Un modèle géospatial pour la santé publique

LLéna

Google Research présente 5 études menées avec des partenaires pour examiner comment son modèle géospatial peut compléter les méthodes utilisées en santé publique. La question est simple : peut-on mieux suivre les problèmes de santé en ajoutant aux analyses des informations sur les lieux, y compris lorsque les données habituelles manquent ou arrivent tard ? Le modèle s’appelle le Population Dynamics Foundation Model, ou PDFM. Il rassemble des tendances de recherche anonymisées, des informations sur les déplacements humains, l’environnement bâti et des facteurs environnementaux. Chaque mois, il condense ces signaux en représentations géographiques compactes. On peut les comparer à une couche d’information ajoutée à une carte : elle donne un aperçu du contexte d’un lieu, sans raconter à elle seule tout ce qui s’y passe. Ces représentations peuvent être intégrées aux modèles statistiques et aux outils d’apprentissage automatique déjà employés en épidémiologie, sans adaptation propre à chaque tâche. Le modèle est pré-entraîné par apprentissage auto-supervisé. En clair, il construit ses représentations à partir des signaux disponibles avant leur utilisation pour une question de santé précise. Les équipes peuvent ainsi les ajouter à leurs analyses, plutôt que de créer une méthode entièrement nouvelle pour chaque tâche. Le PDFM vise donc à compléter les outils existants, pas à les remplacer. Les études portent sur 4 domaines de santé publique et examinent plusieurs tâches épidémiologiques, comme estimer la situation dans des lieux peu documentés ou prévoir son évolution. Google affirme que les représentations du PDFM ont égalé ou amélioré les données conventionnelles dans différents domaines de maladie, contextes géographiques et tâches. Ces performances sont rapportées par l’entreprise : elles ne garantissent pas les mêmes résultats partout. C’est donc un résultat à considérer avec prudence, sans conclure que le modèle convient à tous les besoins de santé publique.