L'apprentissage automatique permet de prévoir les épidémies de fièvre catarrhale ovine jusqu'à six mois à l'avance

Une nouvelle étude basée sur l'apprentissage automatique suggère qu'il est possible d'anticiper les épidémies de fièvre catarrhale ovine plusieurs mois à l'avance en combinant les données de surveillance de routine avec des informations climatiques. Testé en France, en Grèce et en Italie, le modèle a permis d'identifier, jusqu'à six mois à l'avance, les périodes et les zones présentant un risque élevé d'épidémie, avec les meilleurs résultats en Grèce et en France et des résultats plus variables en Italie.

L’étude a analysé les données de surveillance de la fièvre catarrhale ovine de 2005 à 2024 et les a croisées avec des variables climatiques maillées. Les chercheurs ont mis au point un ensemble pondéré par logit (LWE) conçu pour prédire si un foyer serait signalé dans une unité administrative donnée et au cours d’un mois donné, avec une anticipation de un à six mois.

Un horizon d’alerte précoce de six mois

Le modèle LWE a surpassé ou égalé 14 modèles de référence, en particulier pour les délais de prévision plus longs à partir du troisième mois, lorsque la prévision des épidémies devient plus difficile et que les événements positifs sont relativement rares. Les performances ont diminué à mesure que l’horizon de prévision s’allongeait, mais l’ensemble est resté relativement stable. Les auteurs affirment donc que le principal avantage du modèle ne réside pas simplement dans sa précision maximale, mais dans sa robustesse sur différents délais de prévision et dans différents contextes épidémiologiques.

À cinq ou six mois, les prévisions ne doivent pas être interprétées comme des prédictions précises de la survenue d’une épidémie. Il convient plutôt de les considérer comme des indicateurs précoces d’un risque accru, utiles pour planifier la surveillance, la logistique de vaccination, les capacités des laboratoires et la préparation sur le terrain.

Le climat et l’historique récent des épidémies fournissent l’essentiel des informations

La fièvre catarrhale ovine se prête particulièrement bien à ce type de modélisation, car la transmission par les moucherons du genre Culicoides est fortement influencée par la température, la saisonnalité et d’autres conditions environnementales. Le modèle a combiné l’historique récent des épidémies avec des synthèses climatiques, ce qui lui a permis de prendre en compte à la fois la transmission en cours et les conditions environnementales plus générales favorables à la circulation du virus.

La prévisibilité variait considérablement d’un pays à l’autre. La Grèce a affiché les meilleurs résultats, la France a également obtenu de bons résultats, tandis que l’Italie présentait une image plus hétérogène, reflétant probablement des différences dans la répartition des épidémies et les modes de déclaration.

Un modèle épidémiologique utile, mais non exhaustif

Cette approche présente des limites importantes. Elle ne tient pas directement compte de la couverture vaccinale, des mouvements d’animaux ni des données détaillées sur les populations de Culicoides, autant de facteurs pouvant fortement influencer la transmission de la fièvre catarrhale ovine. Les prévisions identifient donc un risque statistique plutôt que de reproduire l’ensemble des aspects biologiques d’un foyer. Malgré tout, l’étude montre que les données de surveillance et climatiques collectées régulièrement contiennent suffisamment d’informations prédictives pour fournir une alerte pertinente plusieurs mois avant la détection des foyers.

L’application potentielle consiste à passer d’une surveillance purement réactive de la fièvre catarrhale ovine à une anticipation fondée sur les risques, en concentrant la surveillance et la préparation dans les régions où les conditions climatiques et épidémiologiques indiquent un risque croissant.