Réseau LoRaWAN de Veille Sanitaire

Encadrants: Didier DONSEZ (Polytech Grenoble), Alain TCHANA (ENSIMAG), Anne-Marie Chana (ENSPY), Bernabé Batchakui (ENSPY)

=Résumé= L’objectif de ce projet est de mettre sur pied un système de veille sanitaire basé sur un réseau de capteurs sans fil longue distance (LoRaWAN) et l’utilisation de IA. En effet, le monde fait face aujourd’hui à des défis plus ou moins complexes relatifs aux enjeux du développement durable. La santé est un des piliers pouvant permettre d’atteindre les ODD (Objectifs de Développement Durable). Les stratégies développées pour garantir le bien être sanitaire sont beaucoup plus tournées vers des solutions curatives que préventives. Selon une étude réalisée par l’OMS, 25 % de la morbidité mondiale sont imputable à des facteurs environnementaux. La surveillance environnementale s’avère essentielle pour la mise sur pied de stratégies sanitaire adéquat et efficace. Le paludisme est un des problèmes de santé publique le plus important en Afrique. En 2021, l’OMS estimait à 247 millions le nombre de cas de paludisme dans le monde avec 95 % des cas en Afrique subsaharienne. La réduction de l’impact de ce fléau nécessite de nouvelles approches de surveillance pour cibler les foyers potentiels d’épidémies et y répondre dans de meilleurs délais. Or, les analyses épidémiologiques actuelles sont pour la plupart faites sur des données des cas cliniques relevées sur le terrain. Ce qui pose des problèmes de manque de précision, de retard de mise à disposition des données et de prédiction biaisée. Nous proposons dans ce projet d’utiliser des capteurs connectés géo-référencés pour récupérer en quasi temps-réel les données environnementales. Ces données sont entre autres : la température et humidité de l'air ambiante, l'ensoleillement, les précipitations et le pH de l'eau. Elles permettent de mettre sur pied un système de veille. Ledit système est doté d’algorithmes d’apprentissage automatique (machine learning) qui, à partir des données géo-référencées collectées en temps réel, prédisent les foyers à risque et font des recommandations. Par ailleurs, le système proposé garantit une meilleure prise en charge avec le déploiement des solutions préventives.

=Mots clés= Veille sanitaire, Paludisme, épidémiologie, Système de recommandation sanitaire, Internet des Objets, LoRaWAN.

=Description du Projet= Le paludisme est la maladie endémique la plus répandue dans le monde en général en Afrique subsaharienne en particulier (WHO, World Health Organisation, 2022). C’est l’une des principales causes de mortalité. L’OMS estime à 247 millions le nombre de cas de paludisme dans le monde en 2021 avec plus 60 mille décès ( WHO, World Health Organisation, 2021). Ces chiffres font de cette maladie un problème de santé publique et les solutions préconisées sont le plus souvent curatives que préventives. Dans le souci de d’améliorer les stratégies de lutte contre ce fléau, l’OMS propose un manuel de référence (WHO, World Health Organisation, 2019) pour la surveillance et l’évaluation de cette maladie. L’objectif principal de cette surveillance est de permettre une collecte systématique d’informations sanitaires afin de fournir des données permettant d’effectuer une analyse globale des tendances et ainsi favoriser un meilleur déploiement des solutions avec une planification et allocation efficaces des ressources. Les données utilisées dans ce système sont issues des cas cliniques déclarés et remontés par les personnels de santé de façon hebdomadaire et mensuelle selon le cas. Ce qui pose les problèmes de manque de précision, retard des données pouvant entrainer des imprécisions des prédictions. Dangbe (Dangbe, 2019) a proposé des modèles qui décrivent la variation intra-annuelle de facteurs climatiques tels que la température et les précipitations. L’auteur suppose que le taux de reproduction des moustiques augmente avec la quantité de pluie par unité de temps. Il fait usage des modèles épidémiologique pour caractériser l’impact de l’environnement sur la transmission des maladies comme le paludisme. Dans (Harvey D, 2021), les auteurs utilisent les processus gaussiens (Lifshits, 1995) et l’algorithme de Random Forest (Référence) pour estimer le nombre hebdomadaire de cas de paludisme sur une période de 13 semaines. Les données utilisées dans ces cas de figure sont issues des cas cliniques enregistrés dans les centres de santé.

L'évolution de la technologie permet aujourd’hui avec l’Internet des Objets (IdO) d’effectuer des mesures en temps réel et de renseigner de nombreux paramètres avec des données. Ces objets connectés permettent de recueillir des données environnementales telles que la température et l'humidité de l'air ambiante, les précipitations, le pH de l’eau de points d’eau, etc. en temps-réel ou quasi temps-réel (latence de quelques secondes). La variation des conditions environnementales comme la température, le régime des précipitations et l'humidité, ont un impact important sur la durée de vie du moustique, sur le développement de ces parasites du paludisme et par conséquent sur la transmission et la propagation de cette maladie.

Nous proposons dans ce projet de mettre sur pied un système de veille sanitaire qui s’appuie sur un réseau de capteurs sans fil longue distance (LoRaWAN) à bas coût pour la collecte des données environnementales et sur des algorithmes de régression non linéaire du machine Learning pour prédire le développement des maladies infectieuses telles que le paludisme. Les prédictions pourront être communiquer à la population locale via des notifications smartphone et de cartographies.

Ce réseau a pour vocation à être construit avec des technologies low tech facilement opérables et maintenables durablement au Cameroun et éventuellement de manière coopérative avec la population (crowd sourcing).

Ce système d’aide à la décision garantit une meilleure prise en charge avec le déploiement des solutions préventives.

Ce réseau IdO pour la veille sanitaire pourra être étendu à d’autres problèmes sanitaires comme par exemple la pollution de l’air aux particules fines et toujours avec des stations connectées de mesure de la qualité de l’air réalisée de manière lowtech.

=Références=

Harvey D, V. W. (2021). Predicting malaria epidemics in Burkina Faso with machine learning. PLoS ONE 16(6): e0253302. https://doi.org/10.1371/journal.pone.0253302. WHO, World Health Organisation. (2019). Malaria surveillance, monitoring & evaluation : a reference manual. Genève: Licence : CC BY-NC-SA 3.0 IGO.
 * WHO, World Health Organisation. (2021). World malaria report 2021. ISBN 978-92-4-004050-2.
 * Dangbe, E. (2019). Impact des variations environnementales sur la transmission des maladies infectieuses. Université de Ngaoundéré (Cameroun).
 * Lifshits, M. (1995). Gaussian Random Functions (Mathematics and Its Applications. ‎ Springer.
 * WHO, World Health Organisation. (2022, Décembre 8). Paludisme. Retrieved from World Health Organisation (WHO): https://www.who.int/fr/news-room/fact-sheets/detail/malaria
 * LoRa Alliance, About LoRaWAN, https://lora-alliance.org/about-lorawan/
 * CampusIoT, https://github.com/CampusIoT