Le mois dernier, malgré les conséquences tragiques de l'ouragan Sandy, une chose est devenue évidente: les modèles météorologiques puissants qui sont maintenant disponibles sont devenus de mieux en mieux pour aider les prévisionnistes à prévoir les prochaines tempêtes comme celle de Sandy.
Contenu connexe
- Pourquoi Google Flu Trends ne peut pas suivre la grippe (encore)
Cette technologie est plus utile que la simple prévision de tempête. Dans une étude publiée hier dans les Actes de la National Academy of Sciences, deux chercheurs ont exploité cette technologie pour prédire la propagation de la grippe. Grâce aux données en temps réel de Google Flu Trends, leurs modèles permettent de prévoir où, quand et à quel point les épidémies de grippe saisonnière se produiront dans le pays.
"Les résultats indiquent que les prévisions habiles en temps réel du pic de pointe peuvent être établies plus de sept semaines avant le pic réel", écrit Jeffrey Shaman, scientifique en environnement de l'Université de Columbia, et Alicia Karspeck du Centre national de recherche atmosphérique (National Center for Atmospheric Research), leur papier. «Ces travaux représentent une première étape dans la mise au point d’un système rigoureux sur le plan statistique pour la prévision en temps réel de la grippe saisonnière.» Si de tels espoirs se concrétisent, il pourrait s’agir d’un système d’alerte rapide contre la grippe («le taux de grippe dans votre région la semaine prochaine ») similaires à ceux des ouragans et autres phénomènes météorologiques violents.
La météo et la transmission de la grippe sont des exemples de systèmes non linéaires: ceux dans lesquels un léger changement des conditions de départ peut entraîner un changement énorme des résultats. Dans la construction de modèles météorologiques, les scientifiques examinent des données historiques sur la manière dont ces types de petits changements (une eau légèrement plus chaude dans les Caraïbes, par exemple) ont affecté les résultats (un ouragan beaucoup plus puissant lorsqu'il atteint les côtes de la côte est). En assimilant des années de données et en effectuant d'innombrables simulations, ils peuvent générer une prédiction raisonnablement précise pour les probabilités d'événements météorologiques hypothétiques se produisant dans une période d'environ une semaine.
Dans la nouvelle étude, les chercheurs ont utilisé les principes dérivés de ces modèles et les ont appliqués à la propagation de la grippe. Pour les entrées, outre les mesures atmosphériques de la température, de la pression et du vent, ils ont utilisé Google Flu Trends, un service fournissant des données en temps réel sur la transmission de la grippe dans le monde entier en examinant de près les termes de recherche saisis dans Google. Bien que toutes les personnes à la recherche de «grippe» ne soient pas nécessairement nécessairement grippées, des chercheurs de Google ont montré que les termes de recherche liés à la grippe peuvent être un indicateur exact des taux de transmission de la grippe dans le monde entier, si de nombreuses personnes dans une région donnée recherchent soudainement «grippe». «Il y a fort à parier que l'infection est arrivée en masse.
La grippe semble se comporter selon des principes probabilistes impliquant des conditions atmosphériques similaires aux conditions météorologiques. Les autres facteurs à prendre en compte sont notamment la densité de population d'une zone. En combinant des facteurs tels que l'humidité et la température avec les données de Google et les informations sur le taux de grippe réelle conservées par les hôpitaux, les chercheurs ont été en mesure de développer des modèles permettant d'évaluer approximativement le mode de transmission de la grippe au cours des années écoulées depuis que les autorités le suivent.
Pour tester leur modèle, les chercheurs ont évalué les données relatives à la grippe à New York entre 2003 et 2008. En saisissant des données sur la transmission de la grippe jusqu'à un moment donné et en demandant au modèle de fournir une prévision hebdomadaire du comportement de la grippe, ils ont pu des prévisions précises du moment où l’infection culminerait, parfois jusqu’à sept semaines à l’avance. De plus, comme avec les modèles météorologiques, le système peut distinguer plusieurs scénarios différents et fournir des estimations de la probabilité que chacun d'entre eux se produise.
Avec le développement continu et les données en temps réel telles que Google Flu Trends disponibles, ce type de technologie pourrait théoriquement être utilisé pour générer une prévision de la grippe pour les zones locales, même au niveau de l'état ou de la ville.
