Google Earth AI améliore de 36 % les prévisions sanitaires

Google Earth AI présente cinq évaluations de son Population Dynamics Foundation Model, ou PDFM, dans un article publié le 6 octobre 2026. Le modèle transforme des signaux géospatiaux préservant la confidentialité en représentations compactes de lieux. Ces signaux incluent les tendances de recherche agrégées, la mobilité, la densité des bâtiments, la météo et la qualité de l’air. Les chercheurs indiquent que ces représentations peuvent être ajoutées aux modèles statistiques et d’apprentissage automatique déjà utilisés par les épidémiologistes. Les évaluations portent sur la vaccination contre la rougeole, les oreillons et la rubéole, les maladies cardiovasculaires, la dengue, la dépression post-partum et l’émergence du choléra.

Le modèle PDFM est entraîné par apprentissage auto-supervisé et produit des empreintes de lieux actualisées chaque mois. Google Earth AI regroupe notamment des images satellitaires, des données météorologiques, des tendances de recherche anonymisées et des informations de mobilité. Selon Google, PDFM évite aux chercheurs de collecter et de traiter eux-mêmes ces flux bruts. Les représentations utilisées dans l’étude ne nécessitent pas d’ajustement spécifique à chaque tâche. Elles ont été évaluées dans plusieurs environnements géographiques et pour différents travaux épidémiologiques. Les auteurs présentent cette approche comme un moyen de compléter les modèles existants, plutôt que comme un remplacement général des méthodes de santé publique.

Cinq études évaluent le modèle PDFM

La vaccination transfrontalière a été étudiée par Mount Sinai Health System et Boston Children’s Hospital dans 146 comtés américains situés près de la frontière canadienne. L’ajout de représentations canadiennes a fait passer la variance expliquée de 16 % à 22 %, soit un gain relatif de 36 %. Cette approche a aussi affiné les estimations d’au moins trois points de pourcentage pour 4,7 millions de résidents frontaliers. Pour les maladies cardiovasculaires, une équipe de la NYU Grossman School of Medicine a comparé PDFM aux données du recensement dans environ 3 100 comtés américains. L’erreur moyenne atteignait 18,7 décès par comté avec PDFM, contre 19,1 avec les données traditionnelles.

La prévision de dengue a associé PDFM à TimesFM 2.0 pour estimer les cas dans environ 2 450 municipalités mexicaines, entre 2020 et 2025. Le gain le plus marqué concernait l’horizon d’un mois. La précision s’est améliorée dans jusqu’à 72 % des municipalités connaissant une transmission active. Les réductions totales d’erreur étaient 3,4 fois supérieures aux dégradations observées. À l’Université de Washington, les chercheurs ont étudié 332 970 participantes de l’enquête PRAMS des CDC pour la dépression post-partum. L’ajout de PDFM a augmenté l’AUC de 0,0020 dans les États observés et de 0,0038 dans les États non observés. Le modèle a aussi capturé la pauvreté locale, avec un R² de 0,45.

Le choléra congolais a été évalué avec l’OMS Afrique dans 403 zones de santé de la République démocratique du Congo, sur 89 semaines. Une version légère de PDFM, adaptée aux régions disposant d’une connectivité limitée, a produit des gains relatifs de 9,7 % sur l’AUC précision-rappel à quatre semaines. La précision parmi les cinq zones les plus à risque a progressé de 18,1 % à huit semaines. Dans les zones de santé endémiques, ce gain atteignait 19,3 %. Pour la dépression post-partum, des simulations ont estimé que PDFM pouvait atteindre 5 640 mères rurales supplémentaires chaque année lorsque les systèmes suivaient les 20 % de profils les plus à risque. Une autre simulation réduisait 17 723 fausses alertes annuelles pour couvrir 80 % des cas.

Les résultats comparatifs montrent des effets variables selon les tâches et les territoires. Pour les maladies cardiovasculaires, les différences entre PDFM et les données du recensement n’étaient pas statistiquement significatives. Le RMSE est toutefois passé de 57,7 à 46,0 décès par comté dans cette comparaison. Les auteurs indiquent que les données ACS utilisées dans l’étude agrègent cinq années d’enquêtes et sont publiées jusqu’à un an après leur collecte. Les représentations PDFM étudiées provenaient d’un seul mois de données et étaient disponibles dans 17 pays. L’article complet est disponible sur arXiv, tandis que Google présente l’approche dans son article consacré à Earth AI.