Le machine learning pour anticiper les épidémies de dengue : Étude du projet DiRE (UNICEF)

Le réchauffement climatique favorise la propagation accrue des maladies à transmission vectorielle. UNICEF porte un projet expérimental anticipant les flambées de dengue afin de prendre des mesures de contrôle proactives et ciblées.

En Asie et sur le continent américain, la hausse du taux d’humidité a déjà conduit à une augmentation de 18 % de l’incidence de la dengue.

À cet égard, le Pérou constitue un exemple particulièrement révélateur : alors qu’environ 17 000 cas de dengue y étaient recensés en 2019, le pays a enregistré près de 39 000 cas pour la seule année 2025.

Face à l’intensification des risques sanitaires, le déploiement de technologies basées sur l’apprentissage automatique (machine learning) constitue aujourd’hui un thème important des axes de recherche et de développement de l’action humanitaire.

L’intégration de ces technologies se présente ainsi comme une piste de réflexion exploratoire pour l’avenir de la santé publique. L’intérêt principal de cette démarche réside dans le dialogue qu’elle instaure entre divers acteurs.

en démontrant comment les avantages comparatifs de chaque acteur au sein d’un consortium hybride permettent d’appuyer l’action d’UNICEF.

1. Le projet DiRE (UNICEF)

Le projet DiRE est une plateforme interactive d’analyse prédictive et de visualisation géospatiale, initialement développée pour anticiper les flambées de dengue et de malaria au Brésil et au Pérou. Concrètement, l’outil se présente sous la forme d’un tableau de bord cartographique. Il permet aux décideurs de cliquer sur une juridiction administrative spécifique pour y visualiser les tendances épidémiologiques passées, ainsi que les projections d’infections pour le mois en cours et les deux mois suivants.

L’architecture technique de la plateforme

Pour formuler ces prévisions, la plateforme repose sur un modèle d’apprentissage automatique d’ensemble intégrant trois approches statistiques (CatBoost, SVM et LSTM). Cet algorithme croise simultanément deux grandes catégories de variables. D’une part, des données géophysiques et climatiques captées par satellite (température, humidité, précipitations). D’autre part, des données socio-économiques locales (densité de population, accès à l’eau potable, indicateurs de pauvreté) issues des recensements nationaux.

Une traduction logistique des besoins

L’algorithme agit comme un estimateur de ressources : il convertit la prévision statistique du nombre de cas futurs en une estimation financière et matérielle concrète. Le tableau de bord affiche la quantité de fournitures médicales et le personnel nécessaires pour contrôler la maladie dans la zone ciblée. Cet outil offre ainsi une base de données pour orienter la réflexion des autorités locales sur le déblocage de fonds de contingence avant que les infrastructures hospitalières ne soient submergées.

Hanoch Barlevi, chargé de coordination mondiale sur les risques climatiques chez UNICEF, souligne en entretien l’intérêt prometteur de ces recherches :

« Ce qui semblait expérimental il y a quelques années sera probablement une évidence dans un avenir proche ».

2. Le consortium hybride : le dialogue des acteurs

DiRE est né grâce à la coopération entre divers acteurs. Cette organisation stratégique permet à chaque partenaire d’apporter son expertise :

• La recherche académique (L’Université de Californie de San Diego – UCSD) :

  Le rôle de la recherche académique est fondamental pour concevoir la méthodologie scientifique du modèle prédictif. La vocation première du milieu universitaire est de produire de nouvelles connaissances fondamentales et d’obtenir des financements de recherche. En revanche, comme l’explique Gordon McCord (UCSD), les universitaires « ne sont pas incités à créer des outils d’aide à la décision pour les gouvernements ». L’université fournit l’architecture statistique initiale, mais nécessite le relais d’autres acteurs pour transformer cette théorie en une interface utilisable.

• L’intégrateur technologique (New Light Technologies – NLT) :

  New Light Technologies (NLT) est une société américaine experte dans l’ingénierie logicielle, la création de plateformes cloud sécurisées et le traitement de données géospatiales à très grande échelle. Dans le cadre du projet DiRE, NLT a été chargée de l’ingénierie lourde. L’entreprise s’est appuyée sur son infrastructure préexistante pour automatiser l’agrégation continue des bases de données satellitaires et épidémiologiques, et construire l’interface finale du tableau de bord. Ghermay Araya, dirigeant de NLT, résume l’intérêt de ce dialogue multi-acteurs :

« Le domaine client est représenté par des acteurs comme l’UNICEF, qui souhaitent fournir des informations rapidement. Vous avez des chercheurs universitaires qui veulent voir leur travail aboutir. Vous avez de grandes organisations comme l’ESA […] qui fournissent les données primaires. Et des entreprises privées comme la nôtre aident à livrer tout cela ».

• Le fournisseur d’infrastructures de données (L’Agence Spatiale Européenne – ESA) :

  L’ESA est une organisation intergouvernementale consacrée à l’exploration spatiale et à l’observation de la Terre. Par le biais de son programme Copernicus, l’ESA fournit la matière première géophysique (température, humidité, végétation) indispensable à l’entraînement des modèles algorithmiques.

• L’organisation institutionnelle (L’UNICEF) :

  L’UNICEF agit comme un catalyseur. L’organisation identifie le besoin de santé publique, coordonne les différents experts et assure le lien diplomatique avec les ministères de la santé (au Pérou et au Brésil) pour ancrer le prototype dans les réalités administratives locales.

• La philanthropie (Wellcome Trust) :

  Le projet DiRE est financé par une subvention du Wellcome Trust, une fondation philanthropique mondiale axée sur la santé et basée au Royaume-Uni. Cette dotation financière a été spécifiquement attribuée à la School of Global Policy and Strategy de l’Université de Californie à San Diego (UCSD) afin de développer et de déployer la plateforme d’analyse des risques de maladies infectieuses. Cet apport de capitaux permet de soutenir la phase de recherche technologique en amont du déploiement clinique, structurant ainsi la collaboration opérationnelle entre le milieu académique, l’entreprise New Light Technologies et l’UNICEF.

3. Co-création et anticipation des épidémies : l’appropriation locale

Cette ingénierie de pointe ne trouve sa pertinence que si elle s’accompagne d’une démarche d’appropriation par les pays hôtes. Le développement d’une innovation en R&D exige l’intégration des autorités sanitaires locales dès la phase de conception, afin d’éviter le rejet d’une solution perçue comme exogène.

Le développement de DiRE a donc institutionnalisé la co-création. La consultation de l’équipe d’épidémiologie péruvienne a eu des répercussions directes sur l’ergonomie de l’algorithme. Gordon McCord souligne que « l’ajout de l’emplacement des cliniques a été une suggestion qui est venue de l’un des acteurs locaux ». C’est cette itération de terrain qui permet aux décideurs de croiser le risque épidémique avec leurs capacités hospitalières réelles, démontrant la valeur pratique de l’outil. Hanoch Barlevi affirme que :

« Les outils doivent être développés avec les autorités locales. Si les acteurs locaux ne ressentent pas un sentiment d’appropriation, de confiance et de responsabilité, l’outil ne sera pas utilisé efficacement. »

Conclusion

L’étude du projet DiRE montre que l’intégration du machine learning pour anticiper les défis climatiques et épidémiologiques s’apparente aujourd’hui à une démarche de recherche et développement exigeante.

Le modèle du consortium hybride offre une réponse structurelle pertinente. En se positionnant comme un orchestrateur, l’organisation de solidarité internationale instaure un dialogue entre la théorie de la recherche académique, l’ingénierie opérationnelle des entreprises technologiques et la vision des philanthropes. Cette interdépendance permet de transformer des prototypes statistiques en véritables instruments d’aide à la décision, soutenant ainsi la résilience des systèmes de santé publique dans les zones à ressources limitées.