Exploiter les nouvelles avancées de la modélisation prédictive
Dans le contexte changeant de la santé publique façonné par la COVID-19, les autorités sanitaires fédérales continuent de revisiter les approches épidémiologiques traditionnelles. Les systèmes de collecte et d’analyse de données qui ont fonctionné efficacement pendant des décennies pourraient ne plus s’avérer adéquats pour répondre à une multitude de problèmes émergents, allant de la nécessité de gérer des quantités croissantes d’informations à la demande croissante d’une réponse plus rapide en matière de santé publique à l’échelle nationale.
Mais avec l’évolution rapide de l’intelligence artificielle (IA) dans le secteur de la santé, les agences peuvent désormais automatiser, simplifier et transformer les capacités de modélisation prédictive qui permettent des efforts de surveillance des maladies à grande échelle. Comme le démontre le succès du simulateur de retour sécurisé COVID-19 de Booz Allen, l'IA offre aux agences fédérales de santé une capacité sans précédent à extraire des informations de flux de données disparates, et ce avec une efficacité et une précision qui protègent la santé et sauvent des vies.
Le défi
Même si les agences consacrent davantage de ressources à la préparation et à la gestion de futures épidémies de virus jusqu’alors inconnus, elles manquent souvent des outils analytiques avancés nécessaires pour réaliser la surveillance de la santé publique plus intégrée et plus agile à laquelle les parties prenantes s’attendent désormais.
Par exemple, des normes de données inadaptées font qu'il est difficile pour les gouvernements aux niveaux fédéral, étatique et local, ainsi que pour les hôpitaux et les laboratoires du secteur privé, de recueillir et d'échanger des informations cruciales sur les tendances des maladies, les incidents de santé émergents et les taux de mortalité. Alors que le besoin de stratégies flexibles de surveillance et de contrôle des maladies devient plus urgent, de nombreuses agences ont du mal à accéder aux informations décisionnelles qu’elles peuvent utiliser pour adapter leurs approches de surveillance existantes à mesure que les situations évoluent.
Il est difficile d’exploiter les bonnes données de la bonne manière pour identifier et contenir les risques en évolution rapide pour la santé publique. Il est encore plus difficile d’utiliser ces données pour analyser les tendances des maladies dès leur apparition et pour prédire avec succès les résultats d’un ensemble de mesures de santé publique que les agences doivent mettre en œuvre rapidement. Dans le cadre des pressions interdépendantes qu’elle a continuellement créées, la pandémie de COVID-19 a mis ce défi particulièrement en évidence.
L'approche
Alors que la pandémie s’aggravait, les organismes de santé des États-Unis se sont engagés intensément à mieux comprendre le virus. En quelques mois, les décideurs ont été inondés de données, de statistiques, de modèles et de prévisions, mais presque aucune information exploitable. La grande majorité des modèles de prévision du COVID-19 projetaient les cas et les décès jusqu'au niveau de l'État, mais ils n'ont pas établi de priorités et n'ont pas révélé d'informations utiles au niveau local, où les comtés, les villes et même les écoles devaient prendre des mesures qui reflétaient les particularités du public. facteurs de santé.
Pour remédier à ces limites de prévision, l’équipe de Booz Allen a proposé une approche de modélisation multi-méthodes de la propagation du COVID-19 au niveau communautaire : le simulateur de retour sécurisé du COVID-19. L’objectif était d’intégrer différentes méthodes de modélisation informatique pour surmonter les limites des approches précédentes et extraire les données les plus pertinentes de chacune. Notre modèle intégrerait plusieurs couches de données, notamment les données démographiques de la population, les cas de maladie et de décès observés et les demandes d'hôpitaux au niveau des comtés locaux dans différents États, afin de faire des prédictions spécifiques à l'emplacement sur les cas et les décès de COVID-19. Le modèle s'est appuyé sur un laboratoire virtuel pour :
- Identifiez les « points chauds » dans les zones qui peuvent devenir des foyers d'infection potentiels.
- Examiner les caractéristiques spécifiques à la population, comme le sexe ou l'âge, qui peuvent entraîner une répartition disproportionnée des décès et des maladies.
- Prioriser les comtés en fonction de leurs risques de maladie perçus en tenant compte de plusieurs critères de décision
- Évaluer l'efficacité des options d'atténuation publiques, comme la distanciation sociale et les tests généralisés, visant à réduire la probabilité de transmission de maladies au sein de différentes communautés
La solution
Le simulateur de retour sécurisé COVID-19 a combiné des méthodologies de modélisation épidémiologique éprouvées avec certaines des techniques de prévision les plus sophistiquées d'aujourd'hui pour prédire quand les communautés devraient être à faible risque au niveau comté par comté. Pour répondre aux besoins uniques des agences, le modèle peut également être amélioré avec des données en temps réel telles que les mouvements de population entre les comtés et les États, les données des médias sociaux reflétant l'opinion publique actualisée sur les mesures de santé, les informations sur les hospitalisations, la capacité de test et de recherche des contacts, ainsi que les équipements de protection individuelle. disponibilité.
En clarifiant puissamment l'image complète des effets de la pandémie, ce projet a marqué une étape importante dans la conception, les tests et l'amélioration de stratégies sophistiquées basées sur l'IA pour la surveillance globale de la santé publique.
En élargissant leur champ d’action au-delà de la pandémie initiale de COVID-19, les agences fédérales de santé peuvent utiliser ce type d’approche analytique avancée pour une gamme d’applications de santé publique. Les exemples comprennent:
- Suivre et évaluer les épidémies de variantes du COVID-19 et d'autres virus tels qu'Ebola, Zika et la variole du singe dans les quartiers et dans l'ensemble du pays.
- Analyser l'abus d'opioïdes dans des lieux définis à l'aide de données sur les surdoses provenant des salles d'urgence et modéliser l'efficacité de différentes stratégies d'atténuation
- Cartographier les niveaux d’accès aux soins de santé dans plusieurs communautés pour mieux comprendre et lutter contre les inégalités en matière de santé
- Exploiter d'énormes ensembles de données pour identifier les moyens de gérer les risques de maladies chroniques telles que le cancer et le diabète pour les Américains et pour évaluer les traitements les plus efficaces
Dans chaque cas, des laboratoires virtuels intégrant l’IA pour accélérer la collecte et l’analyse des données permettent aux décideurs d’utiliser un nombre illimité de variables pour établir rapidement de nombreux modèles différents. Ces « expériences numériques » déplacent la surveillance de la santé publique bien au-delà du domaine des études de cohorte et d'autres méthodes traditionnelles pour redéfinir la rapidité, la précision et le potentiel de sauvetage des initiatives de santé publique, aujourd'hui et à l'avenir. Apprenez-en davantage sur la manière dont l’IA transforme l’environnement fédéral de la santé.