Transcription
Transcription : Conférence sur les données du GC 2023 : Détermination des centres de pandémie (régions sociosanitaires)
La prochaine présentation de ce travail a créé des données valables pour nous aider à identifier et prévoir les régions sanitaires qui sont à risque pour fort taux d'infection. Avant de commencer, j'aimerais reconnaître que ce travail a été en coopération avec la division de la science de données Denise Chen, Bilan Gill and Zachary Zanussi.
Le principal objectif de notre projet était d'identifier et de prévoir comment leur rôle d'être dépassé par les infections à tous les niveaux socio sanitaires. Les régions de la santé sont utilisées par le gouvernement provincial pour administrer et offrir des soins de santé publique à tous les citoyens canadiens.
Nous l'avons effectué en créant des modèles sociaux temporels pour prévoir les niveaux d'infection. Les données étaient la proportion canadiens avec des maladies chroniques, proportion ayant accès à des fournisseurs de soins de la santé, types d'établissements de la santé.
Nous avions aussi des indicateurs socioéconomiques, PIB, densité de population données sur la COVID-19, nombre cumulatif de cas, nombre de nouveaux cas, nombre de décès au niveau des régions socio-sanitaires et données sur la mobilité de Google et Apple, les changements dans la base de référence en fonction des différentes catégories et modes de niveau provincial, territorial, population, moyens de transport et ça a été fourni au niveau municipal, provincial, territorial. Nous avons obtenu cette donnée et inséré dans une base de données accessible pour toute l'équipe. Parlons un peu de notre architecture, remarquons que ce projet a été développé pendant la première vague, il n'y avait pas beaucoup de données disponibles à ce moment-là.
C'est un grand défi, Il nous fallait obtenir autant que possible pour pouvoir faire le modelage. Nous avons développé une architecture avec des données dynamiques in vivo qui pouvaient être partagées. Alors c'est l'approche collaborative, cela nous a permis finalement d'obtenir les données en temps réel d'essais parce qu'on n'a jamais appris finalement au système à faire les prévisions sur le long-terme, sur deux ou trois jours. Par exemple à gauche, on voit donc que la région de Montréal où il y a un écart de quinze ou vingt cas et ça monte à quatre-vingt vers la fin de la période.
À la prochaine diapositive, on voit donc la même chose mais pour l'Ontario. On voit ce que le modèle prévoit et le taux, le nombre de décès réels. Alors comme vous voyez, le modèle peut calculer les résultats de façon assez exacte. Alors si on passe aux conclusions maintenant.
En conclusion, nous avons élaboré un cadre général pour déterminer et prédire les régions sanitaires vulnérables à haut risque pendant la propagation de la COVID-19 et les modèles de classification par régression et supervisé d'apprentissage profond de séries chronologiques qui nous permet de prédire le risque local à court terme.
Donc d'un jour, sur la base des cas ou des décès cumulés au niveau des régions socio sanitaires, l'intervalle de prévisions et la fenêtre glissante peuvent être ajustées en fonction des données fournies par les experts. Alors ces approches peuvent être ajustées en fonction de la demande, donc de certains facteurs.
La région géographique, on peut avoir des données beaucoup plus granulaires et on peut donc tenir compte des informations fournies par les experts. Nous avons donc élaboré un système binaire haut versus faible, mais nous avons un système qui peut être modifié en fonction des informations qu'on obtient. Alors, il y a d'autres facteurs, les variables cibles peuvent changer les paramètres et l'architecture.
