Tag:

Mathématiques et informatique

Déterminants climatiques et de gouvernance de la transmission du paludisme dans l’État de Rivers, Nigeria

by Sophie Martin January 17, 2026

written by Sophie Martin

Publié le 2024-02-29 10:32:00. Plusieurs études récentes mettent en évidence le rôle crucial des facteurs environnementaux, notamment les conditions météorologiques, dans la propagation du paludisme, en particulier au Nigeria et dans d’autres régions d’Afrique. Ces recherches soulignent la nécessité d’intégrer ces données dans les stratégies de prévention et de lutte contre cette maladie.

Des variations climatiques, telles que les précipitations et la température, influencent significativement la dynamique de transmission du paludisme.
L’analyse spatio-temporelle de l’incidence du paludisme révèle des schémas complexes liés à l’environnement et aux facteurs démographiques.
La modélisation statistique permet d’anticiper les risques et d’optimiser les interventions de santé publique.

Le paludisme reste un problème de santé publique majeur, en particulier en Afrique subsaharienne. Comprendre les facteurs qui influencent sa transmission est essentiel pour mettre en œuvre des stratégies de contrôle efficaces. Plusieurs études, menées au Nigeria et dans d’autres pays africains, ont examiné l’impact des conditions météorologiques sur la propagation de la maladie.

Une étude publiée en 2020 par l’Organisation Mondiale de la Santé (OMS) dans son Rapport mondial sur le paludisme souligne l’importance d’une approche globale pour lutter contre le paludisme, incluant la surveillance des facteurs environnementaux. Des recherches plus spécifiques, comme celles menées par Egbom et al. (2017, 2021, 2022) dans l’État de Rivers au Nigeria, ont démontré une corrélation entre la prévalence du paludisme et des variables démographiques, ainsi que l’utilité de la cartographie de la maladie à l’aide de systèmes d’information géographique (SIG). Ces études ont notamment mis en évidence l’importance de l’analyse spatio-temporelle pour identifier les zones à risque et cibler les interventions.

Plusieurs travaux se concentrent sur l’influence directe des conditions météorologiques. Oguntade et al. (2020) ont ainsi modélisé les effets des facteurs météorologiques sur l’apparition du paludisme à Abuja, au Nigeria. De même, des études menées en Tanzanie (Mboera et al., 2010) et en Côte d’Ivoire (Raso et al., 2012) ont utilisé des modèles géostatistiques bayésiens pour cartographier le risque de paludisme chez les enfants, en tenant compte des variables climatiques. Abiodun et al. (2016) ont également étudié l’impact de la température et des précipitations sur la dynamique des populations d’Anopheles arabiensis, un vecteur important du paludisme.

Les recherches ne se limitent pas au Nigeria. Sena et al. (2015) ont établi une corrélation entre la variabilité climatique et le paludisme dans le sud-ouest de l’Éthiopie, tandis que Chirebvu et al. (2016) ont analysé les tendances cliniques de la transmission du paludisme au Botswana en relation avec les variables climatiques. Des études plus récentes, comme celle de Lubinda et al. (2021), examinent les impacts à court terme du changement climatique sur la transmission du paludisme au niveau infranationnal.

La modélisation statistique joue un rôle clé dans la prédiction et la prévention du paludisme. Des chercheurs comme Bartholomew et al. (2018, 2023) ont utilisé des modèles vectoriels autorégressifs et des analyses d’intervention pour étudier l’influence des facteurs météorologiques et des interventions de santé publique sur la propagation de la maladie. Des approches plus sophistiquées, telles que les modèles de données de comptage et les modèles à gonflement nul, sont également utilisées pour tenir compte de la complexité des données épidémiologiques (Vandendijck et al., 2014; Yau & Lee, 2001; Efron, 1986).

En conclusion, les études présentées convergent vers la nécessité d’une surveillance étroite des facteurs environnementaux et climatiques pour mieux comprendre et contrôler la transmission du paludisme. L’intégration de ces données dans les stratégies de santé publique, combinée à des approches de modélisation statistique avancées, pourrait permettre d’anticiper les épidémies et de cibler efficacement les interventions de prévention et de lutte contre cette maladie.

January 17, 2026 0 comments

Santé

Les radiomiques IRM artisanales des espaces périvasculaires élargis et l’apprentissage automatique prédisent les troubles cognitifs et les troubles du sommeil chez les jeunes adultes

by Sophie Martin January 13, 2026

written by Sophie Martin

Publié le 2024-05-03 14:35:00. Des recherches récentes mettent en évidence un lien croissant entre la qualité du sommeil, les espaces périvasculaires cérébraux et le risque de troubles cognitifs, ouvrant de nouvelles pistes pour la prévention et le diagnostic précoce de la démence.

Une mauvaise qualité du sommeil est associée à une augmentation des espaces périvasculaires dans le cerveau, des zones qui peuvent indiquer des lésions des petits vaisseaux sanguins.
L’apprentissage automatique (machine learning) offre des outils prometteurs pour identifier et quantifier ces marqueurs de risque, améliorant ainsi la précision des diagnostics.
Plusieurs études confirment que ces changements vasculaires cérébraux peuvent précéder l’apparition des symptômes cliniques de la démence.

Le sommeil, longtemps considéré comme une période de repos passif, est désormais reconnu comme un processus actif essentiel à la santé du cerveau. Des études récentes, compilées et analysées par divers chercheurs, soulignent l’importance cruciale d’un sommeil de qualité pour maintenir une bonne santé cognitive et prévenir les maladies neurodégénératives. Les espaces périvasculaires, des cavités autour des petits vaisseaux sanguins cérébraux, sont de plus en plus étudiés comme des indicateurs potentiels de ces risques.

Plusieurs travaux de recherche, dont ceux de Joshi, Woltering et Woodward (2023), ainsi que ceux de Liu et collègues (2019), ont démontré une corrélation entre l’utilisation excessive des téléphones portables et une détérioration de la qualité du sommeil, ainsi qu’une augmentation des troubles psychologiques chez les jeunes adultes. Ces perturbations du sommeil pourraient, à terme, avoir un impact sur la santé vasculaire cérébrale. Brautsch et ses collaborateurs (2023) ont d’ailleurs publié une revue systématique confirmant le lien entre l’utilisation des médias numériques, le sommeil et l’état de santé général.

Les espaces périvasculaires, dont l’étude a été approfondie par Wardlaw et collègues (2020), sont des zones qui peuvent s’élargir avec l’âge et en présence de facteurs de risque vasculaire tels que l’hypertension artérielle ou le diabète. Des recherches récentes, notamment celles de Ding et al. (2017) et Duering et collègues (2023), suggèrent que l’augmentation de ces espaces est associée à une progression de la maladie des petits vaisseaux cérébraux et à un risque accru de démence. Des études longitudinales, comme celle menée par Aribisala et al. (2023), ont confirmé cette association, soulignant l’importance de surveiller ces marqueurs chez les personnes âgées.

L’utilisation de l’apprentissage automatique (Greener et al., 2022) offre de nouvelles perspectives pour l’analyse des images cérébrales et la quantification précise des espaces périvasculaires. Des outils comme uRP (Wu et al., 2023) et les méthodes développées par Shi et collègues (2022) permettent d’identifier ces anomalies avec une plus grande fiabilité, facilitant ainsi le diagnostic précoce des troubles cognitifs. Cai et al. (2023) ont démontré l’efficacité de l’apprentissage automatique pour prédire la conversion syndromique en maladie d’Alzheimer.

Les mécanismes sous-jacents à cette relation entre le sommeil et les espaces périvasculaires restent à élucider. Cependant, des études suggèrent que le sommeil joue un rôle crucial dans le système glymphatique, un réseau de drainage cérébral qui élimine les déchets métaboliques, y compris les protéines associées à la maladie d’Alzheimer (Piantino et al., 2022). Une perturbation du sommeil pourrait donc entraver ce processus de nettoyage, favorisant l’accumulation de ces protéines et l’apparition de lésions vasculaires. Les travaux de Dredla et collègues (2023) explorent également ce lien complexe.

Des recherches plus approfondies sont nécessaires pour comprendre pleinement les implications de ces découvertes et développer des stratégies de prévention efficaces. Cependant, ces études soulignent l’importance d’adopter de bonnes habitudes de sommeil et de surveiller les facteurs de risque vasculaire pour préserver la santé cognitive à long terme. Des outils d’évaluation comme l’indice de gravité de l’insomnie (Morin et al., 2011) peuvent aider à identifier les personnes à risque.

Les chercheurs continuent d’explorer les liens complexes entre le sommeil, les espaces périvasculaires et la démence, en utilisant des techniques d’imagerie avancées et des algorithmes d’apprentissage automatique pour affiner les diagnostics et développer de nouvelles approches thérapeutiques.

January 13, 2026 0 comments

Santé

Prise en charge des cas de VIH à l’aide d’une approche de modélisation basée sur des agents soumise à une thérapie antirétrovirale et à un plan de traitement lié au mode de vie

by Sophie Martin December 26, 2025

written by Sophie Martin

Publié le 26 décembre 2025 à 18h16. La modélisation mathématique et l’intelligence artificielle (IA) s’avèrent des outils précieux pour mieux comprendre la dynamique du virus de l’immunodéficience humaine (VIH) et optimiser les stratégies de lutte contre l’épidémie, notamment en prévoyant l’émergence de résistances aux traitements.

Des études menées depuis les années 1990 ont permis de caractériser la dynamique du VIH in vivo, notamment les taux de clairance des virions et la durée de vie des cellules infectées.
La modélisation mathématique s’est avérée essentielle pour comprendre l’impact des thérapies antirétrovirales et prédire l’évolution du virus.
L’essor de l’IA offre de nouvelles perspectives pour analyser des données complexes et améliorer la personnalisation des traitements.

Depuis sa découverte, le VIH a fait l’objet de nombreuses recherches visant à comprendre son mode de propagation et à développer des traitements efficaces. Des travaux fondamentaux, publiés dès 1993 dans la revue Nature, ont démontré que le virus reste actif et progresse même pendant les phases cliniquement latentes de l’infection. Ces premières observations ont conduit à une meilleure compréhension de la nécessité d’une intervention précoce.

En 1996, une étude parue dans Science, menée par Perelson et al., a permis de quantifier la dynamique du VIH in vivo, en identifiant des paramètres clés tels que le taux de clairance des virions, la durée de vie des cellules infectées et le temps de génération virale. Ces données ont constitué une base solide pour le développement de modèles mathématiques plus sophistiqués. D’autres recherches, notamment celles de Rosenbloom et al. (2012) publiées dans Nature Medicine, ont confirmé que la dynamique des antirétroviraux influence directement l’évolution du VIH et les résultats thérapeutiques.

La modélisation mathématique a également permis d’étudier l’émergence de résistances aux médicaments. Rong et Perelson (2007), dans le Bulletin of Mathematical Biology, ont ainsi analysé les mécanismes de résistance du VIH-1 pendant les traitements antirétroviraux. Plus récemment, des chercheurs comme Ribeiro et Bonhoeffer (2008) ont approfondi ces travaux, soulignant l’importance de comprendre les facteurs favorisant l’apparition de mutants résistants.

Aujourd’hui, l’intelligence artificielle (IA) ouvre de nouvelles voies pour la recherche sur le VIH. Jin et Zhang (2025), dans Frontiers in Microbiology, soulignent les avancées et les perspectives futures de l’IA dans ce domaine. L’IA permet notamment d’analyser de vastes ensembles de données, d’identifier des biomarqueurs prédictifs et de personnaliser les traitements en fonction des caractéristiques individuelles des patients. Des approches basées sur des agents, comme celles décrites par Zhang et al. (2025) dans Technologies, permettent de simuler la propagation de l’épidémie et d’évaluer l’efficacité de différentes interventions.

Les modèles mathématiques et les simulations informatiques sont également utilisés pour étudier l’impact de différentes stratégies de prévention et de soins. Des études, comme celle de Nosyk et al. (2020) publiée dans The Lancet HIV, ont évalué le potentiel de l’élimination de la transmission du VIH aux États-Unis grâce à une combinaison de dépistage universel et de thérapie antirétrovirale immédiate. D’autres travaux, tels que ceux de Lukens et al. (2014) dans BMC Public Health, ont utilisé des simulations à grande échelle pour étudier la dynamique des épidémies de grippe et évaluer l’impact des interventions non pharmaceutiques.

La pharmacogénomique, l’étude de l’influence des gènes sur la réponse aux médicaments, représente également une piste prometteuse pour améliorer la prise en charge du VIH. Sadee et al. (2023) dans Pharmacological Reviews, soulignent le rôle de la pharmacogénomique dans la médecine personnalisée.

En conclusion, la combinaison de la modélisation mathématique, de l’intelligence artificielle et de la pharmacogénomique offre des perspectives encourageantes pour mieux comprendre le VIH, prédire son évolution et optimiser les stratégies de lutte contre l’épidémie. Ces outils permettent de passer d’une approche standardisée à une médecine plus personnalisée, adaptée aux besoins spécifiques de chaque patient.

Références :

December 26, 2025 0 comments

Technologie et science

Estimation par apprentissage profond du numéro atomique effectif pour l’étalonnage HU à RED dans le CT à comptage de photons à double énergie

by Thomas Caron December 23, 2025

written by Thomas Caron

Publié le 2025-12-23 22:02:00. Une nouvelle approche d’apprentissage profond améliore significativement la précision de l’estimation de la densité électronique relative en tomodensitométrie à double énergie, ouvrant la voie à des calculs de dose plus précis et à une meilleure différenciation des matériaux en imagerie médicale.

Un modèle d’apprentissage profond (DL) a réduit l’erreur absolue moyenne (MAE) pour l’estimation du numéro atomique effectif (EAN) à 0,08 %, surpassant les méthodes conventionnelles.
L’estimation de la densité électronique relative (RED) obtenue grâce à cette méthode DL affiche une MAE de 0,62 % et une linéarité accrue par rapport aux approches traditionnelles.
Cette avancée pourrait améliorer la précision des calculs de dose et la différenciation des tissus dans les applications cliniques futures.

Des chercheurs ont développé une nouvelle méthode basée sur l’apprentissage profond (DL) pour affiner l’estimation de la densité électronique relative (RED) en tomodensitométrie à double énergie (DECT). La DECT est une technique d’imagerie qui utilise deux niveaux d’énergie de rayons X pour identifier et quantifier les matériaux en fonction de leur composition atomique. L’amélioration de la précision de la RED est cruciale pour des applications telles que la planification de radiothérapie et la caractérisation des matériaux.

L’étude a utilisé un détecteur de comptage de photons de paillasse pour acquérir des images spectrales d’un fantôme équivalent à un tissu. Un réseau neuronal U-Net modifié a ensuite été entraîné sur des données synthétiques afin de prédire directement le numéro atomique effectif (EAN) des tissus. Ces EAN prédits ont été convertis en RED à l’aide d’un modèle basé sur des principes physiques. Les performances du modèle ont été évaluées sur huit matériaux différents, en comparant les résultats aux méthodes de Rutherford et stœchiométriques traditionnelles.

Les résultats démontrent une nette amélioration de la précision. Le modèle DL a atteint un MAE de 0,08 % pour l’EAN, comparativement à 1,59 % pour la méthode de Rutherford et 1,54 % pour l’approche stœchiométrique. Pour l’estimation de la RED, le modèle DL a obtenu un MAE de 0,62 %, avec des résidus très faibles (entre -0,01 et 0,02) par rapport aux valeurs théoriques. L’analyse d’étalonnage a révélé une linéarité élevée pour les courbes ΔHU-RED conventionnelles (R² ≈ 0,9995), mais la méthode basée sur DL a affiché une linéarité encore supérieure (R² = 0,9998).

Cette étude, menée sur un fantôme, suggère que l’approche DL améliore non seulement la précision de l’estimation de la RED, mais aussi la linéarité de la relation entre les unités Hounsfield (HU) et la RED. Cette amélioration de la linéarité pourrait faciliter la différenciation des matériaux et contribuer à des calculs de dose plus précis dans les futures applications cliniques de la DECT.

December 23, 2025 0 comments

Santé

Analyse d’images médicales basée sur l’IA pour le diagnostic et la prévention des blessures sportives

by Sophie Martin November 23, 2025

written by Sophie Martin

Publié le 2024-02-29 10:15:00. L’analyse d’images médicales connaît une révolution grâce aux avancées de l’intelligence artificielle, notamment avec l’essor des réseaux de neurones profonds et des transformateurs de vision. Une revue exhaustive des recherches récentes met en lumière les progrès, les défis et les perspectives de cette discipline en pleine expansion.

Les réseaux de neurones convolutifs (CNN) restent un outil fondamental, mais les transformateurs de vision gagnent en popularité pour leur capacité à capturer des relations complexes dans les données d’imagerie.
L’apprentissage auto-supervisé émerge comme une approche prometteuse pour surmonter le manque de données étiquetées, un obstacle majeur dans le domaine médical.
L’apprentissage fédéré offre des solutions pour la collaboration entre institutions tout en préservant la confidentialité des données des patients.

L’intelligence artificielle transforme rapidement le paysage de l’imagerie médicale, ouvrant la voie à des diagnostics plus précis, plus rapides et potentiellement plus personnalisés. De nombreuses études récentes, compilées et analysées, confirment cette tendance et identifient les axes de recherche les plus prometteurs. Les réseaux de neurones convolutifs (CNN), initialement prédominants, continuent d’être largement utilisés, comme le démontre une revue de Kshatri et Singh (2023) ici, mais ils sont de plus en plus concurrencés par les transformateurs de vision, capables de modéliser des dépendances à longue portée dans les images.

Un enjeu majeur réside dans la disponibilité de données étiquetées de haute qualité, souvent limitées en raison des contraintes éthiques et réglementaires. L’apprentissage auto-supervisé, exploré par Zhang et Metaxas (2023) ici et Zhou et al. (2023) ici, se présente comme une solution prometteuse pour exploiter les données non étiquetées et améliorer les performances des modèles. Des techniques comme la modélisation d’images masquées, étudiée par Chen et al. (2022) ici, permettent d’apprendre des représentations utiles à partir de données brutes.

La collaboration entre différents centres de recherche et hôpitaux est essentielle pour accélérer les progrès, mais elle se heurte à des préoccupations concernant la confidentialité des données des patients. L’apprentissage fédéré, examiné par Guan et Liu (2023) ici et Nazir et Kaleem (2023) ici, offre une approche décentralisée qui permet de former des modèles sur des données distribuées sans les partager directement. Des avancées significatives ont également été réalisées dans le domaine de l’explicabilité de l’IA, cruciale pour instaurer la confiance des médecins et des patients, comme le soulignent Dhar et al. (2023) ici et Liu et al. (2023) ici.

Les recherches futures devraient se concentrer sur l’amélioration de la robustesse des modèles face aux biais potentiels, comme le met en évidence Drukker et al. (2023) ici, et sur l’exploration de nouvelles approches, telles que l’apprentissage automatique quantique, étudié par Wei et al. (2023) ici. L’intégration de ces technologies promet de révolutionner la pratique médicale et d’améliorer la prise en charge des patients.

November 23, 2025 0 comments