🦠 Alerte précoce d'épidémie — Fusion de signaux contre comptage de cas

Chaque jour d'avance est un jour pour pré-positionner la capacité de test, alerter les cliniciens sur une présentation spécifique, activer des plans de personnel de renfort, commander des fournitures supplémentaires, ou émettre des avis publics avant que les hôpitaux ne soient sous tension. Les systèmes historiques de surveillance syndromique ont souvent détecté des recrudescences de maladies respiratoires une à trois semaines après que les infections se propageaient déjà ; capter le même signal ne serait-ce qu'une semaine plus tôt peut faire la différence entre une réponse coordonnée et une précipitation réactive. La simulation quantifie cela directement : elle compare le jour où le score fusionné franchit d'abord le seuil d'alarme au jour où le signal des admissions hospitalières seul aurait franchi un seuil équivalent, et rapporte l'écart en jours.

Toute alarme statistique échange sensibilité contre taux de fausses alertes, régi ici par le curseur de seuil. Un seuil bas détecte les vraies épidémies plus tôt mais se déclenche aussi sur du bruit ordinaire, coûtant crédibilité et ressources chaque fois que des intervenants se mobilisent pour rien. Un seuil élevé réduit les fausses alertes mais retarde la détection véritable, parfois au-delà du point où l'intervention précoce compte encore. Comme les données de recherche et de pharmacie sont particulièrement bruitées et peuvent être influencées par des causes non épidémiques telles que la couverture médiatique ou une maladie saisonnière sans rapport, les poids et le seuil dans un système réel sont calibrés sur un long historique d'épidémies passées et de non-épidémies, et même ainsi, certaines fausses alertes sont acceptées comme le prix à payer pour détecter les vraies tôt.

Pour chaque signal, la simulation prend une pente glissante sur 7 jours : (valeur aujourd'hui moins valeur il y a 7 jours) divisée par 7. Elle conserve un historique causal et croissant de cette pente depuis le début de l'épidémie jusqu'à « aujourd'hui » et calcule la moyenne et l'écart-type de la pente en utilisant uniquement les données vues jusque-là, sans jamais regarder vers le futur, exactement comme devrait le faire un tableau de bord en direct. La pente de chaque jour est exprimée en z-score : (pente moins moyenne historique) divisée par l'écart-type historique. Le score fusionné est la moyenne pondérée des z-scores des trois signaux, en utilisant les poids normalisés des curseurs. Une alarme se déclenche le premier jour où le score fusionné dépasse le seuil, et ce jour de franchissement est comparé au jour où le z-score des admissions hospitalières seul franchirait le même seuil.

L'ILINet du CDC et les ensembles FluSight / COVID-19 Forecast Hub combinent les données de consultations ambulatoires, les admissions hospitalières, la surveillance des eaux usées, et de plus en plus les données de recherche et de vente au détail en prévisions immédiates mixtes, un peu comme le score de fusion ici. Google Flu Trends (2008-2015) a tenté d'utiliser le seul volume de recherche pour estimer l'activité grippale quasiment en temps réel et a notablement surestimé la saison 2013, en partie parce qu'il n'a jamais été fusionné avec des signaux de vérité terrain plus lents mais plus fiables, et que son modèle n'a pas été réentraîné à mesure que le comportement de recherche évoluait — une mise en garde exactement pour le risque de fausse alerte décrit ci-dessus. Les systèmes modernes suivent généralement l'approche de fusion multi-signaux que cette simulation démontre : ne jamais faire confiance à un seul indicateur avancé bruité, mais ne pas l'ignorer non plus.