L’avènement de la COVID-19 a mis en vedette l’une des disciplines existantes mais jadis mal connue “la géographie de la santé”. Dédiée entre autres à la compréhension des endémies, épidémies et pandémies suivant leur dimension spatiale. Intimement liée aux domaines de la santé publique et de la médecine, la “Géographie de la Santé” concentre les concepts et les catégories sur les populations et les aspects démographiques concernant la santé. Elle analyse techniquement et spatialement le territoire tout en intégrant des approches structuralistes, telles que la culture, la sociologie, le bien être social et une approche critique sur l’emplacement. De ce fait, les technologies SIG se posent comme un outil de prédilection incontournable pour les experts de la géographie de la santé.
La géographie de la santé a évolué parallèlement avec les possibilités qu’offrent les technologies SIG Pour les besoins d’exploration, de visualisation de traitement et d’analyse spatiales de données. Dans ce sens, d’importantes analyses spatiales menées pour la compréhension spatio-temporelle des endémies comme, la fièvre Dengue en Equateur et en Honduras ; ou encore le paludisme (Malaria) en Afrique Subsaharienne. L’exemple du Ghana est très éloquent, car il a permis de comprendre la corrélation entre les facteurs et la prévalence au niveau de chaque localité, ce qui a permis de mettre en place des plans de prévention différenciés à l’échelle nationale. Par ailleurs, d’autres études en rapport avec la Malaria ont utilisé le SIG dans les pays où la maladie est considérée comme éradiquée en vue de prévenir la résilience à l’échelle des localités montrant une vulnérabilité au regard de l’endémie. De même, la même approche a été utilisée au Bengal pour l’identification et la spatialisation des hotspots de la Malaria à l’échelle du Bengal.
Les outils SIG et les analyses spatio-temporelles ont permis aux autorités compétentes et aux services de santé de mieux contrôler et d’atténuer la violence de ces endémies et de prendre des décisions sur des bases éclairées.
Au titre des épidémies ou encore des pandémies, avant l’avènement de la COVID-19, les SIG et les analyses spatiales ont été souvent cités dans les études et travaux associés au choléra. Cette approche a permis d’enregistrer des progrès notables dans la gestion de cette maladie à double statut (considérée comme endémie en Afrique Australe et comme épidémie dans les pays de l’Afrique de l’Est). Un prototype d’outils SIG a été mis en place en vue d’identifier les conditions préalables favorables aux épidémies de choléra. Des efforts similaires sont menés pour le cas de l’épidémie de la fièvre Ebola.
Par ailleurs, face à la pandémie actuelle (COVID-19), aucun effort n’a été ménagé dans la sollicitation de la pointe des nouvelles technologies de l’information et de la communication (NTIC) ou encore des technologies SIG. Ces dernières ont été mises à contribution entre autres dans les analyses spatio-temporelles; l’expansion; la cartographie de la maladie; la corrélation avec les facteurs environnementaux; exploration des données massives; et la cartographie Web.
Par exemple, dès le début de la pandémie, à partir des données recueillies dans les laboratoires et hôpitaux chinois, les analyses spatiales ont permis très rapidement la caractérisation du profil du patient moyen (âge moyen, sexe, symptômes) tout en incluant leurs caractéristiques spatio-temporelles. La facilité offerte par les outils SIG a permis aux experts de mener rapidement ces études suivi de leur publication, ce qui a permis aux autorités de s’apercevoir rapidement de la vitesse de propagation de l’épidémie à l’échelle de la Chine ; d’établir les caractéristiques cliniques des patients atteints, de déterminer la distribution des cas ; et d’établir leur corrélation avec la migration des populations de Wuhan au tout début de l’épidémie. Ces acquis ont été d’un apport notable dans l’alerte précoce de l’épidémie, et l’expérience peut servir de repère dans la gestion des futures épidémies.
Bien que tardives, les analyses spatio-temporelles ont été appliquées à l’échelle du monde, ce qui a permis tant bien que mal de comprendre et contrôler la COVID-19 à l’échelle de ses pays. Par exemple, aux USA, des analyses spatio-temporelles prospectives ont permis d’identifier les groupes COVID-19 actifs et émergents à l’échelle de chaque comté; aussi le suivi de la dynamique des groupes précédemment détectés. Par ailleurs, ces analyses spatiales ont permis d’établir deux indices en Afrique du sud : l’un contribuant au choix des mesures barrières à adopter et à promouvoir à l’échelle de chaque bidonville; et l’autre renseignant sur les facteurs de risque qui augmentent la vulnérabilité sociale et sanitaire dans le contexte de l’épidémie et d’une quarantaine plus large.
La COVID-19 se caractérise par une longue période d'incubation, une infectivité élevée et des difficultés de détection, ce qui a contribué à l'apparition et au développement rapides de l'épidémie. Face à cette situation, les plateformes de GeoAI (Intelligence Artificielle Géospatiale) ont été mobilisées, ce qui a permis de mener rapidement des analyses spatiales pertinentes et d’avoir des résultats sur la dynamique de l’épidémie et une meilleure compréhension de son approche de développement. Ceci a fourni une assise considérable pour une meilleure prise de décision; une organisation optimale des interventions; et une maîtrise de la pandémie à l’échelle des états et du monde. Par exemple, aux USA, les données anonymes sur les emplacements des appareils mobiles ont été utilisées pour mesurer la mobilité de la population par jour. Et, en Chine, les statistiques géospatiales ont été utilisées pour prédire les niveaux de propagation de l’épidémie et évaluer l’efficacité des stratégies de politique de santé en vue de l’endiguement de la maladie. Les mêmes données ont été analysées pour la représentation spatiale de la maladie, et cela à l’échelle individuelle (suivi spatial de l'épidémie et mobilité spatio-temporelle des personnes infectées), groupe (flux de population distribution spatiale) et régionale (segmentation spatiale des risques, offre et demande géographiques de ressources médicales). Dans ce sens, Esri propose une plateforme GeoAI qui permet d’agréger rapidement les données massives multi-sources; de visualiser rapidement les informations sur une base géospatiale, de prédire les modes de transmissions en s’appuyant sur les modèles traditionnels et surtout sur l’IA (Machine Learning et Deep Learning,…).
La plupart des solutions Esri développées récemment sont conçues de telle manière à mettre en orchestre les SIG et l’IA, et communiquent de manière transparente avec les autres plateformes d’IA intelligentes existantes (AWS, TensorFlow, IBM Watson, mxnet, scikit learn…). La stabilité et la maturité des solutions Esri garantissent un gain de temps considérable dans l’extraction des connaissances et dans la prise de décision, cela permet aux décideurs d’être proactifs vis-à-vis de la pandémie et de son comportement. Et cette proactivité est encore à la portée grâce aux solutions et fonctionnalités de partage des données disponibles dans la plupart des solutions Esri.