15/07/25
Comment utiliser l’intelligence artificielle pour prédire la malnutrition
Par: Dann Okoth
Envoyer à un ami
Les coordonnées que vous indiquez sur cette page ne seront pas utilisées pour vous envoyer des emails non- sollicités et ne seront pas vendues à un tiers. Voir politique de confidentialité.
[NAIROBI, SciDev.Net] Un outil d’intelligence artificielle (IA) qui prédit la malnutrition aiguë infantile jusqu’à six mois à l’avance pourrait aider à lutter contre cette maladie au Kenya et dans toute l’Afrique, affirment les chercheurs dans une récente étude.
La malnutrition est l’une des principales causes de mortalité dans le monde. Selon des informations de l’Organisation mondiale de la santé, près de la moitié des décès d’enfants de moins de cinq ans est liée à une sous-nutrition aiguë ; la plupart d’entre eux se trouvant dans les pays à revenu faible ou intermédiaire –.
Toutefois, du fait des lacunes dans les données il peut être difficile de savoir où concentrer les ressources dans des pays comme le Kenya.
“En utilisant des modèles d’IA basés sur les données, vous pouvez capturer les relations plus complexes entre plusieurs variables qui fonctionnent ensemble pour aider à prédire la malnutrition avec plus de précision”
Bistra Dilkina, Center for AI in Society, UCS
Selon l’enquête démographique et de santé du Kenya de 2022, cinq pour cent des enfants dans le pays souffrent de malnutrition aiguë, un niveau considéré comme un problème de santé publique.
Des scientifiques ont mis au point un modèle d’apprentissage automatique qui utilise des données de santé clinique et des images satellites pour faire des prévisions sur les tendances de la malnutrition à travers le pays.
L’outil a été développé par une équipe de l’Université de Californie du Sud (USC), en collaboration avec le laboratoire de recherche AI for Good de Microsoft, Amref Health Africa et le ministère de la Santé du Kenya.
Laura Ferguson, chercheuse principale et directrice de recherche à l’Institut de l’USC sur les inégalités en santé mondiale, explique que l’objectif est de fournir aux autorités sanitaires des alertes précoces qui soutiennent des réponses efficaces en matière de prévention et de traitement.
« L’outil est conçu pour prédire la malnutrition dans les comtés du Kenya [et]… préparer des stratégies de prévention et de traitement », a-t-elle déclaré à SciDev.Net.
Pour réaliser ces prévisions, le modèle extrait des données du système d’information sur la santé du district (DHIS2) du gouvernement et les combine avec des images satellite pour déterminer où et quand la malnutrition est susceptible de se produire.
Contrairement aux modèles traditionnels qui dépendent uniquement des tendances historiques, cet outil d’IA intègre les données cliniques de plus de 17 000 établissements de santé kenyans.
Il a atteint une précision de 89 % pour les prévisions sur un mois et de 86 % sur six mois ; ce qui constitue une amélioration significative par rapport aux modèles de référence.
L’outil peut également intégrer dans le modèle des données accessibles au public sur la végétation agricole, dérivées d’images satellites, afin d’indiquer les sources de nourriture disponibles, a ajouté Laura Ferguson.
Encouragés par les résultats obtenus au Kenya, les chercheurs espèrent que l’outil pourra être adapté pour être utilisé dans près de 125 autres pays qui utilisent également le DHIS2, en particulier dans les 80 pays à revenu faible et intermédiaire où la malnutrition reste l’une des principales causes de mortalité infantile.
« Ce modèle change la donne », a déclaré pour sa part Bistra Dilkina, professeur associé d’informatique et codirecteur du Center for AI in Society à l’UCS.
« En utilisant des modèles d’IA basés sur les données, vous pouvez capturer les relations plus complexes entre plusieurs variables qui fonctionnent ensemble pour aider à prédire la malnutrition avec plus de précision », a-t-elle expliqué.
Pour maximiser l’impact de l’outil, la collaboration intersectorielle est essentielle, explique Samuel Mburu, responsable de la transformation numérique chez Amref Health Africa, qui a également travaillé sur le projet. Il suggère d’aligner les services de santé sur les efforts en matière d’agriculture et de gestion des catastrophes.
« Un investissement continu dans l’infrastructure et la formation en matière de santé numérique est également essentiel », a déclaré Samuel Mburu à SciDev.Net.
Peter Ofware, directeur national pour le Kenya chez Helen Keller International, une organisation à but non lucratif basée aux États-Unis et axée sur la nutrition et la santé, convient que l’intégration des données sur la végétation avec DHIS2 améliore la précision des prévisions.
« Cela améliore la précision des prévisions », a déclaré ce dernier qui n’a pas participé à la recherche.
« Cependant, les données du DHIS, qui constituent leur principale source, présentent de nombreuses limites en termes de qualité, notamment en ce qui concerne la malnutrition », a-t-il ajouté.
Les enfants ne sont généralement dépistés pour la malnutrition que dans les établissements où un traitement est disponible, ce qui limite la représentativité des données, a-t-il précisé.