Une nouvelle modélisation informatique utilisant l’apprentissage automatique et les données de recherche et de géolocalisation provenant d’utilisateurs de Google s’est révélée plus précise pour identifier les restaurants potentiellement dangereux que le système traditionnel de traitement des plaintes et les inspections de routine.
L’étude* menée par des chercheurs de la Harvard T.H. Chan School of Public Health et par Google, dont les résultats ont été publiés le 6 novembre 2018 dans la revue Nature’s Digital Medicine, suggèrent que cette modélisation pourrait identifier les failles de sécurité alimentaire en temps réel.
Google vous conseille déjà dans vos choix de restaurants, mais uniquement pour le moment sur des critères culinaires. Il pourrait devenir prescripteur pour des raisons de santé publique. Pour le moment, la détection des sources potentielles de maladies d’origine alimentaire repose essentiellement sur le signalement de symptômes par les patients eux-mêmes et sur des contrôles de routine.
Aux États-Unis, mais aussi en France, l’apparition d’une maladie dépend de la plainte d’un grand nombre de patients ou de la réception de données sérologiques à partir de tests de laboratoire. Ces processus peuvent être lents et fastidieux, entraînant souvent une réponse tardive, permettant la propagation du virus. Pouvoir suivre les flambées et y réagir en temps réel pourrait sauver des vies.
Traquer les foyers de maladies grâce à Google et aux smartphones
Des chercheurs de l’école de santé publique d’Harvard en partenariat avec Google ont donc tenté de mettre au point un système plus réactif : un modèle de machine learning qui utilise des données de localisation et de recherche Google agrégées et anonymisées pour détecter les sources potentielles de maladie d’origine alimentaire en temps réel.
« Notre objectif principal était d’utiliser ce modèle pour identifier les restaurants présentant des violations du code de la santé publique potentiellement dangereuses qui pourraient contribuer à la propagation de maladies d’origine alimentaire, écrivent les auteurs de l’étude. Nous avons formulé l’hypothèse selon laquelle notre modèle serait en mesure d’identifier plus précisément un restaurant avec des violations du code de la santé graves que les systèmes actuellement en place. »
Le système informatique, appelé FINDER, calcule le nombre de personnes ayant visité un restaurant en particulier, puis recherche des termes indiquant une intoxication alimentaire (« crampes d’estomac » ou « diarrhée ») pour identifier les restaurants potentiellement dangereux. Le modèle utilise ensuite les données d’historique de localisation identifiées et agrégées provenant des smartphones. Grâce à ces informations, ils ont ensuite ciblé les inspections de restaurants dans deux villes, Chicago et Las Vegas. Les inspecteurs de la santé ne savaient pas si leur inspection était suscitée par ce nouveau modèle ou par les méthodes traditionnelles. Au cours de la période à l’étude, les départements de la santé ont en effet poursuivi leurs procédures d’inspection habituelles.
Les résultats de cette étude ont été publiées le 6 novembre 2018 dans la revue Digital Medicine.
Résultats
- A Chicago, la modélisation informatique FINDER a été déployée entre novembre 2016 et mars 2017 et a été à l’origine de 71 inspections.
- Le taux de restaurants qui ne respectaient pas la sécurité alimentaire était de 52,1%, contre 39,4% via le système d’inspections traditionnelles.
- Sur les 2 villes, FINDER a repéré 52,3% de restaurants dangereux contre 24,7% pour le système traditionnel.
- Les restaurants identifiés par FINDER sont 3 fois plus susceptibles d’être considérés dangereux lors de l’inspection que les restaurants identifiés par les méthodes existantes.
Le machine learning, plus précis et plus rapide
Le modèle basé sur le machine learning s’est donc révélé nettement plus performant que les méthodes usuelles basées sur les plaintes. Plus précis, FINDER a aussi été plus rapide. Ces résultats sont d’autant plus remarquables que Chicago possède l’un des programmes de surveillance les plus avancés du pays et utilise déjà des techniques d’extraction sur les réseaux sociaux.
En outre, la modélisation informatique a permis de mettre en évidence que dans 38% des cas, le restaurant causant une intoxication alimentaire n’était pas le dernier visité, ce qui peut expliquer une moindre précision des inspections sur plainte. Or, les malades ont tendance à incriminer le dernier restaurant visité. « Sur le plan clinique, les maladies d’origine alimentaire peuvent prendre jusqu’à 48 heures, voire plus, pour devenir symptomatiques après l’exposition », ont indiqué les auteurs.
Le système de machine learning n’a cependant pas vocation à supplanter les méthodes de surveillance sanitaire actuelles, mais à les compléter. Les chercheurs estiment que cela permettra de mieux hiérarchiser les inspections et d’effectuer des évaluations internes de la sécurité alimentaire.
Une nouvelle ère pour l’épidémiologie
« Dans cette étude, nous venons d’entrevoir ce qui est possible dans le domaine de l’épidémiologie via le machine learning, a déclaré Evgeniy Gabrilovich, responsable scientifique chez Google et co-auteur de l’étude. J’aime l’analogie avec le travail du Dr John Snow, le père de l’épidémiologie moderne, qui en 1854 a dû faire du porte à porte dans le centre de Londres, demandant aux gens d’où ils tiraient leur eau pour trouver la source d’une épidémie de choléra. Aujourd’hui, nous pouvons utiliser les données en ligne pour effectuer des observations épidémiologiques en temps quasi réel, avec le potentiel d’améliorer considérablement la santé publique de manière rapide et rentable. »
