Peut-on prédire les épidémies grâce à l’IA avant qu’elles ne deviennent incontrôlables ? Testée sur 72 génomes du virus Ebola, une nouvelle méthode d’intelligence artificielle permet d’analyser beaucoup plus rapidement la propagation d’un pathogène. Elle ne possède pas de boule de cristal et ne peut pas garantir que nous éviterons une nouvelle pandémie ou un nouveau confinement. Mais elle pourrait aider les autorités sanitaires à comprendre une épidémie presque en direct et à intervenir avant qu’il ne soit trop tard.
Peut-on vraiment prédire les épidémies grâce à l’IA ?
Confinements, hôpitaux saturés, variants découverts les uns après les autres, décisions sanitaires prises dans l’urgence… Cinq ans après la pandémie de Covid-19, une question reste dans tous les esprits : serions-nous mieux préparés si un nouveau virus commençait demain à se propager dans le monde ?
Une équipe de scientifiques de l’Institut national de recherche pour l’agriculture, l’alimentation et l’environnement (INRAE) vient de franchir une étape importante. Grâce à une méthode d’intelligence artificielle par apprentissage profond, les chercheurs sont parvenus à analyser beaucoup plus rapidement des données génétiques provenant d’une véritable épidémie d’Ebola.
L’objectif n’est pas de demander à une machine de décider s’il faut confiner la population. Il est de permettre aux épidémiologistes et aux autorités de santé de savoir plus vite à quelle vitesse un pathogène se propage, depuis quel territoire, pendant combien de temps les personnes infectées peuvent transmettre la maladie et comment les différentes contaminations sont reliées entre elles.
Une avancée qui, selon INRAE, « ouvre la voie à une gestion des épidémies et épizooties en temps réel ».
Ce que le Covid nous a appris : face à une épidémie, chaque jour compte
Lorsque les premiers cas d’une maladie inconnue apparaissent, les scientifiques disposent généralement d’informations fragmentaires. Ils doivent déterminer si le pathogène se transmet facilement, retrouver son origine, identifier ses mutations et comprendre si plusieurs foyers sont liés.
Pendant ce temps, l’épidémie continue d’évoluer.
C’est précisément ce décalage entre la vitesse de propagation d’un virus et le temps nécessaire pour analyser les données qui peut compliquer la réponse sanitaire. Plus les informations arrivent tard, plus les autorités risquent de prendre des décisions à partir d’une photographie déjà dépassée de la situation.
La pandémie de Covid-19 a révélé au grand public l’importance du séquençage génétique. C’est en étudiant le génome du SARS-CoV-2 que les scientifiques ont pu identifier et suivre les variants Alpha, Delta ou Omicron.
L’OMS (Organisation mondiale de la santé) définit la surveillance génomique comme l’observation continue des pathogènes et de leurs ressemblances ou différences génétiques. Elle permet de suivre leur évolution, leur circulation et l’apparition de nouvelles mutations.
Mais produire les séquences génétiques ne suffit pas. Encore faut-il pouvoir les analyser suffisamment rapidement pour qu’elles soient utiles au moment où les décisions doivent être prises.
Comment cette IA reconstitue-t-elle la propagation d’un virus ?
Pour comprendre cette nouvelle méthode, il faut imaginer que chaque virus possède une sorte de carte d’identité génétique.
Lorsqu’il se transmet et se multiplie, de petites mutations peuvent apparaître dans son génome. En comparant les séquences prélevées chez différentes personnes, les scientifiques peuvent retrouver les liens de parenté entre plusieurs versions du même pathogène.
Ils construisent ainsi un arbre généalogique du virus :
- chaque branche correspond à une possible chaîne de transmission ;
- chaque embranchement indique une relation de parenté entre les pathogènes ;
- la longueur des branches renseigne notamment sur les mutations accumulées ;
- les dates et les lieux de prélèvement permettent de suivre la progression de l’épidémie.
Cette discipline porte un nom quelque peu intimidant : la phylodynamique. En clair, elle associe la génétique, l’épidémiologie et les mathématiques pour raconter l’histoire d’une épidémie : d’où vient le pathogène, comment il circule et à quelle vitesse il se propage.
Précision importante : les chercheurs étudient ici le génome du virus, et non l’intégralité de l’ADN des personnes malades.
Pourquoi les méthodes classiques peuvent-elles être trop lentes ?
Pour obtenir des résultats fiables, les scientifiques doivent croiser un nombre considérable d’informations : les séquences génétiques du pathogène, les dates de prélèvement, les lieux où les cas ont été détectés, la prévalence de la maladie et les données épidémiologiques recueillies sur le terrain.
Les algorithmes doivent ensuite comparer un très grand nombre de scénarios afin d’identifier celui qui correspond le mieux à la réalité observée.
Ces méthodes sont robustes, mais elles deviennent extrêmement lourdes lorsque le nombre et la complexité des données augmentent. Or, pendant une épidémie, de nouvelles informations arrivent continuellement.
Le défi consiste donc à intégrer ces données sans devoir recommencer chaque analyse depuis le début et sans attendre plusieurs jours ou semaines avant d’obtenir des résultats exploitables.
Une intelligence artificielle venue de l’astrophysique
Pour accélérer ce travail, les chercheurs d’INRAE ont utilisé une méthode d’apprentissage profond appelée estimation neuronale de la loi a posteriori, ou NPE pour Neural Posterior Estimation.
Cette technologie était jusqu’à présent surtout utilisée dans des domaines comme les neurosciences et l’astrophysique.
Son principe consiste à entraîner un réseau neuronal à partir d’un grand nombre d’épidémies simulées. L’IA apprend les relations existant entre les données observées et les paramètres qui pourraient les expliquer.
Une fois cet entraînement réalisé, elle peut estimer beaucoup plus rapidement les caractéristiques probables d’une épidémie réelle. Il ne s’agit donc pas de produire une certitude absolue, mais de calculer les scénarios les plus vraisemblables tout en tenant compte des incertitudes.
Un premier test réalisé sur 72 génomes du virus Ebola
Pour vérifier la fiabilité de la méthode, les scientifiques ont utilisé les données de 72 génomes du virus Ebola provenant de l’épidémie survenue en 2014 en Sierra Leone.
Les résultats obtenus grâce à l’intelligence artificielle étaient similaires à ceux produits par les méthodes d’analyse classiques. C’est la première fois que la NPE est appliquée à des données génétiques réelles dans le cadre d’une analyse phylodynamique.
Le nombre de 72 génomes peut sembler modeste. Cette étude constitue effectivement une première démonstration et non le déploiement d’un système mondial déjà opérationnel.
Mais la méthode pourrait, à terme, intégrer des milliers de séquences génétiques ainsi que des données de différentes natures. Les nouvelles informations pourraient être ajoutées au fur et à mesure de l’évolution d’une épidémie, sans attendre la fin de la crise pour comprendre rétrospectivement ce qui s’est passé.
Les résultats ont été publiés dans la revue scientifique Proceedings of the Royal Society B.
Pourrait-elle réellement nous éviter un nouveau confinement ?
Soyons clairs : aucune intelligence artificielle ne peut garantir que nous ne connaîtrons jamais un nouveau confinement.
La décision de confiner dépend de nombreux facteurs : la gravité de la maladie, sa contagiosité, la pression exercée sur les hôpitaux, l’existence de traitements ou de vaccins, les populations touchées et les choix politiques.
Cette nouvelle IA ne bloque pas la transmission d’un virus. Elle ne soigne pas les malades et ne remplace ni les médecins, ni les laboratoires, ni les épidémiologistes de terrain.
En revanche, elle pourrait fournir plus rapidement les informations nécessaires pour intervenir de manière plus précoce et plus ciblée.
Plutôt que d’attendre qu’une situation soit devenue incontrôlable, les autorités pourraient mieux repérer les chaînes de transmission, suivre la progression géographique du pathogène, comparer plusieurs scénarios et renforcer les moyens sanitaires dans les zones où ils sont réellement nécessaires.
Autrement dit, cette technologie ne promet pas d’éviter toutes les mesures contraignantes. Mais elle pourrait contribuer à éviter que l’absence d’informations fiables ne conduise à agir trop tard ou de manière trop générale.
Comme le résume Samir Bhatt, professeur à l’Université de Copenhague, cité par l’Institut Pasteur, « l’IA fournit aux décideurs politiques de nouveaux outils puissants ».
Prédire les épidémies grâce à l’IA ne signifie pas prédire l’avenir
Pas au sens où elle annoncerait l’apparition d’un nouveau virus plusieurs mois à l’avance.
La méthode étudiée par INRAE intervient lorsque des données génétiques et épidémiologiques sont déjà disponibles. Elle permet surtout de comprendre plus rapidement une épidémie en cours et d’actualiser les modèles à mesure que de nouveaux cas sont analysés.
D’autres travaux explorent la possibilité de croiser des données climatiques, animales, sanitaires et socio-économiques pour repérer des zones où une maladie pourrait émerger. Mais aucune IA ne possède aujourd’hui une boule de cristal capable d’annoncer avec certitude le lieu et la date de la prochaine pandémie.
Les résultats dépendent toujours de la qualité des données fournies. Si les prélèvements sont insuffisants, concentrés dans certaines régions ou transmis trop tard, l’analyse risque de ne donner qu’une vision partielle de la situation.
L’humain reste également indispensable pour vérifier les résultats, comprendre le contexte local et décider des mesures à prendre. Simon Cauchemez, chercheur à l’Institut Pasteur, évoque néanmoins « de nombreuses opportunités pour améliorer la réponse aux épidémies et pandémies ».
Ebola, grippe aviaire, Covid : quelles maladies pourraient être surveillées ?
La méthode a été testée sur des données anciennes concernant l’épidémie d’Ebola de 2014, mais son principe pourrait être adapté à d’autres maladies infectieuses dès lors que les scientifiques disposent de séquences génétiques et d’un modèle épidémiologique approprié.
Elle pourrait ainsi présenter un intérêt pour la surveillance :
- des nouveaux variants du Covid-19 ;
- des virus grippaux ;
- de la grippe aviaire ;
- des maladies émergentes transmises de l’animal à l’être humain ;
- des épidémies touchant les animaux d’élevage.
Une épidémie qui frappe une population animale porte le nom d’épizootie. La surveiller rapidement est essentiel, car certaines infections animales peuvent menacer les élevages, l’approvisionnement alimentaire ou, lorsqu’elles franchissent la barrière des espèces, la santé humaine.
Nous sommes donc pleinement dans l’approche One Health, ou « Une seule santé », qui considère que la santé humaine, la santé animale et l’environnement sont étroitement liés.
Une longueur d’avance plutôt qu’une boule de cristal
Alors, peut-on prédire les épidémies grâce à l’IA ? Pas annoncer l’apparition d’un virus avant même les premiers cas. En revanche, cette méthode pourrait permettre de suivre beaucoup plus rapidement sa trajectoire et d’éclairer les décisions pendant que la crise évolue encore.
La véritable révolution est là : raccourcir le temps entre le signal d’alerte, sa compréhension et l’action sanitaire. Face à une épidémie, il ne s’agit pas de deviner l’avenir, mais de comprendre le présent avant qu’il ne devienne incontrôlable.
Vous aimerez aussi
Covid-19 : les variants qui inquiètent les experts
Ebola : quels sont les symptômes, les modes de transmission et les risques en France ?
Comment le génome du coronavirus a été découvert
Source scientifique : Francesco Pinotti, Julien Thézé, Thomas Bailly et Guillaume Fournié, « Simulation-based inference of epidemiological and phylodynamic models via Neural Posterior Estimation », Proceedings of the Royal Society B, 2026.
