Développement d'un modèle de détection précoce des menaces sanitaires pour le GPHIN et analyse de la corrélation entre l'intensité de sa couverture médiatique de la COVID-19 et l'évolution des cas de SRAS-CoV-2 au Canada
Notice bibliographique
Résumé
Contexte : Le Global Public Health Intelligence Network (GPHIN) utilise un algorithme de score de pertinence pour filtrer les articles du web et identifier ceux qui sont « pertinents » pour la surveillance de la santé publique. Face à l'augmentation des erreurs de classification et à la quantité massive d'articles sur la COVID-19 partagés par le système de surveillance basé sur les événements pendant la pandémie, ce mémoire explore l'amélioration de cet algorithme pour la catégorie de menace « Human Infectious Disease » (HID) du GPHIN. Il examine également la corrélation entre le volume des articles canadiens sur la COVID-19 publiés par le GPHIN et l'incidence des cas de SRAS-CoV-2 au Canada, de mars 2020 à décembre 2021. Méthodes : Nous avons utilisé 2 606 articles, étiquetés comme « pertinents » ou « non-pertinents », pour entraîner six modèles d'apprentissage automatique supervisé. Le modèle le plus performant a été sélectionné en fonction des besoins opérationnels du GPHIN, et ses performances ont été comparées à celles de l'algorithme actuel du GPHIN sur un échantillon de 860 articles. Ce modèle a ensuite été employé pour estimer la série hebdomadaire du volume d'articles canadiens sur la COVID-19 publiés par le GPHIN entre mars 2020 et décembre 2021. Cette estimation a été utilisée comme variable indépendante pour étudier sa corrélation avec l’incidence des cas de SRAS-CoV-2 au Canada, en utilisant une modélisation Binomiale-Négative. Résultats : Le modèle Random Forest (RF), calibré avec Isotonic Regression, a été retenu comme le modèle le plus optimal compte tenu des besoins opérationnels du GPHIN. Il a montré une sensibilité de 97,7 % (IC 95 % : 96,3 % - 98,8 %) et une spécificité de 89,3 % (IC 95 % : 86,0 % - 92,6 %), surpassant l'algorithme actuel du GPHIN en termes de capacité discriminante (AUC RF : 0,99 ; IC 95 % : 0,98 - 0,99 contre AUC GPHIN : 0,97 ; IC 95 % : 0,96 - 0,97). L'analyse de corrélation a révélé qu’une augmentation unitaire du volume d’articles canadiens sur une semaine est associée à une augmentation de 0,52 % (IC 95 % : 0,30 % - 0,74 %) des cas de SRAS-CoV-2 trois semaines plus tard au Canada. Cette corrélation a été observée en tenant compte des influences des variants du SRAS-CoV-2, de la vaccination, des mesures de restrictions, mesurées par la fréquentation des parcs par rapport à la normale prépandémique, et de la saisonnalité. Conclusion : Ce mémoire démontre qu’un effort de collecte d’articles d’entraînement plus exhaustif, couvrant toutes les catégories de menaces du système de surveillance évènementielle, pourrait permettre de remplacer l’actuel algorithme de score de pertinence du GPHIN par un algorithme plus performant. Cela réduirait le risque de manquer des articles essentiels pour la santé publique et diminuerait la nécessité de contrôles manuels des prédictions de l'algorithme par les analystes. Par ailleurs, bien que la corrélation entre le volume d'articles publiés et l’incidence des cas de SRAS-CoV-2 soit d’une magnitude relativement modeste (environ 100 articles pour 52 cas supplémentaires), sa significativité statistique souligne le potentiel des données médiatiques du GPHIN en tant qu'indicateurs précoces prometteurs pour anticiper les dynamiques épidémiologiques. Ces résultats encouragent à poursuivre des recherches futures pour approfondir la pertinence et l'application des sous-produits statistiques du GPHIN dans le cadre de la surveillance en santé publique.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,003 | 0,009 |
| Méta-épidémiologie (sens strict) | 0,002 | 0,001 |
| Méta-épidémiologie (sens large) | 0,001 | 0,002 |
| Bibliométrie | 0,003 | 0,002 |
| Études des sciences et des technologies | 0,001 | 0,001 |
| Communication savante | 0,004 | 0,002 |
| Science ouverte | 0,002 | 0,001 |
| Intégrité de la recherche | 0,002 | 0,002 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,004 | 0,001 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule source (Gemma direct ou Codex distillé), pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».