Machine Learning for Disease Outbreak Detection Using Probabilistic Models

L'expansion de maladies connues et l'émergence de nouvelles maladies ont affecté la vie de nombreuses personnes et ont eu des conséquences économiques importantes. L'Ébola n'est que le dernier des exemples récents. La détection précoce d'infections épidémiologiques s'avère donc un enjeu de taille. Dans le secteur de la surveillance syndromique, nous avons assisté récemment à une prolifération d'algorithmes de détection d'épidémies. Leur performance peut varier entre eux et selon différents paramètres de configuration, de sorte que l'efficacité d'un système de surveillance épidémiologique s'en trouve d'autant affecté. Pourtant, on ne possède que peu d'évaluations fiables de la performance de ces algorithmes sous différentes conditions et pour différents types d'épidémie. Les évaluations existantes sont basées sur des cas uniques et les données ne sont pas du domaine public. Il est donc difficile de comparer ces algorithmes entre eux et difficile de juger de la généralisation des résultats. Par conséquent, nous ne sommes pas en mesure de déterminer quel d'algorithme devrait être appliqué dans quelles circonstances. Cette thèse poursuit trois objectifs généraux : (1) établir la relation entre la performance des algorithmes de détection d'épidémies et le type et la sévérité de ces épidémies, (2) améliorer les prédictions d'épidémies par la combinaison d'algorithmes et (3) fournir une méthode d'analyse des épidémies qui englobe une perspective de coûts afin de minimiser l'impact économique des erreurs du type faux positifs et faux négatifs. L'approche générale de notre étude repose sur l'utilisation de données de simulation d'épidémies dont le vecteur de transmission est un réseau d'aqueducs. Les données sont obtenues de la plateforme de simulation SnAP du Department of Epidemiology and Biostatistics Surveillance Lab de l'université McGill. Cette approche nous permet de créer les différentes conditions de types et d'intensités d'épidémiologie nécessaires à l'analyse de la performance des algorithmes de détection. Le premier objectif porte sur l'influence des différents types et différentes intensités d'épidémiologie sur la performance des algorithmes. Elle est modélisée à l'aide d'un modèle basé sur un réseau bayésien. Ce modèle prédit avec succès la variation de performance observée dans les données. De plus, l'utilisation d'un réseau bayésien permet de quantifier l'influence de chaque variable et relève aussi le rôle que jouent d'autres paramètres qui étaient jusqu'ici ignorés dans les travaux antérieurs, à savoir le seuil de détection et l'importance de tenir compte de récurrences hebdomadaires. Le second objectif vise à exploiter les résultats autour du premier objectif et de combiner les algorithmes pour optimiser la performance en fonction des facteurs d'influence. Les résultats des algorithmes sont combinés à l'aide de la méthode de Mixture hiérarchique d'expert (Hierarchical Mixture of Experts—HME). Le modèle HME est entraîné à pondérer la contribution de chaque algorithme en fonction des données. Les résultats de cette combinaison des résultats d'algorithmes sont comparables avec les meilleurs résultats des algorithmes individuels, et s'avèrent plus robustes à travers différentes variations. Le niveau de contamination n'influence pas la performance relative du modèle HME. Finalement, nous avons tenté d'optimiser des méthodes de détection d'épidémies en fonction des coûts et bénéfices escomptés des prédictions correctes et incorrects. Les résultats des algorithms de détection sont évalués en fonction des décisions possibles qui en découlent et en tenant compte de données réelles sur les coûts totaux d'utilisation des ressources du système de santé. Dans un premier temps, une régression polynomiale permet d'estimer le coût d'une épidémie selon le délai de détection. Puis, nous avons développé un modèle d'apprentissage d'arbre de décision qui tient compte du coût et qui prédit les détections à partir des algorithmes connus. Les résultats expérimentaux démontrent que ce modèle permet de réduire le coût total des épidémies, tout en maintenant le niveau de détection des épidémies comparables à ceux d'autres méthodes.