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
Bibliographic record
Abstract
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.
Fetched live from OpenAlex and de-inverted. Abstracts are not stored in this database: the inverted indexes are 8.6 GB of the frame’s 9.3 GB of text, and the host has 13 GB free.
How this classification was reachedexpand
Full frame machine prediction
Teacher imitationNot calibrated prevalence, not ground truth. Human validation pending. The Gemma side is a direct model label for every work in the frame, read from the title-only record. The Codex side is a classifier learned from the 10,348 direct Codex labels and calibrated to design-weighted sample rates; fields without enough sample support carry no Codex call. Candidate is the union of the two sides; consensus is their intersection. These outputs are machine_predicted_unvalidated and are not human labels.
Distilled classifier scores by category (both heads)
| Category | Codex | Gemma |
|---|---|---|
| Metaresearch | 0.003 | 0.009 |
| Meta-epidemiology (narrow) | 0.002 | 0.001 |
| Meta-epidemiology (broad) | 0.001 | 0.002 |
| Bibliometrics | 0.003 | 0.002 |
| Science and technology studies | 0.001 | 0.001 |
| Scholarly communication | 0.004 | 0.002 |
| Open science | 0.002 | 0.001 |
| Research integrity | 0.002 | 0.002 |
| Insufficient payload (model declined to judge) | 0.004 | 0.001 |
Machine scores (provisional)
The two teacher heads of the student model, read on this work. A score orders the frame for review; it never asserts a category, and the validation status ships verbatim with every row.
Baseline scores from an immature model (maturity gate not passed, 7 training rounds). Scores rank; they never assert a category.
score_only:v0-immature-baseline · verbatim from the scoring run: score_only means the number may rank works, and no category label ships from itClassification
machine, unvalidatedMachine predicted; a candidate call from one source (direct Gemma or distilled Codex), not a consensus.
How this classification was reached, model by model and score by score, is at the end of the page under "How this classification was reached".