Développement d'un modèle prédictif pour la gestion des épidémies

Abstract

Les épidémies représentent un défi majeur pour les systèmes de santé publique à travers le monde, et la pandémie de COVID-19 a révélé les limites des méthodes traditionnelles de gestion et de prévision. Ce travail propose un modèle prédictif hybride combinant le modèle épidémiologique classique SEIR avec les réseaux de neurones LSTM pour améliorer la précision des prévisions quotidiennes de l’évolution des cas. Les modèles épidémiologiques traditionnels et les contributions de l’intelligence artificielle ont été étudiés, puis un prétraitement des données a été effectué à l’aide de la base de données de Johns Hopkins. Le modèle SEIR + LSTM a été développé et évalué à l’aide de métriques telles que MAE, RMSE, R2 et MAPE, démontrant des performances supérieures aux approches traditionnelles. Les résultats soulignent le potentiel de l’intelligence artificielle pour améliorer les prédictions épidémiologiques, ouvrant des perspectives prometteuses pour une gestion proactive des pandémies.