L'IA au service de la santé publique en RDC
- il y a 12 minutes
- 5 min de lecture
Face aux urgences sanitaires, chaque minute compte. Franklin Mwamba, Data Scientist et ingénieur développeur issu de l'Université de Kinshasa, et ses collaborateurs, Jirince Biaba et Fiston Oshasha, ont conçu un outil d'intelligence artificielle fondé sur les Graph Neural Networks. Capable de prédire jusqu'à 7 jours à l'avance le risque d'importation du virus Ebola (BDBV) dans 519 zones de santé de la RDC, ce système d'aide à la décision offre aux acteurs de la santé publique un levier inédit d'anticipation. Dans cet entretien accordé à L’Entrevue Magazine, l'expert explique le fonctionnement de ce modèle dynamique, ses applications sur le terrain et sa vision d'une santé publique souveraine et technologique.
L'Entrevue Vous avez développé une solution d'intelligence artificielle capable d'estimer jusqu'à 7 jours à l'avance le risque d'importation du virus Ebola Bundibugyo (BDBV) dans 519 zones de santé en RDC. Qu’est-ce qui a motivé la création de cet outil, et à quel besoin urgent sur le terrain répond-il ?
Franklin Mwamba La motivation est née d’un constat simple : dans une épidémie, le temps perdu avant le premier cas confirmé peut coûter cher. Les tableaux de bord existants décrivent souvent bien la situation déjà observée. Notre outil vise l’anticipation : signaler les zones encore non touchées où le risque d’importation à 7 jours est élevé, afin d’aider à prioriser surveillance, dépistage et suivi des points d’entrée.
Nous avons aussi voulu montrer que le Congo dispose de ressources humaines et scientifiques capables de proposer des solutions innovantes aux problèmes des Congolais : un outil utile, ancré dans nos données et pensé depuis l’Université de Kinshasa.
L'Entrevue Votre modèle s'appuie sur une architecture avancée de Graph Neural Networks (notamment GraphSAGE). Pour nos lecteurs passionnés d'innovation mais parfois moins familiers avec la Data Science, pouvez-vous expliquer en termes simples comment l'IA parvient à modéliser les interactions entre la mobilité des populations, les points d'entrée (PoE) et les données épidémiologiques ?
Franklin Mwamba Imaginons la RDC comme un réseau de 519 zones de santé reliées entre elles. Ces liens ne sont pas seulement géographiques : ce sont aussi des flux de population, des corridors de mobilité et des points d’entrée frontaliers.
Le modèle GraphSAGE apprend à lire ce réseau. Pour chaque zone, il regarde :
Ce qui se passe localement (cas récents issus des SitReps, contexte socio-économique) ;
Ce qui se passe chez ses voisines connectées par la mobilité ;
L’intensité des échanges aux PoE.
Ensuite, il estime une probabilité : « Dans les 7 prochains jours, quel est le risque qu’un cas confirmé apparaisse dans cette zone ? » Autrement dit, l’IA ne regarde pas une zone isolée ; elle lit le risque comme un phénomène qui circule à travers les interactions humaines.
"L’outil ne dit pas « déployez immédiatement ici » à la place des autorités. Il dit plutôt : « Voici les zones où le signal de risque est le plus fort ; vérifiez, discutez, et priorisez. »"
L'Entrevue L'outil affiche une performance remarquable à 7 jours (PR-AUC de 0,809) et actualise ses données toutes les 12 heures. Comment avez-vous garanti la fiabilité de ces données (issues des SitReps ou de la mobilité) pour alimenter un modèle aussi dynamique ?
Franklin Mwamba La fiabilité repose d’abord sur l’usage de sources ouvertes et harmonisées, notamment l’écosystème INRB-UMIE / SitReps INSP, ainsi que des matrices de mobilité et des données PoE disponibles à l’échelle des zones de santé.
Ensuite, le modèle a été évalué de façon stricte dans le temps (évaluation walk-forward), afin d’éviter de « tricher » avec des informations du futur. Les performances rapportées (environ 0,97 en AUC-ROC et 0,809 en PR-AUC à 7 jours) correspondent à cette évaluation sur données de test.
Enfin, le dashboard se met à jour automatiquement toutes les 12 heures : récupération des derniers SitReps, reconstruction de l’incidence récente, inférence du modèle, puis publication du nouveau snapshot. Cela permet de garder l’outil dynamique, tout en restant transparent sur le fait qu’aucune donnée de terrain n’est parfaite et que le modèle doit être relu avec un regard épidémiologique.
L'Entrevue Vous précisez que ce dashboard est une "couche analytique complémentaire" aux systèmes existants et ne remplace pas les autorités sanitaires. Concrètement, comment un acteur de santé publique ou un épidémiologiste sur le terrain peut-il utiliser votre dashboard au quotidien pour cibler les zones prioritaires ?
Franklin Mwamba Un acteur de santé publique peut l’utiliser comme une couche de priorisation. Concrètement :
Visualiser la carte du risque à 7 jours ;
Identifier les zones non encore touchées mais à haute priorité ;
Croiser le risque avec la vulnérabilité pour obtenir un score de priorité (risque × vulnérabilité) ;
Suivre particulièrement les PoE et les corridors frontaliers ;
Orienter là où renforcer la surveillance, le dépistage ou le pré-positionnement.
L’outil ne dit pas « déployez immédiatement ici » à la place des autorités. Il dit plutôt : « Voici les zones où le signal de risque est le plus fort ; vérifiez, discutez, et priorisez. » C’est une aide à la décision, complémentaire aux systèmes officiels.
"À plus long terme, nous envisageons aussi d’étendre l’approche à d’autres épidémies et, progressivement, à d’autres contextes d’Afrique centrale, dans un cadre de collaboration scientifique et institutionnelle solide."
L'Entrevue Issu de l'Université de Kinshasa et en lien avec l'écosystème de recherche local (INRB), quelles sont les prochaines étapes pour cet outil ? Envisagez-vous d'étendre ce modèle à d'autres épidémies ou de le déployer à l'échelle régionale dans d'autres pays d'Afrique centrale ?
Franklin Mwamba D’abord, renforcer l’usage opérationnel avec les acteurs locaux : validation terrain, meilleure explicabilité des alertes, et collaboration étroite avec les équipes de riposte pour mieux aligner l’outil sur les besoins du terrain.
Ensuite, améliorer le modèle : calibration dans le temps, seuils d’alerte adaptés aux contextes locaux, et intégration de nouvelles couches de données lorsqu’elles seront disponibles.
Troisièmement, mieux prendre en compte l’engagement communautaire. Une alerte n’a de valeur que si elle est comprise, acceptée et relayée au niveau des communautés. Nous voulons donc travailler davantage avec les acteurs de terrain, les relais communautaires et les structures locales, afin que l’outil s’inscrive dans une riposte plus proche des populations.
À plus long terme, nous envisageons aussi d’étendre l’approche à d’autres épidémies et, progressivement, à d’autres contextes d’Afrique centrale, dans un cadre de collaboration scientifique et institutionnelle solide.
L'Entrevue Votre mot de la fin.
Franklin Mwamba L’intelligence artificielle ne remplacera jamais l’expertise des soignants, des épidémiologistes et des décideurs. Mais bien conçue, ancrée dans les données locales et mise au service du terrain, elle peut aider à gagner du temps. Or, dans une épidémie, le temps sauve des vies. Notre ambition est simple : contribuer, à une santé publique plus anticipative, plus précise et plus souveraine.
Commentaires