesurent des résultats distincts, dont la variance expliquée, la précision et l’aire sous la courbe précision-rappel. Les chiffres rapportés vont d’une précision comparable aux modèles de recensement pour les maladies cardiovasculaires à un gain de 36 % pour la vaccination et de 9,7 % pour le choléra. La dengue progresse dans jusqu’à 72 % des municipalités mexicaines concernées. Les détails sont disponibles dans la publication associée et sur la page Earth AI.