Il avait été démontré en 2013 que les analyses des données de messagerie internet usant de mots clés relatifs aux symptômes, diagnostic et traitement de la grippe étaient capables de prédire des épidémies de grippe via Google Flu Trends Web Services. La nouvelle fit grand bruit et sa crédibilité lui valut les honneurs d’être signalée par la revue Nature.1 Dans le même esprit, des chercheurs (Sudha Ram, et al.) de l’université de l’Arizona ont mis au point un modèle destiné à prédire l’afflux aux urgences des patients en crise d’asthme.2 La matière première de leur modèle est faite de tweets comprenant des données personnelles de santé (mots clés tels que « inhaler », « wheezing » ou « asthma ») postés par les utilisateurs eux-mêmes (asthma related tweets) combinés à des données de dossiers médicaux et des analyses de l’air par capteurs placés autour d’un hôpital de la ville de Dallas. L’ensemble de ces données a été traité durant 3 mois par un algorithme afin de constituer un système de prédiction dévolu à prédire la fréquentation des urgences pour crise d’asthme. Les chercheurs affirment être parvenus à une performance de prédiction fiable à 75 % — rappelons que 50 % est la prédiction d’une pièce de monnaie jetée en l’air — pour indiquer si le
taux de fréquentation des urgences sera « bas, normal ou élevé » un jour donné. Ils ambitionnent d’appliquer leur système à une meilleure gestion des urgences par les hôpitaux et planchent désormais sur un modèle plus robuste implémenté sur une plus longue période et étendu à quelque 75 hôpitaux autour de Dallas. L’épidémiologie et la gestion hospitalière de papa vont-elles en prendre un coup ? L’avenir nous le dira, mais il est fort plausible que la santé publique peut nourrir des espoirs de fortes évolutions grâce au big data. C’est en tout cas le sens de cette recherche soutenue par le NIH (National Institute of Health) et qui est en cours de publication dans le Journal of Biomedical and Health 3
Article paru dans la revue de la SPLF Info Respiration du mois d’Août septembre 2015
- Nature 494, 155–156 (14 February 2013). ↩
- University of Arizona. How Twitter can help predict emergency room visits. ScienceDaily.15 April 2015. <www.sciencedaily.com/releases/2015/04/150415133308.htm ↩
- Ram S, Zhang W, Williams M, et al. PredictingAsthma-Related Emergency Department Visits Using Big Data JBHI-00573-2014.R1 EEE. J Biomed Health Inf (in press). ↩
