PALUDISME
Il existe de nombreux flux de données en temps réel qui peuvent avoir un impact sur le paludisme. Les flux de données avec une position géographique précise permettent aux modèles nationaux d'être appliqués localement, en augmentant la précision du diagnostic et en ciblant les ressources là où elles auront le plus d'impact.
​
Les flux de données dotés de taux de mise à jour temporelle plus élevés peuvent permettre un nouveau paradigme dans la modélisation du paludisme ; un passage de l'analyse hors ligne des données historiques à l'estimation des paramètres de modèle en temps réel et à la mise à jour quotidienne des paramètres des outils de diagnostic guidés par machine.
Des mesures détaillées telles que la lecture objective des TDR permettent, par exemple, la mesure objective des cas symptomatiques pour une estimation plus précise des paramètres du modèle. Les mises à jour en temps réel du taux de prévalence permettent, par exemple, la modélisation et le développement d'interventions pour les cas asymptomatiques à faible nombre de parasites qui forment un grand réservoir de transmission humaine. Elles peuvent également augmenter la sensibilité du diagnostic et améliorer la précision de l'estimation de la prévalence, par exemple lorsqu'elles sont mises en œuvre dans un flux de travail maternel dont il a été établi qu'il fournit des taux de prévalence locale précis dans des environnements non structurés, grâce à un dénominateur précis [Hellewell et al.][van Eijk et al.].
​
Les mises à jour des facteurs socio-économiques permettent, par exemple, une évaluation plus précise du risque de paludisme qui s'appuie sur les probabilités en fonction du type de logement et d'autres facteurs, et des interventions ciblées individuellement telles que la distribution nette des LLI avec un gaspillage minimal. Dans un dernier exemple, des mises à jour en temps réel des facteurs environnementaux, par exemple en utilisant la détection des eaux stagnantes à partir d'images satellitaires, permettent une modélisation plus précise du cycle attendu du paludisme et une prévision plus précise des épidémies de paludisme.
En partenariat avec ThinkMD, Northeastern University et le Dr Samuel Scarpino, un test de faisabilité de l'impact potentiel sur le diagnostic du paludisme à partir de flux de données en temps réel a été réalisé à partir de données de 450 patients au Nigéria, en utilisant uniquement les données de symptômes et de TDR en temps réel, avec une précision géographique et temporelle.
Les symptômes, le contexte et les mesures objectives ont été traités comme des points de données temporelles longitudinales dans 5 infrastructures de soins voisines, dans le but d'améliorer la précision du diagnostic en se basant uniquement sur les symptômes et le contexte. Un test de diagnostic (TDR) a été utilisé comme approximation de la réalité sur le terrain pour la formation à l'apprentissage automatique. Un classificateur d'apprentissage automatique incrémental innovant a été continuellement mis à jour sur la base des points de données précédents pour fournir un classificateur mis à jour, qui réponde aux changements de contexte sur une base temporelle et géographique très granulaire.
La précision du diagnostic était d'environ 20 % plus élevée en utilisant l'approche d'apprentissage automatique/basée sur le contexte, qu'en faisant appel à une approche traditionnelle de diagnostic guidé par machine. On estime que l'ajout d'un plus grand nombre encore d'informations contextuelles et de modèles plus sophistiqués devrait encore davantage améliorer la précision des diagnostics.
