Innovations dans la surveillance de la santé publique : un aperçu de l’utilisation novatrice des données

Résumé

Les sources de données et les méthodes innovantes pour la surveillance de la santé publique ont évolué rapidement au cours des dix dernières années. Dans ce contexte, il semble qu'il est nécessaire de procéder à un examen plus approfondi de la maturité scientifique, de la faisabilité et de l'utilité de l'utilisation des données et des méthodes dans des situations réelles. Cet article donne un aperçu des innovations récentes en matière de surveillance de la santé publique, notamment les données provenant des médias sociaux, des moteurs de recherche sur Internet, de l'Internet des objets, de la surveillance des eaux usées, de la surveillance participative, de l'intelligence artificielle (IA) et des prévisions immédiates.

Les exemples identifiés suggèrent que des sources de données et méthodes d'analyse innovantes peuvent renforcer les services de santé publique en améliorant les estimations pour les maladies, en favorisant l'alerte précoce en cas d'apparition de maladies et en produisant des informations supplémentaires ou plus opportunes pour des mesures de santé publique. Par exemple, la surveillance des eaux usées est redevenue un outil pratique pour la détection précoce de la maladie à coronavirus 2019 (COVID-19) et d'autres agents pathogènes, et l'IA est de plus en plus utilisée pour traiter de grandes quantités de données numériques. Les difficultés liées à la mise en œuvre de nouvelles méthodes sont notamment le manque de maturité scientifique, le peu d'exemples de mise en œuvre dans des contextes réels de santé publique, les risques liés à la protection de la vie privée et à la sécurité, et les implications en matière d'équité en santé. L'amélioration de la gouvernance des données, l'élaboration de politiques claires pour l'utilisation des technologies d'IA et le perfectionnement du personnel de santé publique sont les prochaines étapes importantes pour faire progresser l'utilisation de l'innovation dans le domaine de la santé publique.

Introduction

La surveillance de la santé publique (SSP) est la collecte, l'analyse et l'interprétation continues et systématiques de données, suivies de la diffusion d'informations, dans le but d'orienter les actions de prévention et de contrôle des maladies ou d'améliorer la santé de la population ^{Note de bas de page 1Note de bas de page 2Note de bas de page 3}. Traditionnellement, la SSP était réalisée à partir d'un nombre limité de sources de données provenant des systèmes d'information de santé publique, des soins de santé et des systèmes d'information de laboratoire, ainsi que d'enquêtes par questionnaire, dont le traitement, l'analyse et la diffusion nécessitent souvent des ressources et un temps considérables.

La numérisation des soins de santé et d'autres secteurs a réduit le délai, le coût et la charge associés à la réalisation de la SSP, et a permis d'explorer d'autres sources de données pour compléter les sources traditionnelles ^{Note de bas de page 4}. En outre, l'intelligence artificielle (IA) a connu des avancées majeures au cours de la dernière décennie. Les méthodologies fondées sur l'IA qui traitent efficacement de grandes quantités de données structurées et non structurées sont de plus en plus utilisées dans la SSP ^{Note de bas de page 5Note de bas de page 6Note de bas de page 7}.

Bon nombre de ces sources de données et de ces méthodes d'IA ont été utilisées pendant la pandémie de maladie à coronavirus 2019 (COVID-19), où il était crucial de disposer d'informations complètes et au moment opportun pour comprendre les risques pandémiques en constante évolution et y répondre ^{Note de bas de page 4}. Le développement rapide de ces méthodes de surveillance innovantes et l'utilisation de nouvelles sources de données suggèrent la nécessité d'examiner de plus près la maturité scientifique, ainsi que la faisabilité et l'utilité de leur utilisation dans des applications réelles ^{Note de bas de page 5Note de bas de page 6Note de bas de page 8}. L'objectif de cet article est de mettre en lumière des exemples d'application de méthodes innovantes à la SSP et de fournir aux autorités de santé publique des indications sur les avantages, les risques et les défis potentiels liés à l'utilisation de sources de données et de méthodes non traditionnelles dans le cadre de la SSP.

Cet article donne un aperçu des innovations en matière de données et de méthodes analytiques dans la SSP publiées au cours des cinq dernières années, y compris toute donnée probante sur leur application dans des situations réelles, les questions éthiques et les implications connues en matière d'équité en santé. Chaque innovation est décrite, y compris son niveau de maturité scientifique et, le cas échéant, les preuves de ses répercussions sur les pratiques de surveillance ou les actions de santé publique. La section des résultats commence par explorer les nouvelles sources de données qui ont été appliquées à la SSP, en mettant en évidence des exemples de leur application réussis pour fournir des informations opportunes, précises et fiables afin de soutenir l'action en matière de santé publique. Il se concentre ensuite sur les méthodes innovantes qui ont été élaborées pour analyser les données de surveillance, y compris le développement de l'IA pour soutenir l'intégration et l'analyse de sources de données importantes ou non traditionnelles et l'application de méthodes analytiques avancées pour améliorer la prévision immédiate des informations.

Méthodes

Approche

Cette vue d'ensemble définit le terme « surveillance innovante » comme l'utilisation de sources de données non traditionnelles ou de méthodes analytiques pour détecter et comprendre les événements et les déterminants de la santé. L'accent a été mis sur les sources de données et les méthodes d'analyse. Cette vue d'ensemble ne fournit pas de discussion détaillée sur d'autres composantes du processus de surveillance (e.g., les stratégies de diffusion ou d'évaluation).

On a identifié des thèmes pertinents pour être inclus dans cet article en effectuant des recherches dans PubMed, Embase, Global Health et Scopus au printemps 2023. Une stratégie de recherche détaillée, élaborée avec l'aide d'un bibliothécaire, a été limitée aux articles évalués par des pairs et publiés entre le 1^er janvier 2013 et le 23 février 2023, dans les pays membres de l'Organisation de coopération et de développement économiques (OCDE) et en Chine, en langue anglaise uniquement. La recherche manuelle a fourni des sources supplémentaires.

Les résultats de la recherche documentaire ont été examinés en fonction de leur pertinence par le biais de la recherche de titres et de résumés et ont été regroupés par thèmes. La sélection finale des articles dans chaque domaine a été limitée aux cinq dernières années (du 1^er janvier 2018 au 23 février 2023) afin de s'assurer que les articles reflètent mieux les innovations technologiques et méthodologiques actuelles. La recherche ayant donné lieu à un grand nombre d'articles sur les méthodes analytiques, l'équipe de recherche a décidé d'exclure certains domaines analytiques généraux (tels que les innovations en matière de biostatistique, de laboratoire ou de méthodes analytiques géospatiales) et de se concentrer sur les prévisions immédiates et l'IA, deux domaines qui ont été adoptés par la santé publique à partir d'autres disciplines.

Les auteurs ont concentré cet aperçu sur un sous-ensemble d'articles qui répondaient à la définition de « surveillance innovante », discutaient des mesures prises pour évaluer ou valider la méthode ou les sources de données, décrivaient des améliorations potentielles ou réelles du système de SSP et, dans la mesure du possible, montraient une application à la pratique de la santé publique dans le monde réel.

Résultats

Nouvelles sources de données et leurs applications

Aperçu des nouvelles sources de données

L'essor des technologies numériques a mis à disposition de nouvelles sources de données pour la surveillance des maladies. Les sources de données numériques couramment utilisées comprennent les médias sociaux et les données de recherche agrégées, dont les premières applications de surveillance datent du début des années 2000, ainsi que les méthodes de surveillance participative, telles que les enquêtes transversales répétées en ligne et l'externalisation ouverte de photos ou de soumissions d'échantillons ^{Note de bas de page 9}. Plus récemment, on explore les applications de SSP d'autres technologies numériques, comme les données de mobilité et l'Internet des objets (IDO), qui comprend des dispositifs portables et d'autres objets physiques qui se connectent et échangent des données par l'Internet ^{Note de bas de page 8}. Les sources de données numériques sont susceptibles de fournir des informations plus opportunes et d'englober des populations qui n'ont pas forcément recours aux soins de santé; bien qu'elles puissent être utilisées comme source d'information indépendante, elles sont généralement considérées comme complémentaires des données de surveillance traditionnelles ^{Note de bas de page 9}.

Médias sociaux et données de recherche sur le Web

Les données issues des médias sociaux (e.g., Twitter/X) et des recherches sur Internet (e.g., Google Trends) ont été utilisées pour soutenir la surveillance des maladies en tant que source de données pour les prévisions immédiates, la connaissance de la situation et la détection des éclosions ^{Note de bas de page 9}. Une revue systématique récente portant sur la surveillance des maladies transmissibles a noté que la majorité des études incluses utilisaient des données de Twitter/X, et que les études utilisant des données de Twitter/X présentaient une fiabilité et une validité globales plus élevées que les études utilisant des données provenant d'autres plateformes de médias sociaux ^{Note de bas de page 10}. La revue a également noté que la majorité des études portaient sur la surveillance de la grippe et que des recherches supplémentaires étaient nécessaires pour évaluer l'efficacité des médias sociaux pour d'autres maladies ^{Note de bas de page 10}. Parmi les autres exemples d'utilisation des médias sociaux ou des données de recherche sur le Web, on peut citer les analyses rétrospectives visant à évaluer le potentiel de ces sources pour prédire les cas d'infection transmissible sexuellement et par le sang (ITSS) ^{Note de bas de page 11}, la hiérarchisation des inspections de restaurants sur la base des informations relatives aux éclosions d'origine alimentaire ^{Note de bas de page 12}, les estimations de l'utilisation des médicaments ^{Note de bas de page 13} et les systèmes d'alerte précoce pour les blessures aux poumons liées à la cigarette électronique/au vapotage ^{Note de bas de page 14} et les épidémies de COVID-19 ^{Note de bas de page 15}.

L'un des défis liés à l'utilisation des médias numériques est la nécessité de collecter et de traiter de grandes quantités d'informations, que ce soit par un contrôle manuel ou par l'automatisation ^{Note de bas de page 16}. Le Centre européen de prévention et de contrôle des maladies (ECDC) a lancé epitweetr, une bibliothèque logicielle basée sur R qui collecte, agrège, détecte et diffuse des informations pour la détection précoce des menaces pour la santé publique à l'aide de Twitter/X. Une évaluation de l'outil a montré qu'il était plus rapide que l'examen manuel ^{Note de bas de page 16}. Les méthodes utilisant l'IA telles que le traitement du langage naturel (TLN), décrites plus loin dans ce document, sont également de plus en plus utilisées pour traiter et analyser les sources d'information numériques.

Bien que l'utilité des médias sociaux et des données de recherche sur Internet pour la surveillance des maladies soit étudiée depuis près de vingt ans, la validité, la fiabilité et la stabilité de ces données continuent de poser des problèmes pour l'élaboration d'approches normalisées de l'utilisation de ces informations ^{Note de bas de page 9}. Par exemple, les modifications apportées aux algorithmes d'interrogation des moteurs de recherche, l'utilisation de différents styles de langage, les termes de recherche déroutants et les biais démographiques en matière d'utilisation des technologies numériques peuvent avoir des répercussions sur la qualité des informations provenant de ces sources pour la SSP ^{Note de bas de page 9Note de bas de page 17}. Un récent examen systématique de la portée a également noté que la plupart des études sur la surveillance numérique n'utilisaient pas leurs résultats pour des actions de santé publique et que des méthodes plus rigoureuses étaient nécessaires pour rendre ces informations opérationnelles pour la prise de décision en matière de santé publique ^{Note de bas de page 17}. Les plateformes de surveillance qui combinent les médias sociaux, les recherches sur le Web et les données sur les soins de santé peuvent améliorer la précision des résultats^{Note de bas de page 9Note de bas de page 18}.

Données de surveillance participative

La surveillance participative implique le recrutement et l'engagement volontaires de membres du public pour participer à des enquêtes répétées ou à d'autres méthodes d'externalisation ouverte ^{Note de bas de page 9}. Cette approche est parfois utilisée en complément de la surveillance traditionnelle des maladies, afin de recueillir des informations plus rapidement et de s'adresser à des populations qui n'ont pas forcément recours aux soins de santé pour des tests et des diagnostics ^{Note de bas de page 8}. Parmi les exemples, citons Flu Near You aux États-Unis, InfluenzaNet en Europe ^{Note de bas de page 9} et ActionGrippe au Canada ^{Note de bas de page 19}. Une surveillance communautaire utilisant des échantillons collectés par les intéressés a également été mise en place et a permis une évaluation rapide de la charge de morbidité de la grippe au niveau communautaire ^{Note de bas de page 20}. En outre, des études ont exploré la surveillance syndromique participative en utilisant les médias sociaux et les articles de journaux comme source d'information pendant la pandémie de COVID-19, qui pourrait être plus rapide et plus accessible que les rapports de cas officiels de la santé publique ^{Note de bas de page 21Note de bas de page 22}.

En dehors des pathogènes respiratoires, des études récentes suggèrent l'utilisation actuelle d'approches participatives pour soutenir la surveillance des vecteurs potentiels de maladies ou des maladies à transmission vectorielle. Par exemple, des plateformes telles que iNaturalist, eTick.ca et Mosquito Alert utilisent des photos collectées par la communauté pour identifier la distribution et les tendances saisonnières d'espèces spécifiques de tiques et de moustiques^{Note de bas de page 23Note de bas de page 24Note de bas de page 25Note de bas de page 26}, et des initiatives telles que tickMAP dans l'État de New York utilisent des spécimens de tiques soumis par la communauté pour suivre l'émergence d'agents pathogènes transmis par les tiques en temps quasi réel ^{Note de bas de page 27}.

La surveillance participative peut être appliquée de manière à permettre la participation de populations méritant l'équité et susceptibles d'être exclues des systèmes de surveillance traditionnels. Par exemple, dans une communauté rurale des Appalaches, la surveillance participative avec un outil d'autocontrôle des symptômes en ligne ou par téléphone a été utilisée pour identifier les personnes à risque qui, autrement, n'auraient peut-être pas cherché à se faire soigner, et pour les mettre en contact avec les ressources du service de santé local ^{Note de bas de page 28}. Toutefois, certaines populations sont moins susceptibles de participer à la surveillance participative, notamment les hommes, les jeunes et les personnes âgées ^{Note de bas de page 29}, ainsi que les personnes ayant un faible niveau de revenu et d'éducation ^{Note de bas de page 9}. Cela peut introduire des biais et des problèmes potentiels d'équité en matière de santé, en particulier si les groupes les plus susceptibles de souffrir de maladies sont exclus.

Nouvelles sources de données numériques

L'utilisation de sources de données numériques, telles que les technologies mobiles, l'IDO et les objets portables, représente des domaines émergents à explorer davantage. Par exemple, les données sur la mobilité ont été utilisées pour étudier les répercussions de la COVID-19 et de la politique gouvernementale sur les modes de déplacement. On a également constaté des inégalités en matière de santé, car les populations socialement défavorisées n'étant souvent pas en mesure de bénéficier des décrets ordonnant de rester à domicile ^{Note de bas de page 30Note de bas de page 31}.

Les dispositifs portables, tels que les montres intelligentes, ont été utilisés pour collecter des données individuelles sur des variables liées à l'infection virale, telles que la fréquence cardiaque au repos, le sommeil et la mobilité ^{Note de bas de page 32Note de bas de page 33}. À titre d'exemple, une étude a montré que les technologies portables peuvent améliorer la prévision des taux de syndrome grippal aux États-Unis ^{Note de bas de page 33}. Diverses applications de l'IDO ont vu le jour ces dernières années. Dans une étude, les chercheurs ont placé des capteurs thermiques et des microphones dans les salles d'attente des hôpitaux pour surveiller la toux, ce qui a ensuite été utilisé pour soutenir la surveillance des maladies infectieuses ^{Note de bas de page 34}.

Les nouvelles sources de données numériques issues de la mobilité, des objets personnels connectés et de l'IDO représentent un domaine émergent qui nécessite une évaluation plus poussée ^{Note de bas de page 8Note de bas de page 32}, y compris une prise en compte minutieuse de la vie privée et des préoccupations éthiques ^{Note de bas de page 35}. Comme d'autres sources de données numériques, ces sources impliquent des populations autosélectionnées et excluent les groupes qui n'ont pas accès aux technologies numériques. La propriété des données et le droit de les partager et de les utiliser à des fins secondaires peuvent varier entre le secteur public (e.g., le gouvernement), le secteur privé (e.g., Twitter/X) et les institutions géopolitiques^{Note de bas de page 9Note de bas de page 25} La nécessité de moderniser les infrastructures et d'investir pour soutenir l'intégration et l'analyse des informations générées par les nouvelles technologies peut également constituer un obstacle important ^{Note de bas de page 8Note de bas de page 36}.

Eaux usées

La surveillance des eaux usées (SEU) est devenue une source de données qui soutient désormais la surveillance mondiale des maladies infectieuses d'une manière indépendante du comportement de recherche de santé et de l'accès au système de soins de santé^{Note de bas de page 37Note de bas de page 38}. Associée à des données sociodémographiques sur de petites zones, la SEU a le potentiel de prévenir et de confirmer les tendances cliniques, de remédier aux inégalités en matière de santé, de combler les lacunes en matière de rapports dues à l'abandon des tests cliniques et de fournir une surveillance sentinelle ciblée des communautés présentant des profils de risque plus élevé pour des agents pathogènes spécifiques ^{Note de bas de page 38Note de bas de page 39Note de bas de page 40Note de bas de page 41Note de bas de page 42}. Le déluge de données de SEU pendant la pandémie de COVID-19 a conduit à de nouvelles méthodes d'analyse pour aider à informer l'action de santé publique. Il s'agit notamment d'algorithmes sophistiqués d'apprentissage automatique qui ont été appliqués pour estimer les débits d'eaux usées afin de permettre la normalisation des données ^{Note de bas de page 43}, et de l'application de méthodes statistiques simples qui ont ensuite été testées pour identifier les signaux d'alerte précoce d'une manière conviviale ^{Note de bas de page 44Note de bas de page 45}. Les nouvelles méthodes mises au point pour la SEU pendant la pandémie ont été validées en comparant les signaux des eaux usées aux données des cas cliniques et aux données syndromiques des maladies de type COVID ^{Note de bas de page 38Note de bas de page 40Note de bas de page 41Note de bas de page 45Note de bas de page 46}. Les innovations en matière de SEU ont également bénéficié d'autres nouveaux liens entre les données. Dans une étude récente menée en Islande, les signaux des eaux usées ont été comparés aux dossiers de conduite sous influence pour aider à distinguer les tendances de la consommation de drogues récréatives de l'augmentation des dépendances aux drogues, ces dernières pouvant nécessiter une action de santé publique renforcée ^{Note de bas de page 47}.

La SEU pour la COVID-19, d'autres agents pathogènes infectieux et des substances illicites a permis d'identifier les limites de cette approche, notamment l'incapacité à distinguer les raisons de l'augmentation ou de la diminution des signaux, la dégradation de l'agent pathogène ou de la substance dans les eaux usées avant la réalisation des tests, le changement des dénominateurs de la population et les méthodes d'échantillonnage non normalisées ^{Note de bas de page 47Note de bas de page 48Note de bas de page 49}. La SEU est également limitée par les indicateurs épidémiologiques qu'il peut fournir (i.e., l'incidence et la prévalence) et la population qu'il peut surveiller (e.g., il n'inclut que les personnes se trouvant dans les égouts d'une installation de traitement des eaux usées) à partir des seules données de la SEU ^{Note de bas de page 45Note de bas de page 46Note de bas de page 47Note de bas de page 48Note de bas de page 49}.

Méthodes d'analyse innovantes

Intelligence artificielle

L'IA, qui comprend le TLN, l'apprentissage automatique et l'apprentissage profond, peut intégrer, traiter et interpréter de multiples sources d'information de manière plus efficace et plus cohérente que les humains ^{Note de bas de page 50}. L'augmentation récente de l'utilisation des technologies basées sur l'IA qui peuvent traiter des données textuelles non structurées a permis d'exploiter plus efficacement de nouvelles sources de données, y compris celles qui ont été examinées dans les sections précédentes ^{Note de bas de page 7}. L'IA a un potentiel énorme pour améliorer la SSP, car elle est capable de traiter de grandes quantités de données pour identifier les anomalies qui peuvent constituer une menace pour la santé publique ^{Note de bas de page 7}, mais il s'agit encore d'un domaine émergent qui nécessite davantage d'évaluations dans le monde réel. Certaines des innovations publiées sur l'utilisation de l'IA dans le cadre de la SSP sont encore le fruit de collaborations universitaires. L'une de ces études, réalisée par l'école de médecine de Yale a utilisé le TLN, qui applique des méthodes d'IA à l'interprétation du langage humain, pour assurer un suivi en temps réel de la santé de la population en identifiant les symptômes mentionnés sur les plateformes de médias sociaux ^{Note de bas de page 51}.

L'apprentissage automatique identifie des modèles complexes dans les données à des fins de classification et de prédiction ^{Note de bas de page 50}. À New York City (NYC), l'apprentissage automatique, associé au TLN, a été testé pour améliorer la « surveillance pré-syndromique », qui vise à identifier les menaces rares ou inédites pour la santé à partir d'informations cliniques ^{Note de bas de page 52}. Dans cette étude, l'analyse sémantique multidimensionnelle (MUSES) est une méthode basée sur l'apprentissage automatique et le TLN qui a été conçu pour améliorer la détection précoce des maladies en éliminant le besoin de définitions de cas prédéfinies et en regroupant automatiquement les informations par petites zones géographiques ou démographiques. MUSES a été appliqué à des données historiques de plaintes en texte libre provenant des services d'urgence de la ville de New York et a permis d'identifier davantage d'événements présentant un intérêt pour la santé publique et un taux de faux positifs plus faible que les approches actuellement utilisées par le département de la santé et de l'hygiène mentale de la ville de New York ^{Note de bas de page 52}. La SSP basée sur le TLN a également été testée pour améliorer la rapidité de la déclaration de la mortalité par surdose en éliminant le besoin de codage manuel des certificats de décès en texte libre ^{Note de bas de page 53}. Les exemples ci-dessus montrent le potentiel de l'IA dans la SSP, mais le nombre de méthodes d'IA mises en œuvre dans la SSP n'est pas clair. Une application concrète du Department of Veterans Affairs aux États-Unis a permis d'adapter avec succès une méthode de SSP basée sur le TLN au début de la pandémie de COVID-19 pour surveiller les antécédents de voyage dans les dossiers cliniques en vue d'un suivi de santé publique ^{Note de bas de page 54}.

L'apprentissage en profondeur est un type spécialisé d'apprentissage automatique qui incorpore des réseaux neuronaux sophistiqués prenant en charge la classification à partir de grandes quantités de texte et conçus pour fonctionner d'une manière semblable au cerveau humain. Elle est de plus en plus utilisée pour soutenir la surveillance des maladies ^{Note de bas de page 7Note de bas de page 55}. Les Centres pour le contrôle et la prévention des maladies (CDC) ont testé des réseaux neuronaux et ont constaté que l'apprentissage profond peut interpréter les dossiers médicaux pour prédire avec précision la plainte principale, et potentiellement améliorer la rapidité et la précision des informations disponibles pour la surveillance syndromique ^{Note de bas de page 56}. L'apprentissage profond a également été appliqué aux systèmes de surveillance basés sur l'Internet pour soutenir l'alerte précoce, la connaissance de la situation et la prévision immédiate des maladies infectieuses. Par exemple, Sentinel, un système de surveillance américain, utilise l'apprentissage profond pour identifier et classer les messages des médias sociaux liés à la santé, les médias d'information et les données des CDC afin de détecter d'éventuelles éclosions et de fournir une connaissance de la situation ^{Note de bas de page 55}.

L'utilisation de l'IA pour soutenir la SSP est un domaine nouveau et émergent dont la mise en œuvre dans les systèmes de santé publique existants doit encore faire l'objet d'une évaluation. Les algorithmes et les modèles d'apprentissage automatique construits à partir d'ensembles de données inexacts, incomplets ou non représentatifs peuvent à la fois limiter la précision des méthodes basées sur l'IA et biaiser les résultats en fonction de la race, du sexe ou d'autres caractéristiques ^{Note de bas de page 50Note de bas de page 57}. Il est important de veiller à la transparence de la construction des modèles d'IA afin que les résultats soient explicables, et que les personnes qui interprètent les résultats des analyses d'IA soient suffisamment qualifiées en matière de SSP et puissent faire preuve d'un jugement approprié. Il est également important que les professionnels de la santé publique comprennent les méthodes d'IA, leurs applications et leurs risques avant de les appliquer à la pratique de la santé publique ^{Note de bas de page 57}.

Prévision immédiate

La prévision immédiate utilise des données de surveillance récentes pour modéliser la situation actuelle (e.g., le nombre de cas) lorsque les données en temps réel ne sont pas disponibles ^{Note de bas de page 58}. Dans une étude, la prévision immédiate utilisant une approche bayésienne a permis d'estimer avec précision les taux de COVID-19 afin d'informer l'allocation des ressources dans la ville de New York, ce qui a permis de surmonter les retards entre le dépistage et la déclaration ^{Note de bas de page 59}. Les progrès de la prévision immédiate ont également été adoptés dans les systèmes de surveillance « Une seule santé » afin de combler les lacunes en matière de données et d'anticiper les épidémies de zoonoses. Par exemple, l'Institut norvégien de santé publique a appliqué avec succès les principes de prévision immédiate pour répondre à des épidémies de maladies gastro-intestinales en utilisant des données d'analyse de Campylobacter provenant d'élevages de volailles et des données météorologiques ^{Note de bas de page 60}. Si les prévisions immédiates peuvent être utiles pour estimer la situation actuelle lors d'urgences de santé publique à évolution rapide, elles sont limitées par la qualité des données et la clarté des interprétations fournies aux décideurs ^{Note de bas de page 59Note de bas de page 61}.

Discussion

Cette étude a exploré les innovations en matière de SSP au cours de la dernière décennie et, dans la mesure du possible, a décrit des exemples de leurs applications aux programmes de SSP. Parmi les exemples d'utilisation de ces nouvelles sources pour soutenir la SSP, on peut citer la fourniture d'informations nouvelles qui améliorent l'estimation des maladies, la promotion de l'alerte précoce et l'identification des menaces potentielles pour la santé, et la production de nouvelles informations pour l'action de santé publique.

Malgré ces possibilités, l'intégration des innovations en matière de SSP dans la pratique se heurte à des difficultés considérables. Au fur et à mesure que de nouvelles sources de données et de nouvelles méthodes sont ajoutées à la boîte à outils du SSP, leurs risques et leurs avantages doivent être pris en compte dans le but d'améliorer la santé globale de la population. La plupart des domaines explorés dans cet article manquent de maturité scientifique et, dans de nombreux cas, sont si nouveaux qu'il n'existe pas encore de méthodes normalisées et de bonnes pratiques permettant de faire progresser ces domaines de manière fiable et responsable ^{Note de bas de page 49Note de bas de page 50Note de bas de page 57}. Bon nombre des nouvelles méthodes identifiées dans le présent document ont été testées dans des environnements universitaires sans stratégie claire de mise en œuvre dans la vie réelle^{Note de bas de page 51Note de bas de page 55}. Ces interventions doivent faire l'objet d'évaluations plus poussées dans des contextes réels, afin de déterminer leur utilité pour l'amélioration de la SSP et leurs implications pour l'action de santé publique. Ces évaluations pourraient être utilisées pour élaborer et diffuser des orientations et des approches normalisées afin d'aider les organismes de santé publique à mettre en œuvre de nouvelles méthodes.

L'utilisation des technologies numériques et de l'IA dans la SSP pose également des défis en matière de confidentialité et de sécurité, de gouvernance des données et de considérations éthiques. Par exemple, il est nécessaire de trouver un équilibre entre les avantages de disposer de grandes quantités d'informations granulaires à des fins d'analyse et la nécessité de veiller à ce que les personnes ne puissent pas être (ré)identifiées. Cela est particulièrement vrai pour les méthodes d'IA, étant donné la grande quantité d'informations qui est généralement nécessaire pour former le modèle ^{Note de bas de page 54Note de bas de page 57Note de bas de page 62Note de bas de page 63}. Dans le cas des données numériques, qui peuvent être accessibles au public, mais dont l'utilisation à des fins de surveillance n'a pas été autorisée, il n'est pas clair comment/si le consentement éclairé peut ou doit être obtenu. Il convient de veiller tout particulièrement à ce que les données soient rendues anonymes et à ce que les informations confidentielles ne soient pas révélées ^{Note de bas de page 63}. La protection des données numériques et la transparence sur la manière dont les données sont acquises, stockées et utilisées sont essentielles pour maintenir la confiance du public et assurer la durabilité de ces systèmes ^{Note de bas de page 57Note de bas de page 64}, et des progrès vers la gouvernance des données numériques sont donc nécessaires pour rendre ces sources de données pleinement opérationnelles. Des cadres éthiques pour l'utilisation de l'IA et des données des médias sociaux dans la recherche ^{Note de bas de page 63}, et des lignes directrices pour l'utilisation de l'IA de manière plus générale ^{Note de bas de page 65Note de bas de page 66Note de bas de page 67} ont été élaborés pour soutenir une conduite responsable et la protection des personnes auprès desquelles des données sont collectées.

L'équité en matière de santé est un élément important à prendre en compte lors de la mise en œuvre de nouvelles méthodes de surveillance. Cette vue d'ensemble a permis d'identifier plusieurs exemples d'approches qui pourraient être utilisées pour soutenir l'équité en matière de santé, car elles incluent des populations qui peuvent être oubliées dans la surveillance traditionnelle. Cependant, un article de synthèse récent a noté qu'il n'y avait pas d'études spécifiquement axées sur les populations vulnérables dans l'utilisation de la surveillance numérique de la santé publique, et qu'un travail important est donc nécessaire pour explorer les implications de son utilisation sur l'équité en matière de santé ^{Note de bas de page 17}. En outre, des travaux plus importants sont nécessaires pour explorer, identifier et traiter les biais dans les algorithmes d'IA et dans les données utilisées pour former les algorithmes d'IA, afin de s'assurer que ces méthodes ne perpétuent pas des résultats nuisibles en conséquence d'entrées biaisées ^{Note de bas de page 57}.

Limites

Il convient de noter les limites de cette vue d'ensemble. Cet article avait pour but de donner un aperçu des innovations récentes en matière de SSP et d'explorer des exemples d'application dans le monde réel. Il ne s'agit donc pas d'une liste exhaustive et il ne peut fournir une évaluation détaillée de l'efficacité de ces innovations. L'article se concentre uniquement sur la littérature évaluée par les pairs et peut donc avoir omis des articles provenant de milieux de santé publique appliqués et publiés sous forme de littérature grise. L'utilisation de la littérature évaluée par les pairs peut également avoir produit un biais de publication positif, les études faisant état de résultats négatifs ou de conséquences involontaires étant potentiellement sous-représentées. Il s'agit d'une considération importante étant donné que les sources de données non traditionnelles peuvent également être une source de désinformation en matière de santé publique ^{Note de bas de page 68} et qu'elles doivent donc faire l'objet d'un examen et d'une évaluation minutieux avant d'être utilisées.

Conclusion

Les nouvelles données et méthodes de SSP ont le potentiel d'améliorer la quantité, la précision, l'exhaustivité, l'actualité et l'accessibilité des informations disponibles pour les interventions de santé publique; cependant, la base de données probantes pour soutenir leur utilité dans le monde réel, par opposition aux milieux universitaires, semble faire défaut. D'importants obstacles empêchent la mise en œuvre de nouvelles données et méthodes dans la SSP, qu'il s'agisse de l'équité en matière de santé, de la protection de la vie privée, des préoccupations éthiques, de la formation ou de la disponibilité des données et des technologies. L'amélioration des mécanismes de gouvernance des données, l'élaboration de politiques claires pour l'utilisation éthique des technologies de l'IA dans la SSP et la formation du personnel de santé publique à l'utilisation responsable des technologies innovantes sont les prochaines étapes importantes vers une plus grande utilisation des nouvelles méthodes et sources de données.

Déclaration des auteurs

• H. R. — Analyse formelle, analyse des données, rédaction–version originale, révision et édition
• S. S. — Analyse formelle, analyse des données, rédaction–version originale, révision et édition
• C. Z. — Analyse formelle, analyse des données, rédaction–version originale
• L. F. — Direction scientifique, supervision, rédaction–révision
• D. P. — Direction scientifique, supervision, rédaction–révision
• D. B. — Direction scientifique, supervision, rédaction–révision

H. R. et S. S. ont contribué à parts égales et sont considérés comme des co-auteurs principaux. Tous les auteurs ont lu et approuvé le manuscrit définitif.

Intérêts concurrents

Aucun.

Remerciements

Nous remercions nos collègues du Laboratoire national de microbiologie et du Réseau mondial d'information en santé publique de l'Agence de la santé publique du Canada pour leur examen du sujet. Nous remercions également la bibliothèque de la santé du Réseau des bibliothèques scientifiques fédérales pour l'aide qu'elle nous a apportée dans notre recherche documentaire.

Financement

Ce travail a été soutenu par l'Agence de la santé publique du Canada.