Aller au contenu
Urgence

L’UMIE à l’Université de Cambridge : vers un partenariat scientifique sur le One Health, les zoonoses, les maladies sensibles au climat et les vaccins

From Data to Décision : l’UMIE présente à l’Imperial College London son appui à la riposte contre Ebola Bundibugyo

From Data to Decisions: Epidemic Intelligence for the Bundibugyo Virus Response in the DRC

Renforcer les compétences scientifiques pour mieux comprendre, anticiper et répondre aux épidémies.

Renseignements épidémiologiques en temps réel en cas d’urgence de santé publique : l’épidémie du virus Bundibugyo de 2026

L’expertise scientifique se développe également grâce au partage des connaissances

De nouvelles recherches devraient renforcer le renseignement épidémiologique et la modélisation de la réponse au virus Bundibugyo

Focus Terrain | Cette semaine, nous vous emmenons à Bunia.

Cartographier le risque, fiabiliser les données : première mission de l’UMIE au cœur de la riposte contre Ebola à Bunia

RiposteEbola | Savez-vous que derrière chaque décision prise pour lutter contre une épidémie se cachent des milliers de données à analyser ?

Facebook-f Linkedin Instagram X-twitter
  • Acceuil
  • À propos
    • Qui sommes-nous
    • Notre Equipe
    • Nos Partenaires
    • Galerie
  • Expertises
  • Ressources
  • Projets
  • Actualités
  • Contact
cropped-LOGO-UMIE.png
  • Actualité, Epidemie

Modélisation spatio-temporelle en temps réel des risques liés à l’épidémie du virus Ebola de Bundibugyo en 2026

  • juillet 2, 2026
Facebook
X
WhatsApp
LinkedIn

Résumé exécutif

Dans ce rapport, nous développons et appliquons des modèles de risque spatio-temporels pour prédire le risque d’invasion du virus BDBV dans de nouvelles zones sanitaires n’ayant jusqu’alors signalé aucun cas. Ce travail a été motivé par la nécessité de prioriser les interventions en RDC pour les zones sanitaires à risque.

Nous avons utilisé des données épidémiologiques (cas confirmés selon la date d’apparition des symptômes) jusqu’au 13 juillet inclus , ainsi que des données démographiques (effectifs de population, niveau de précarité socio-économique, PIB par habitant, nombre et densité des sites de santé) et de mobilité ( relocalisations Flowminder depuis l’épicentre d’Ituri et temps de trajet entre les zones de santé). À l’exception des données confidentielles relatives aux cas contacts, toutes les autres sources sont accessibles via notre dépôt de données en libre accès et visualisables sur notre tableau de bord de veille situationnelle en temps réel . Nous avons utilisé ces données pour construire et tester des modèles spatio-temporels d’invasion afin d’anticiper le risque de transmission spatiale à court terme dans les zones de santé n’ayant pas encore signalé de cas confirmé de BDBV.

D’après les prévisions à un horizon d’une semaine du modèle le plus performant, datées du 13 juillet 2026 , les zones sanitaires suivantes seraient les 10 plus exposées au risque d’invasion : Rethy, Mahagi, Jiba, Biringi, Linga, Nyarambe et Angumu (Ituri), Lubero (Nord-Kivu), Watsa et Gombari (Haut-Uele) . Ces prévisions sont issues d’un modèle utilisant une distribution du temps de génération d’une durée moyenne de 15,3 jours et des données composites de mobilité Flowminder, intégrant la mobilité par gravité, des covariables démographiques et les distances géographiques. L’intégration des données de mobilité Flowminder a systématiquement amélioré les performances du modèle.

imageimage2048×1056 309 Ko
Figure récapitulative : A) Risque relatif d’invasion, prévision à une semaine, sur une échelle de 0 à 1, représenté sur une échelle logarithmique (gris = déjà envahi). La zone sanitaire la plus à risque (probabilité d’invasion la plus élevée) (Rethy) a un score de 1, et la moins à risque, un score de 0. B) Classement des 20 zones sanitaires les plus à risque, colorées par province. La probabilité a posteriori moyenne d’invasion est indiquée par un cercle, les intervalles de confiance étant représentés par des barres horizontales.

Nos prévisions de probabilité d’invasion pour les deux prochaines semaines seront mises à jour quotidiennement à l’aide des données les plus récentes afin de générer des informations opérationnelles pour la prise de décision en matière de santé publique, et affichées pour un examen interactif sur notre tableau de bord .

Résultats

En résumé, l’épidémie de BDBV s’est concentrée géographiquement dans le nord-est de la RDC jusqu’au 13 juillet 2026, notamment dans les zones de santé de Mongbwalu, Rwampara, Bunia, Nyankunde et Nizi, ainsi que dans certaines zones périphériques de ces zones (Fig. 1A). L’épidémie s’est d’abord propagée dans les zones de santé de l’Ituri avant de s’étendre à d’autres provinces (à ce jour : Nord-Kivu, Sud-Kivu, Haut-Uele et Tshopo) (Fig. 1B).

figure_1figure_12048×868 188 Ko

Figure 1. Propagation spatio-temporelle du BDBV au niveau des zones de santé : A) Nombre cumulé de cas confirmés de BDBV par zone de santé (carte choroplèthe ; gris = absence de cas), superposé aux arcs orange de Flowminder représentant les flux de population de courte distance depuis l’épicentre principal (Bunia, Rwampara, Mongbwalu). Environ 88 % de ces flux se dirigent vers des zones de l’Ituri, le reste atteignant Kinshasa et les provinces les plus méridionales. B) Trajectoire épidémique selon la date d’apparition des symptômes : nombre cumulé de cas confirmés (en haut) et nombre de zones de santé avec au moins un cas confirmé (en bas).

Invasions prédites comparées aux invasions observées

Pour évaluer les performances en temps réel du modèle, nous avons effectué des prévisions par exclusion des données futures sur des horizons de prévision d’une et deux semaines. Les modèles bayésiens d’invasion se sont généralement regroupés en fonction de leur capacité à prédire les événements d’invasion (Fig. 2A). Sur la base des performances observées pour l’ensemble des métriques et des horizons, le modèle le plus performant incluait la distribution médiane du temps de génération (moyenne de 15,3 jours) et un modèle Flowminder composite intégrant des covariables (effectifs de population, niveau de précarité socio-économique, distance à la zone sanitaire touchée la plus proche et densité des sites de santé), la mobilité gravitationnelle et les distances géographiques, ce qui a permis d’obtenir une aire sous la courbe ROC (AUC-PR) de 70,2x (IC à 90 % : 45,7 ; 109,3). Une AUC-PR de 70,2x indique que le modèle est 70,2 fois plus performant que le hasard pour anticiper les invasions spatiales sur les cinq horizons. Les modèles incluant les données de mobilité Flowminder sont globalement comparables en termes de performances, mais l’inclusion d’informations sur les cas suspects précédemment signalés dans le lieu d’intérêt et dans d’autres lieux (pondérés par la mobilité et le temps de génération) n’a pas conduit à une amélioration des performances (Fig. 2A et Fig. 2C).

figure_2figure_21856×2048 414 Ko

Figure 2. Validation croisée « leave-future-out ». Validation croisée « leave-future-out » appliquée uniquement aux zones à risque, sur 5 plis (17 événements d’invasion). A) Discrimination sur la grille du modèle bayésien : indice AUC-PR (précision moyenne ÷ taux de base ; 1 = aucune compétence, ligne pointillée ; plus élevé = meilleure compétence), aux deux horizons. Les points représentent l’estimation « leave-future-out » regroupée ; les barres représentent l’intervalle de confiance bootstrap à 90 % par cluster de zones. B) Compétence de priorisation en temps réel : proportion d’invasions réelles détectées lorsque les K zones à risque le plus élevé sont surveillées activement chaque semaine, par rapport à une liste de surveillance aléatoire de même taille (ligne pointillée) et aux zones surveillées uniquement à partir des flux entrants depuis l’épicentre, selon les données Flowminder. C) Classement moyen des zones envahies selon les modèles pour les prévisions de probabilité d’invasion à une et deux semaines. D) Évolution du classement des invasions : trajectoire du classement des 25 zones à surveiller de près au fil des cycles de prévision successifs (seuils de regroupement), avec une ligne par zone sanitaire, colorée par province. Les classements supérieurs à 30 sont alignés sur le seuil « 30+ ». Comparaison des invasions prévues et observées par cycle de prévision (regroupement), segmentées par horizon : probabilité moyenne prévue (bleu), fraction d’invasion observée (noir) et probabilité moyenne prévue dans les zones effectivement envahies (orange). E) Précision du classement : probabilité d’invasion prévue à une semaine parmi toutes les zones à risque ayant été effectivement envahies (orange) ou non (gris).

Dans un scénario où les autorités sanitaires auraient ciblé les 10 zones sanitaires les plus à risque (classées par probabilité d’invasion) une semaine à l’avance, sur cinq cycles d’analyse, environ 73 % des invasions de la semaine suivante auraient été détectées, contre environ 2 % pour une liste aléatoire de même taille (Fig. 2B). Le rang moyen des zones nouvellement envahies avant l’invasion est de 9,7 sur environ 500 zones sanitaires possibles. Les zones sanitaires les mieux classées au 13 juillet ont toutes vu leur classement progresser à mesure que de nouvelles zones enregistraient leur premier cas confirmé, les zones d’Ituri et du Nord-Kivu restant les plus à risque (Fig. 2D). Les zones présentant la plus forte probabilité d’invasion étaient généralement associées aux invasions ultérieures, soit lors du cycle d’analyse considéré, soit lors du cycle suivant (Fig. 2E). Bien que le modèle bayésien le plus performant pour la discrimination anticipe bien les futures invasions spatiales, ce même modèle surestime la probabilité d’invasion hors échantillon d’environ 2,3 fois. Ceci est probablement dû en partie au fait que le modèle est entraîné sur les premières phases de l’épidémie, où les mesures de contrôle sont moins nombreuses et où le paramètre d’invasion estimé à partir de ces semaines d’entraînement pourrait être surestimé. En effet, une unité de pression d’importation se traduit plus fréquemment par un premier cas aux premiers stades, autour de l’épicentre. Par conséquent, le classement est un meilleur prédicteur des futures invasions que les estimations de probabilité. Autrement dit, les modèles sont capables de mieux identifier les zones les plus susceptibles d’être envahies que de nous renseigner sur la probabilité de l’événement d’invasion. Nous interprétons donc les probabilités absolues des modèles comme des bornes supérieures et suggérons d’utiliser le classement et les scores de risque relatif pour éclairer les décisions, plutôt que les probabilités prédites brutes.

Communiquer les probabilités d’invasion prévues dans l’espace et le temps

Nous avons ensuite utilisé le modèle bayésien le plus adapté issu de la validation croisée « leave-future-out » pour anticiper les risques d’invasion spatiale future. La figure 3A présente le classement relatif des zones sanitaires selon leur probabilité d’invasion, tandis que les figures 3B et 3C illustrent l’incertitude associée à ces prédictions.

Pour le classement des 10 premières zones sanitaires, nous visualisons la médiane a posteriori des probabilités d’invasion et leurs intervalles de crédibilité à 90 % (IC). Nous présentons le risque relatif d’invasion par zone sanitaire ainsi que leur vulnérabilité relative (voir Méthodes) afin de communiquer un « score de priorité », c’est-à-dire une mesure de la priorisation recommandée des zones sanitaires en fonction de leur probabilité et de leur vulnérabilité à l’invasion (Fig. 3D et Fig. 3E). Le risque relatif d’invasion est resté le plus élevé dans les zones sanitaires d’Ituri et du Nord-Kivu, avec une vulnérabilité plus importante dans le Haut-Uele.

figure_3figure_31393×2048 448 Ko

Figure 3. Probabilités d’invasion prévues. A) Carte de classement des risques d’invasion : risque relatif (RR) de chaque zone à risque sur une échelle logarithmique (plus le RR est élevé, plus la probabilité d’enregistrer un premier cas est forte). B) Incertitude de la prévision : largeur de l’intervalle de crédibilité postérieur à 90 % de la probabilité d’invasion. C) Zones à risque le plus élevé (en tête du classement par risque à 1 semaine) : probabilité d’invasion moyenne postérieure avec l’intervalle de crédibilité à 90 %, représentée pour les deux horizons sur un seul graphique (bleu = 1 semaine, rouge = 2 semaines). D) Nuage de points vulnérabilité-invasion (à 1 semaine) : risque d’invasion relatif de chaque zone (y) en fonction de son écart vulnérabilité-capacité (x), la taille des points étant proportionnelle au score de priorité composite et la couleur correspondant à la province ; le coin supérieur droit représente les zones sanitaires les plus susceptibles d’être envahies et vulnérables/sous-financées. E) Carte choroplèthe bivariée de la probabilité d’invasion × vulnérabilité à travers la RDC pour les risques à 1 semaine et à 2 semaines à partir du 13 juillet 2026.

Discussion et mises en garde

Nous avons développé et évalué des modèles spatio-temporels d’invasion simples, basés sur un cadre de renouvellement, afin de prédire le risque futur de transmission du BDBV en RDC. Ce travail vise à éclairer l’évaluation des risques et la priorisation de la surveillance, tant actuelles que futures, alors que l’épidémie est encore en progression (14 juillet 2026). Les travaux futurs porteront sur l’estimation des zones où le nombre de cas augmente, diminue ou s’est stabilisé. Nous travaillons à la mise en œuvre d’un cadre fédéré permettant à d’autres chercheurs de télécharger leurs modèles dans un environnement hébergé par l’INRB afin de générer des prévisions de risque probabilistes spatiales. Notre modèle pourrait être amélioré en intégrant les efforts de dépistage dans chaque zone et le recours aux soins de santé. Pour l’instant, nous avons ajouté des informations contextuelles en représentant graphiquement le risque d’invasion en fonction des scores de vulnérabilité (Fig. 3E).

Matériels et méthodes

Données

Données épidémiologiques : Nombre quotidien de cas par zone sanitaire en RDC, selon la date d’apparition des symptômes (données issues du DHIS2). Lorsque seules les dates de prélèvement étaient connues, les dates d’apparition des symptômes ont été imputées à partir d’estimations de la distribution des délais entre l’apparition des symptômes et la date de prélèvement. Au 13 juin 2026, 2 161 cas confirmés ont été recensés dans 43 zones touchées.

Il existe certaines divergences entre la liste des cas confirmés et les rapports de situation de l’INSP (SitReps). Par exemple, la zone sanitaire d’Oicha ne compte aucun cas confirmé selon la liste. Or, d’après le SitRep, des cas y ont déjà été confirmés. Pour les besoins de ce rapport, nous avons considéré la liste comme la source de référence, à trois exceptions près : nous avons ajouté manuellement la présence de cas à Oicha, Makiso-Kisangani et Lubunga. Ces zones sanitaires sont densément peuplées et bien connectées ; par conséquent, la présence de cas dans ces localités (confirmée par les SitReps) aura probablement un impact significatif sur les profils de risque prévus.

Données démographiques : Nous avons utilisé les données suivantes à la résolution spatio-temporelle de la zone de santé : effectifs de population (et effectifs de population transformés logarithmiquement) de WorldPop 1 , privation socio-économique de l’indice de vulnérabilité aux conflits climatiques 2 , PIB moyen par habitant et nombre et densité des sites de santé de GRID3 3 . Ces données ont été rééchantillonnées et agrégées à l’aide du pipeline DART 4 ​​.

Données de mobilité : Pour construire les matrices de mobilité, nous avons utilisé les données Flowminder qui estimaient les proportions d’abonnés présents dans l’épicentre (Bunia, Mongbwalu ou Rwampara sur une période de référence de 21 jours) ⁵,⁶, puis détectés ultérieurement dans d’autres zones sanitaires de la RDC (sur une période de 31 jours, jusqu’au 24 mai). Nous avons ensuite couplé ces données avec des modèles de mobilité (modèles de gravité et/ou de rayonnement) utilisés pour les connexions entre les lieux non couverts par les flux de mobilité en provenance de l’épicentre. Nous avons également intégré les temps de trajet routier inter-zones calculés à l’aide de l’API Open Source Routing Machine d’ OpenStreetMap⁷ .

Tableau 1 : Flux de données utilisés dans l’analyse.

SourceDescriptionTraitementMétriques résultantes
WorldPopDonnées démographiques sur les effectifs et la densité de population (projections 2025)Les données brutes de WorldPop sont agrégées en additionnant les cellules raster de chaque zone sanitaire du fichier de formes afin d’obtenir le nombre de personnes. La densité est calculée en divisant le nombre de personnes par la surface du polygone.Nombre de personnes par zone sanitaire
Densité de population par zone sanitaire (nombre de personnes par km²)
Indice de vulnérabilité climat-conflitDonnées socio-économiques (au 4e trimestre 2025)Rééchantillonné et agrégé au niveau de la zone de santé via le pipeline DARTS (moyenne ; sremapbil)Déprivation socio-économique par zone sanitaire (indice 0-1)
Kummu et al.PIB moyen par habitant (en 2022)Rééchantillonné et agrégé au niveau de la zone de santé via le pipeline DARTS (moyenne ; sremapbil)PIB moyen par habitant par zone sanitaire
GRILLE 3Informations sur les sites de soins de santé (au 19 décembre 2025)Les données ponctuelles sont agrégées (comptages) par zone sanitaire à l’aide du fichier de formes HDX, ce qui donne le nombre de sites de santé par zone sanitaire. Ce nombre est ensuite divisé par la superficie du polygone pour obtenir la densité de sites de santé par zone sanitaire.Nombre de sites de soins de santé par zone sanitaire
Densité des établissements de soins de santé par zone sanitaire (sites par km²)
Estimations de la mobilité de la population Flowminder (24 avril – 24 mai)Proportion d’une cohorte anonymisée d’abonnés mobiles – définie par leur présence dans les zones sanitaires de Bunia, Mongbwalu ou Rwampara entre le 3 et le 23 avril 2026 – qui ont été détectés au moins une fois dans chacune des autres zones sanitaires de la RDC entre le 24 avril et le 24 mai 2026. Notez que 79 des 519 zones sanitaires de la RDC sont exclues pour des raisons de qualité des données et ne comportent aucune valeur de détection (indicateur = « Données manquantes »).AucunProportion d’une cohorte anonymisée d’abonnés mobiles.

Modèle d’invasion spatiale

cadres de modélisation bayésiens du renouvellement

Notre objectif principal était d’estimer les risques spatiaux à court terme pour les zones sanitaires n’ayant signalé aucun cas confirmé à la date de génération des prévisions. Pour ce faire, nous avons développé une série de modèles bayésiens simples, intégrant la mobilité et basés sur l’équation de renouvellement, spécifiquement calibrés pour la prédiction de l’invasion spatiale à des horizons d’une et deux semaines.

Dans ce cadre, nous estimons pour chaque zone sanitaire la probabilité d’apparition d’un premier cas confirmé , cumulée sur des horizons d’une et deux semaines, mise à jour quotidiennement pour la semaine/les deux semaines suivantes. Plus formellement, pour chaque zone source j ayant enregistré un cas confirmé, nous avons calculé une somme g(k) pondérée par le temps de génération de l’incidence prévue Yⁿᶜ à l’instant t, ce qui donne Ỹ(t) :

Ỹⱼ(t) = Σₖ≥₁ g(k) · Yⁿᶜ(j, t − k),

ce qui signifie que la pression d’importation de l’infection (confirmée) dans le lieu i au temps t peut s’écrire comme suit :

Λᵢ(t) = Σⱼ≠ᵢ W[j, i] · Ỹⱼ(t) = (Wᵀ Ỹ)ᵢ.

Ensuite, pour modéliser la probabilité d’invasion pᵢ pour le résultat binaire d’invasion pour la zone sanitaire i (envahiᵢ), nous avons utilisé une distribution de Bernoulli avec un lien log-log complémentaire composé de i) une constante β₀, ii) des covariables standardisées optionnelles xₘᵢ (par exemple, la population, la privation socio-économique, la densité des sites de santé, le temps de trajet OSRM vers la zone déjà touchée la plus proche), et iii) log Λ comme décalage fixe :

envahiᵢ ~ Bernoulli(pᵢ),

cloglog(pᵢ) = log(−log(1 − pᵢ)) = β₀ + Σₘ γₘ xₘᵢ + log Λᵢ.

ce qui fait de βᵢΛᵢ le risque cumulatif d’une première arrivée :

pᵢ = 1 − exp(−exp(β₀ + Σₘ γₘ xₘᵢ) · Λᵢ) = 1 − exp(−βᵢ Λᵢ), avec βᵢ = exp(β₀ + Σₘ γₘ xₘᵢ).

Le paramètre βᵢ détermine comment les infections importées génèrent de nouvelles infections dans un nouveau lieu i. Il convient de noter qu’une approche standard utiliserait le taux de reproduction R(t) (ou un taux de reproduction interne). Cependant, nous avons constaté qu’en calibrant directement un unique paramètre libre β = exp(β₀) sur la fréquence d’invasion rare observée, nous estimions mieux les mécanismes d’introduction, d’établissement et de détection, comparativement à l’utilisation de R(t), qui aboutissait à des probabilités d’invasion trop optimistes et mal calibrées (résultats non présentés).

Pour les prévisions sur un horizon d’une ou deux semaines, nous accumulons le risque cumulatif μ sur les horizons (une première invasion est donc comptabilisée une seule fois) jusqu’à l’horizon maximal h, pour obtenir les probabilités d’invasion p :

μᵢ,ₕ = βᵢ · Λᵢ(t+h) ,

pᵢ(≤h) = 1 − exp(−Σ_{h′≤h} μᵢ,ₕ′).

Dans ce cadre d’équations de renouvellement bayésiennes, nous avons fait varier les hypothèses et les données selon les axes des distributions des temps de génération, des matrices de mobilité, des covariables et de la fonction de lien des observations (lien log-log complémentaire ou lien logit). Nous avons ajusté ces modèles de renouvellement bayésiens à l’aide de la fonction cmdstanr du logiciel R, avec 2 000 itérations (dont 1 000 itérations d’échauffement) sur deux chaînes.

Pour caractériser la vulnérabilité, nous avons combiné le classement des zones sanitaires selon la densité et le nombre de sites de santé, le temps de trajet jusqu’à la zone la plus proche disposant d’un établissement, l’indice de vulnérabilité aux conflits climatiques (ICCC) et le niveau de précarité socio-économique. Nous avons ensuite calculé des scores de priorité en multipliant la probabilité d’invasion par la vulnérabilité et en normalisant les résultats pour obtenir une valeur comprise entre 0 et 1.

Au 13 juillet 2026, aucune estimation spécifique au BDBV de la distribution du temps de génération n’était disponible⁸ . Nous avons donc considéré trois distributions différentes du temps de génération (courte, moyenne et longue) issues d’épidémies d’Ebola, exprimées en jours. Ces distributions suivaient une loi gamma, avec des valeurs moyennes et des écarts-types respectifs de (12,0 ; 6,5), (15,3 ; 9,3) et (18,0 ; 10,5). Nous avons discrétisé la distribution gamma et l’avons regroupée par intervalles hebdomadaires afin de l’aligner sur nos horizons de modélisation hebdomadaires.

Parmi les hypothèses clés qui pourraient être approfondies dans de futurs travaux figure l’approche de modélisation en deux étapes (prévision immédiate et invasion), qui pourrait être menée conjointement. De même, nous ne corrigeons pas la croissance intra-locale due aux chaînes de transmission non détectées et n’intégrons pas d’informations sur les variations temporelles des déplacements humains. Nous avons toutefois observé des schémas de déplacement relativement stables tout au long de la période d’observation (mars 2026 comparé à mai 2026).

Évaluation du modèle

Pour évaluer et sélectionner les différents modèles testés, nous avons effectué une validation croisée glissante, en nous concentrant plus particulièrement sur la performance en temps réel des modèles d’anticipation de l’invasion spatiale. Concrètement, nous avons divisé les données en sous-ensembles : nous avons entraîné le modèle jusqu’à une date limite historique, généré des prédictions pour les deux semaines suivantes et évalué si la probabilité d’invasion prédite par nos modèles (pour une zone sanitaire observant son premier cas) correspondait à la fréquence d’invasion observée.

Sur l’ensemble des données, avec un horizon de prévision d’une semaine, on a dénombré 2 457 semaines à risque, avec 17 événements d’invasion (taux de base de 0,69 %). Les invasions spatiales étant rares, notre ensemble de données est fortement déséquilibré. De ce fait, les métriques de discrimination standard, telles que l’aire sous la courbe ROC (AUC-ROC), peuvent s’avérer très trompeuses pour évaluer la capacité de nos modèles à anticiper ces événements. Nous avons donc utilisé l’aire sous la courbe précision-rappel (AUC-PR), qui représente la précision en fonction du rappel pour différents seuils de probabilité. L’AUC-PR était notre principale métrique de discrimination, nous permettant de répondre à la question suivante : lorsqu’un modèle signale une invasion spatiale, quelle est sa fréquence d’apparition correcte et combien d’invasions spatiales réelles détecte-t-il ? Plus précisément, la précision mesure la proportion d’invasions prédites par le modèle qui sont effectivement réelles, tandis que le rappel mesure la proportion d’invasions réelles détectées par le modèle. Pour calculer la performance de nos modèles (AUC-PR), nous avons divisé l’AUC-PR par le taux de base afin de mesurer la supériorité de nos modèles par rapport à un modèle aléatoire (c’est-à-dire un modèle sans performance). Afin de tenir compte de l’incertitude sur les métriques, nous avons effectué un rééchantillonnage bootstrap par grappes des zones (et non des semaines-zones), pour respecter la corrélation intra-zone.

Pour les quantités d’évaluation axées sur l’opérationnel, nous avons également calculé le rang moyen de probabilité d’invasion des zones sanitaires nouvellement envahies, le rappel avec un budget hebdomadaire fixe des K premières zones sanitaires, les diagrammes de fiabilité, les scores logarithmiques et d’autres mesures de précision et d’étalonnage.

Pour sélectionner les modèles, nous avons équilibré la discrimination (AUC-PR et rang moyen des zones nouvellement envahies) par rapport à l’étalonnage (score logarithmique) sur des horizons d’une et deux semaines.

Auteurs

Principaux contributeurs à la collecte de données, aux tests moléculaires, à l’interprétation des données, à l’analyse et à la rédaction :

Institut National de Recherche Biomédicale (INRB) et Institut National de Santé Publique (INSP), Kinshasa, République Démocratique du Congo, et partenaires

Dav M. Ebengo (INRB)*

Cathal Mills (Oxford)

Ciara Judge (Oxford)

Pierre Akilimali (INSP ; École de santé publique de Kinshasa, Faculté de médecine, Université de Kinshasa, Kinshasa, République démocratique du Congo)*

Bernardo Gutierrez (Oxford)

Ellie Bourgikos (Oxford)

Joseph L.-H. Tsui (Oxford)

Tania Bishola Tshitenge (INRB)

Adelard Lofungola (INSP)

Joël Kosianza (OMS)

Abdi Mahamud (OMS)

Benjamin Kanku (INSP)

Étien Koua (OMS)

Olga Ntumba (OMS)

Lorenzo Subissi (OMS)

Nicksy Gumede (OMS)

Marie Roseline Darnycka Belizaire (OMS)

Otim Patrick Cossy Ramadan (OMS)

John Otokoye Otshudiema (OMS)

Thierno Balde (OMS)

Brian Ajong (OMS)

Mamadou Saliou Kalifa Diallo (OMS)

Gianni Donkor (OMS)

Tamayi Mlanda (OMS)

Richy Ngombo (OMS)

Jean-Marie Tshilumbu (OMS)

Martina McMenamin (OMS)

Linus Bengtsson (Flowminder)

Thomas Smallwood (Flowminder)

Romain Goldenberg (Flowminder)

Benjamin Reddy (Oxford)

Simon Cauchemez (Pasteur)

Justus Nsio (AfricaCDC)

Yap Boum (AfricaCDC)

Jeanine Nkakulu (AfricaCDC)

Yenew Kebede (AfricaCDC)

Collins Tanui (AfricaCDC)

Mosoka Fallah (AfricaCDC)

Kyeng Mercy (AfricaCDC)

Pascal Adroba Tandele (Laboratoire Provincial de Bunia, Ituri)

Micheline Magapa Chuma (Division Provinciale de la Santé, Ituri)

Didier Bompangue Nkoko (INOHA)

Francine Ntoumi (Fondation Congolaise pour la Recherche Médicale)

Jean-Jacques Muyembe Tamfum (INRB)

Olivier le Polain de Waroux (OMS)

Samuel V. Scarpino (Université Nord-Est)

Moritz UG Kraemer (Oxford)

Christian Ngandu (INSP)

Dieudonné Mwamba Kazadi (INSP)

Placide Mbala-Kingebeni (INRB)*

Remerciements

Nous remercions toutes les institutions et tous les partenaires pour leur soutien aux efforts de surveillance en RDC.

Déclaration sur les travaux et analyses en cours avant publication

Veuillez noter que ces données sont issues de travaux en cours et doivent être considérées comme préliminaires. Nos analyses se poursuivent et une publication présentant nos résultats est en préparation. Si vous envisagez d’utiliser ces données pour des analyses similaires avant la parution de notre publication, veuillez contacter le professeur Placide Mbala-Kingebeni (INRB, RDC), le professeur Dav Ebengo (INRB, INOHA) ou le professeur Pierre Akilimali (INSP).

institutions et organismes collaborateurs

  • L’Institut National de Recherche Biomédicale (INRB), République Démocratique du Congo
  • Institut National de Santé Publique (INSP), République Démocratique du Congo
  • École de santé publique de Kinshasa, Faculté de médecine, Université de Kinshasa, Kinshasa, République démocratique du Congo
  • Centres africains de contrôle et de prévention des maladies, Addis-Abeba, Éthiopie
  • Organisation mondiale de la santé, Genève, Suisse
  • Bureau de pays de l’Organisation mondiale de la santé, Kinshasa, République démocratique du Congo
  • Bureau régional de l’Organisation mondiale de la santé pour l’Afrique, Brazzaville, République du Congo
  • Institut des sciences pandémiques, Université d’Oxford, Oxford, Royaume-Uni
  • Fondation Flowminder
  • Université Northeastern, Boston, MA, États-Unis

Références

1. Données et recherches démographiques spatiales ouvertes. WorldPop https://www.worldpop.org/ (2020).

2. Ministère fédéral allemand des Affaires étrangères, Vérité, Beauté, PIK et UniBW. Indice Climat-Conflit-Vulnérabilité (CCVI). CCVI — Indice de vulnérabilité aux conflits climatiques .

3. GRILLE. GRILLE3 COD – Établissements de santé v8.0. (2025).

4. Dasgupta, A. et al. Pipeline d’intégration de données évolutif, en accès libre et multidisciplinaire pour les maladies sensibles au climat. Wellcome Open Res. 10 , 467 (2025).

5. Fondation Flowminder. Mouvements de population de Bunia, Mongbwalu et Rwampara basés sur une analyse respectueuse de la vie privée des données de l’opérateur mobile Vodacom Congo. (2026).

6. https://www.flowminder.org/resources/publications-reports/drc-reports-publications

7. Projet OSRM. https://project-osrm.org/

8. Paramètres épidémiologiques : Virus Ebola Bundibugyo (BVD). Paramètres épidémiologiques : Virus Ebola Bundibugyo (BVD) • revue épidémiologique

Facebook
X
WhatsApp
LinkedIn

Autres Publications

L’UMIE à l’Université de Cambridge : vers un partenariat scientifique sur le One Health, les zoonoses, les maladies sensibles au climat et les vaccins

Umie octobre 26, 2026

From Data to Décision : l’UMIE présente à l’Imperial College London son appui à la riposte contre Ebola Bundibugyo

Umie octobre 20, 2026

From Data to Decisions: Epidemic Intelligence for the Bundibugyo Virus Response in the DRC

Umie octobre 2, 2026

Renforcer les compétences scientifiques pour mieux comprendre, anticiper et répondre aux épidémies.

Umie septembre 23, 2026

Renseignements épidémiologiques en temps réel en cas d’urgence de santé publique : l’épidémie du virus Bundibugyo de 2026

Umie septembre 23, 2026

L’expertise scientifique se développe également grâce au partage des connaissances

Umie septembre 17, 2026

Inscrivez-vous à notre newsletter.

Vous serez notifié de nos prochaines publications

Votre inscription a bien été enregistrée ! Oups ! Une erreur s'est produite. Veuillez réessayer.

En vous abonnant, vous acceptez nos Conditions générales et notre Politique de confidentialité et d'utilisation des cookies.

Besoin d'aide ?
+243 980 376 845

Nos apps seront bientôt disponibles

Unité de Modélisation et Intelligence Épidémique

Adresse

5345, Avenue de la Démocratie - Kinshasa / Gombe - B.P. 1197 Kinshasa 1

Heure de travail

Lun – Vend : 8:30 – 16:30

Liens utiles

Accueil

A propos

Expertise

Publications

Contact

Tags

Ebola

Pandemie

Choléra

Rougeole

Paludisme

Annexe

OMS

INRB

Min. Santé

Présidence

Gates Foundation

Partenaires

AfricanCDC

GIZ

INOHA

OXFORD

Institut Pasteur

Copyright © 2026 UMIE/INRB Tous droits réservés.