DHIS2 propose des outils fiables et flexibles permettant le développement, l’adaptation, l’évaluation, le partage et l’utilisation de modèles prédictifs basés sur l’intelligence artificielle afin de générer des analyses et des prévisions pour un large éventail de maladies et d’autres cas d’utilisation.
Dans le secteur de la santé, la modélisation prédictive s’appuie sur les données de santé existantes, les statistiques démographiques, les données environnementales et météorologiques, ainsi que d’autres variables, et utilise l’apprentissage automatique pour prévoir les événements sanitaires futurs et les besoins opérationnels. Cela peut permettre d’émettre un avertissement concernant l’apparition probable de flambées épidémiques, l’augmentation des risques sanitaires pour les populations vulnérables et d’éventuelles ruptures de stock de produits de première nécessité. Utilisé à bon escient, il aide les acteurs concernés par le secteur de la santé à passer d’interventions réactives à une planification plus ciblée et à une prévention précoce.
DHIS2 propose désormais des outils performants qui vous permettent d’exploiter les données DHIS2 existantes – combinées à des variables issues d’une grande variété de sources grâce aux outils DHIS2 d’intégration des données – à des fins de modélisation prédictive :
Ces composants fonctionnent de concert : Chap extrait les données de DHIS2, exécute des modèles et renvoie les résultats, tandis que l’application de modélisation affiche toutes ces informations aux utilisateurs de DHIS2.
Ces outils ont été développés par le HISP dans le cadre du projet « DHIS2 Climate & Health ». Utilisés conjointement avec les outils DHIS2 d’intégration des données climatiques, ils permettent de prévoir les maladies liées au climat et leurs répercussions sur la santé, telles que les épidémies de paludisme et de dengue, ou l’augmentation du risque de malnutrition, ainsi que la morbidité et la mortalité liées à la chaleur. Ils peuvent également servir à la modélisation des maladies en l’absence de données climatiques, ou à la prévision d’autres tendances liées à la santé, telles que l’estimation des niveaux de stocks afin d’améliorer les performances de la chaîne d’approvisionnement. Elles peuvent également être utilisées avec les systèmes DHIS2 dans d’autres domaines que la santé, par exemple dans le secteur de l’éducation.
Ces solutions font actuellement l’objet d’un développement itératif mené par HISP UIO, en collaboration avec les groupes HISP locaux du réseau HISP et nos partenaires nationaux. Elles sont ouvertes aux tests et aux contributions de la communauté mondiale DHIS2.
La plateforme Chap Modeling est une plateforme logicielle entièrement open-source qui rassemble des modèles épidémiologiques portant sur diverses maladies et divers contextes au sein d’un écosystème unifié, mettant ainsi en relation les chercheurs et les modèles de pointe avec les décideurs politiques et les professionnels de santé. Il rend accessibles les flux de travail de modélisation complexes, simplifie l’évaluation rigoureuse des modèles et s’intègre directement à DHIS2, le premier système d’information sanitaire au monde. Chap peut être téléchargé et installé via le portail web DHIS2 Chap & Modeling.
Chap a pour objectif de rendre la modélisation et les prévisions en matière de santé plus simples, plus efficaces et plus percutantes, ainsi que de donner aux acteurs concernés par le secteur de la santé des pays du Sud les moyens de s’approprier le processus de modélisation. Jusqu’à présent, la plupart des modèles prédictifs ont été développés par des chercheurs – souvent basés dans les pays du Nord – pour une maladie spécifique et dans un contexte géographique restreint, ce qui limitait leur potentiel de réutilisation. Cette approche a généralement contraint les acteurs concernés par le secteur de la santé à transmettre leurs données à l’étranger à des fins de développement de modèles de données, de tests et de prévisions, ce qui va à l’encontre des principes de souveraineté des données et de protection de la vie privée en vigueur dans de nombreux pays. Enfin, ces modèles ont généralement été conçus autour de logiciels sur mesure, dont l’exploitation et la maintenance nécessitent des compétences spécialisées, ce qui contribue à la fragmentation des systèmes d’information sanitaires et crée des obstacles à leur utilisation courante par les acteurs du système de santé.
Chap comble ces lacunes de plusieurs manières :
Chap est disponible au téléchargement sous forme de module Python et peut être déployé au sein d’une infrastructure nationale via Docker. Tout modèle respectant un format standard peut être enregistré et exécuté via Chap. Chap propose actuellement des modèles allant de simples modèles de référence saisonniers à des modèles bayésiens de séries chronologiques, en passant par des architectures d’apprentissage profond basées sur des transformateurs. Plusieurs groupes de recherche internationaux ont intégré leurs modèles dans Chap.
L’application « Modeling App » est une application DHIS2 – qui s’installe de la même manière que n’importe quelle autre application DHIS2 – qui offre une interface graphique vers Chap à l’intention du personnel chargé des programmes de lutte contre les maladies. Grâce à cet outil, les utilisateurs de DHIS2 peuvent configurer des modèles, consulter les données d’apprentissage, effectuer des prévisions, examiner les tableaux de bord d’évaluation et comparer les performances des modèles. Il ne nécessite aucune installation de logiciel supplémentaire en dehors de DHIS2 et de Chap, et s’intègre directement au système DHIS2 déjà utilisé par le pays. Elle est disponible sur l’App Hub de DHIS2.
Grâce à l’interface utilisateur intuitive de l’application Modeling App, les utilisateurs de DHIS2 peuvent choisir parmi tous les modèles disponibles dans Chap, y compris les modèles prédictifs élaborés par des chercheurs de renom du monde entier, ou créer et configurer des modèles personnalisés adaptés au contexte local. Les utilisateurs peuvent sélectionner des covariables et relier des modèles de manière transparente aux données DHIS2.
Grâce à la fonctionnalité d’évaluation de l’application, les utilisateurs peuvent tester rétrospectivement les performances d’un modèle sur des données historiques, afin d’évaluer son efficacité à prévoir les tendances. L’application affiche des fourchettes de probabilité pour chaque prévision, ce qui permet de visualiser le degré de certitude ou d’incertitude d’une prévision. L’application vous permet également de comparer plusieurs modèles côte à côte.
Une fois qu’un modèle a été évalué et validé, vous pouvez utiliser l’application de modélisation pour générer des prévisions. Ces prévisions peuvent être réalisées pour différentes périodes et à différentes échelles géographiques, par exemple des prévisions trimestrielles au niveau des arrondissements. Au sein de l’application, vous pouvez facilement choisir d’afficher ces résultats sous forme de tableau, de graphique ou de carte, ce qui vous permet d’identifier les régions les plus exposées à un risque donné pour un mois donné. Ces représentations peuvent ensuite être intégrées de manière transparente dans les tableaux de bord DHIS2 et configurées pour générer des alertes lorsque les prévisions dépassent les seuils définis localement.
Regardez les présentations, consultez la documentation et explorez d’autres ressources pour en savoir plus et commencer à utiliser Chap et l’application de modélisation.
Découvrez Chap et l’application de modélisation grâce à cette courte vidéo.
Une présentation approfondie issue de l’Académie DHIS2 « Climat et santé » de 2026.
Consultez la documentation détaillée de Chap, découvrez des guides étape par étape pour la configuration et l’utilisation, et apprenez-en davantage sur la conception et le partage de modèles.
Les outils DHIS2 destinés à la modélisation prédictive évoluent en permanence afin de répondre aux nouveaux besoins des pays et aux avancées des connaissances à l’échelle mondiale. Les travaux de l’HISP dans ce domaine s’inscrivent dans le cadre d’un projet collaboratif. Nous invitons toutes les personnes intéressées par le développement conjoint du traitement des données, de l’apprentissage automatique et des logiciels à faire part de leurs contributions afin de faire progresser le domaine de l’analyse des données de santé, et nous accueillons volontiers les contributions des responsables de la mise-en-œvre et des utilisateurs de DHIS2. N’hésitez pas à partager vos questions, vos expériences et vos idées concernant ces outils et les cas d’utilisation auxquels ils se prêtent au sein de la Communauté de Pratique DHIS2.