evidoria

← Retour à la liste

Bonne pratique Importée

Le projet pilote d'apprentissage automatique de l'UKHSA pour la prévision en temps réel de la demande de soins de santé hivernale

Royaume-Uni · London · Voir le profil de Royaume-Uni · Voir le profil de London

Preuves: Observationnel / avant-après Top 32% 67/100 · Demandez à Evidence Copilot à propos de cette pratique

L'Agence britannique de sécurité sanitaire (UKHSA) a testé des modèles d'apprentissage automatique prévoyant les appels au NHS 111 et les admissions aux urgences pour bronchiolite jusqu'à 28 jours à l'avance durant l'hiver 2022-2023, publiant des résultats évalués par les pairs qui montrent aussi bien les réussites du modèle que ses échecs lors d'une saison sans précédent.

252
Spécifications de modèles testées (winter 2022-23)
0.0195
Erreur de prévision du meilleur modèle (moment/intensité du pic), appels NHS 111 (winter 2022-23)
0.0267
Erreur de prévision du meilleur modèle (moment/intensité du pic), passages aux urgences pour bronchiolite (winter 2022-23)
within ~9% of actual figure (peak date correctly forecast for 29 Nov 2022)
Précision de la prévision en temps réel de l'intensité du pic de bronchiolite (winter 2022-23)
+39.3%
Hausse des appels « toux » du NHS 111 en décembre 2022 par rapport au précédent record (December 2022)

Détails

Maturité
Pilote
Promoteur
UK Health Security Agency (UKHSA)
Période
Winter 2022–2023 pilot; peer-reviewed evaluation published 2024–2025
Mots-clés
public health, epidemiological surveillance, healthcare demand forecasting

Contexte

Les gestionnaires de services du NHS ont besoin d'un préavis sur les pics de maladies respiratoires hivernales (dus au VRS chez les enfants de moins de cinq ans) pour planifier leurs capacités, mais devaient historiquement s'appuyer sur des données présentant un décalage important.

Objectifs

Tester un pipeline de prévision automatisé, construit sur les données de surveillance syndromique quotidienne déjà existantes, pour prévoir le moment et l'intensité des pics saisonniers des appels « toux » au NHS 111 et des passages aux urgences pour « bronchiolite aiguë », jusqu'à 28 jours à l'avance.

Activités

Pendant la saison hivernale 2022-23, les épidémiologistes de l'UKHSA ont testé 252 spécifications de modèles combinant sept méthodes d'apprentissage supervisé (forêt aléatoire, machines à vecteurs de support, régression elastic-net, gradient boosting, entre autres) avec différents termes de saisonnalité et de tendance, publiant la comparaison complète dans une évaluation évaluée par les pairs.

Résultats

Les modèles de forêt aléatoire avec termes saisonniers de Fourier ont donné les meilleurs résultats, atteignant des erreurs de prévision du moment et de l'intensité des pics de 0,0195 (appels NHS 111) et 0,0267 (passages aux urgences). Lors d'un test en temps réel, le modèle a correctement prévu la date du pic de bronchiolite du 29 novembre 2022 et estimé son intensité à environ 9 % près de la valeur réelle. Une hausse sans précédent des appels « toux » du NHS 111 en décembre 2022, supérieure de 39,3 % au précédent record, en partie due à l'inquiétude du public face aux infections invasives à streptocoque du groupe A, a dégradé la spécificité de l'indicateur toux et brouillé les prévisions entraînées sur des schémas historiques.

Conclusions

Les auteurs concluent que les prévisions automatisées sortent de leur plage d'entraînement lors de saisons véritablement inédites et devraient toujours être accompagnées d'une interprétation experte plutôt qu'utilisées comme outil de décision autonome.

Mise en œuvre
Coût indicatif
Faible (< 50 k€) — Statistical/machine-learning modelling on existing surveillance data collected by UKHSA's own epidemiology team, without new data infrastructure, consistent with a low direct cost.
Délai jusqu’aux résultats
Court (< 1 an) — Piloted over a single winter season (2022-23), with peer-reviewed evaluation published in 2024-2025.
Personnel et compétences
UKHSA epidemiologists and data scientists

Conditions de réussite

  • Existing daily syndromic surveillance data as model input
  • Testing multiple model specifications (252) rather than committing to a single method
  • Pairing automated forecasts with expert interpretation rather than autonomous decision-making

Modes d’échec courants

  • An atypical season (a non-RSV-driven cough-call surge linked to public anxiety over strep A) pushed real data outside the model's training range and degraded forecast specificity
  • Piloted on only two indicators for a single winter season, limiting confidence in transfer to other seasons or health systems without re-validation

Où cela s’applique

Type de gouvernance
national public health agency
Échelle
single-season pilot, national surveillance data
Niveau de revenu
high-income

Habituellement financé par

National / regional programmes

Pistes de financement indicatives pour des pratiques de ce type — vérifiez toujours les appels en cours et les règles d'éligibilité de chaque programme.

Vous portez cette pratique ? Revendiquez-la — les porteurs vérifiés obtiennent un contact public sur la page et peuvent proposer des corrections.

Sources de données

D'où proviennent les informations de cette pratique, et quand.

Pratiques similaires qui pourraient vous être utiles