Short-Term COVID-19 forecasting using Bordeaux University Hospital data warehouse and Reservoir Computing

Une anticipation précise du nombre de patients hospitalisés lors de crises sanitaires, comme la pandémie de COVID-19, est essentielle pour une planification efficace des ressources hospitalières. Cette thèse porte sur le développement et l'évaluation de modèles de prédiction afin d'anticiper les hospitalisations liées au SARS-CoV-2 au CHU de Bordeaux, en combinant données publiques, données météorologiques et dossiers médicaux électroniques (DME). Les méthodes classiques d'apprentissage machine, notamment la régression pénalisée, ont montré une bonne précision à court terme, les DME améliorant significativement les prévisions comparé à l'utilisation des données de surveillance nationale seules. Pour relever les défis posés par les séries temporelles de haute dimension, nous proposons une approche combinant le Reservoir Computing (RC) avec un algorithme génétique (AG) pour la sélection de variables et l'optimisation des hyperparamètres. Cette approche RC-AG surpasse les modèles classiques tels que LSTM, Transformers et XGBoost. Nous analysons également l'impact des hyperparamètres de l'AG sur les performances du RC dans ce contexte de haute dimension. Enfin, nous tirons des enseignements pratiques pour la préparation aux futures épidémies, en soulignant l'importance des données multimodales, de métriques de référence, de l'adéquation entre modèles, métriques et objectifs décisionnels, de la prise en compte de l'incertitude, des contraintes opérationnelles réelles et d'une communication claire auprès des décideurs. L'ensemble de ces contributions démontre qu'intégrer les entrepôts de données hospitaliers avec des méthodes avancées d'apprentissage améliore significativement la prévision épidémique.