L’IA de Google se classe première pour prédire les hospitalisations pour grippe : ce que montrent les recherches

L'IA de Google arrive en tête pour la prédiction des hospitalisations liées à la grippe : ce que montre la recherche

Le 30 septembre 2026, Google a publié sur son blog consacré à l'IA un billet dont le titre tourne autour d'un résultat unique et frappant : l'IA de Google arrive en tête pour la prédiction des hospitalisations liées à la grippe. Le billet est disponible à l'adresse blog.google/innovation-and-ai/models-and-research/google-research/google-science-ai-flu-forecasts.

C'est là le cœur vérifié de cette histoire, et il vaut la peine d'être précis sur ce qu'il contient et ne contient pas. Cet article traite l'affirmation phare et ses détails de publication comme le fondement factuel. Tout le reste ici relève soit d'un raisonnement de domaine sur la manière dont la prévision des maladies infectieuses est évaluée, soit d'un flux de travail pratique que vous pouvez exécuter vous-même pour comprendre pourquoi un « classement n° 1 » est une affirmation plus difficile qu'elle n'en a l'air.

L'affirmation vérifiée, énoncée clairement

Deux éléments sont établis par la source :

1. Google a publié un article de recherche sur la prévision des hospitalisations liées à la grippe fondée sur l'IA.
2. L'article présente le système de Google comme classé premier dans cette tâche de prévision.

C'est tout ce qui peut être affirmé avec confiance à partir des documents sources disponibles. Dans les éléments vérifiés ici, l'article ne fournit pas de tableau de référence, d'ensemble de comparaison nommé, de définition de métrique ni d'horizon de prévision. Ces détails peuvent exister dans l'article complet, mais ils ne font pas partie de la base de preuves vérifiée de cet article, et les inventer serait pire que de les omettre.

La formulation honnête est donc la suivante : une grande organisation de recherche revendique une première place dans un problème opérationnel de prévision en santé publique. La question d'ingénierie intéressante n'est pas « l'affirmation est-elle vraie » — vous ne pouvez pas en juger à partir d'un titre — mais « que faudrait-il pour que cette affirmation ait un sens, et comment le vérifieriez-vous vous-même ? »

Pourquoi « arrive en tête » est une expression chargée

Dans les compétitions de prévision, la « première place » n'est pas une propriété d'un modèle. C'est une propriété d'un modèle, d'une définition de cible, d'une métrique, d'une fenêtre d'évaluation et d'un ensemble de comparaison considérés ensemble. Modifiez l'un de ces éléments et le classement peut changer.

Examinons quatre leviers que tout lecteur sérieux devrait rechercher :

La cible. « Hospitalisations liées à la grippe » pourrait signifier les nouvelles admissions hebdomadaires, un taux pour 100 000 habitants, un nombre dans un seul État ou un agrégat national. Ce sont des objets statistiques différents avec des profils de bruit différents. Un modèle qui gagne sur une série nationale lissée peut perdre largement sur un petit État aux déclarations volatiles.

L'horizon. Prévoir les admissions de la semaine prochaine est un problème fondamentalement différent de prévoir quatre semaines à l'avance. La précision à court horizon est souvent dominée par la persistance — le chiffre de la semaine dernière est un fort prédicteur de celui de cette semaine. La précision à long horizon est là où une véritable séparation de signal se produit. Un classement qui ne précise pas son horizon est sous-spécifié.

La métrique. L'erreur absolue moyenne, le score d'intervalle pondéré, le score logarithmique et l'erreur en pourcentage peuvent classer les modèles différemment, surtout en présence de valeurs aberrantes et de révisions des déclarations. La prévision probabiliste en particulier récompense la calibration, ce que les métriques de précision ponctuelle ne mesurent pas du tout.

La référence de base. La crédibilité de toute affirmation de première place repose sur la force du plateau. Battre un modèle naïf de persistance est un seuil bas. Battre un ensemble de systèmes opérationnels développés indépendamment et bien réglés est un seuil élevé.

Rien de tout cela ne conteste le résultat de Google. Cela définit simplement l'espace dans lequel le résultat doit être lu.

Ce qui rend la prévision des hospitalisations liées à la grippe inhabituellement difficile

Cette section relève de l'interprétation et d'un raisonnement général de domaine, et non d'une affirmation sourcée sur le système de Google.

Les hospitalisations pour grippe sont un signal retardé, révisé et partiellement observé. Trois propriétés rendent le problème hostile :

Le retard de déclaration. Les admissions sont enregistrées au moment où un patient est admis, mais elles apparaissent dans les flux de surveillance des jours à des semaines plus tard, et le rattrapage est courant. Un modèle qui ne lit que la dernière version voit une image incomplète du passé récent — et le passé récent est exactement ce dont dépendent les prévisions à court horizon.

La révision. Les valeurs publiées pour une semaine donnée changent. Une prévision évaluée par rapport à une valeur préliminaire n'est pas évaluée par rapport à la même cible qu'une prévision évaluée par rapport à la valeur finale. Tout classement n'est aussi stable que sa politique de version de cible.

Les changements de régime. Les saisons grippales varient en timing, en hauteur de pic et en souche dominante. Un modèle réglé sur trois saisons d'historique peut en rencontrer une quatrième qui semble structurellement différente. La généralisation entre saisons est le vrai test, et elle est impitoyable.

Ajoutez la géographie et vous obtenez un fouillis combinatoire. Les prévisions nationales, étatiques et stratifiées par âge sont toutes des tâches légitimes, et la performance ne se transfère pas proprement entre elles.

Prérequis

Pour rendre cela concret, le reste de cet article construit un petit dispositif d'évaluation honnête. Il ne reproduit pas le système de Google, et il n'utilise ni le code, ni les poids, ni les données de Google. Il reproduit la forme du jugement que vous devez porter : définir une cible, définir une référence de base, définir une métrique et tester sur du temps mis de côté.

Avant de commencer, vous avez besoin de :

• Python 3.10 ou plus récent. Les versions antérieures sont utilisables, mais elles se heurteront à certaines des bibliothèques ci-dessous.
• pip et venv. Le module d'environnement virtuel de la bibliothèque standard suffit ; conda n'est pas nécessaire.
• Environ 2 Go d'espace disque libre pour l'environnement et le petit jeu de données synthétiques utilisé ici.
• Un shell de type UNIX (macOS, Linux ou WSL sous Windows) pour les commandes d'activation indiquées.
• Facultativement, git, si vous voulez versionner votre propre dispositif à mesure que vous l'étendez.

Ce dont vous n'avez pas besoin : aucun compte Google, aucune clé API et aucun accès aux systèmes de Google. Le dispositif s'exécute entièrement en local.

Installation pas à pas

Créez un environnement isolé pour que les dépendances n'entrent pas en collision avec votre Python système.

python3 -m venv .venv

Activez-le — sous macOS et Linux, le script d'activation se trouve dans bin, sous Windows il se trouve dans Scripts.

source .venv/bin/activate

Mettez pip à niveau pour ne pas résoudre les paquets avec un résolveur obsolète.

python -m pip install --upgrade pip

Installez la pile scientifique utilisée par le dispositif : NumPy et pandas pour la manipulation des données, scikit-learn pour le modèle à gradient boosting et les métriques, statsmodels pour les utilitaires classiques de séries temporelles, et matplotlib pour le tracé.

pip install numpy pandas scikit-learn statsmodels matplotlib

Figez les versions exactes pour que vos résultats soient reproductibles dans un mois.

pip freeze > requirements.txt

Créez la structure du projet. Garder les données brutes et traitées séparées vous évite d'écraser silencieusement une entrée.

mkdir -p data/raw data/processed src

Facultativement, initialisez le contrôle de version pour pouvoir suivre les modifications des définitions de variables — car c'est là que se trouvent la plupart des bugs de prévision.

git init && git add requirements.txt && git commit -m "Initialize forecasting harness"

Construire un dispositif d'évaluation minimal

Le dispositif utilise une série synthétique, clairement étiquetée comme telle. Les données synthétiques gardent l'exemple exécutable hors ligne et, plus important encore, empêchent quiconque de confondre une sortie jouet avec un résultat de référence.

Écrivez le générateur de données dans src/make_synthetic_data.py. Il construit une série hebdomadaire avec une composante saisonnière hivernale, une légère tendance et un bruit gaussien.

# src/make_synthetic_data.py
import numpy as np
import pandas as pd

rng = np.random.default_rng(7)
weeks = pd.date_range("2015-01-04", periods=520, freq="W-SUN")

t = np.arange(len(weeks))
season = 30 * np.cos(2 * np.pi * (t % 52.18) / 52.18)
trend = 0.05 * t
noise = rng.normal(0, 4, len(weeks))

rate = np.maximum(season + trend + noise + 60, 0)
df = pd.DataFrame({"week_ending": weeks, "flu_hosp_per_100k": rate.round(2)})
df.to_csv("data/raw/synthetic_flu.csv", index=False)
print(df.tail())

Exécutez-le depuis la racine du projet.

python src/make_synthetic_data.py

Écrivez maintenant le backtest dans src/backtest.py. Il décale la série pour créer des variables, met de côté les 20 % de semaines les plus récentes et compare une référence de base de persistance à un régresseur à gradient boosting.

# src/backtest.py
import pandas as pd
from sklearn.ensemble import HistGradientBoostingRegressor
from sklearn.metrics import mean_absolute_error

s = (
    pd.read_csv("data/raw/synthetic_flu.csv", parse_dates=["week_ending"])
    .sort_values("week_ending")
    .set_index("week_ending")["flu_hosp_per_100k"]
)

LAGS = [1, 2, 3, 4, 5, 52]
X = pd.DataFrame({f"lag_{l}": s.shift(l) for l in LAGS})
X["week_of_year"] = s.index.isocalendar().week.to_numpy().astype(int)

start = max(LAGS)
X, y = X.iloc[start:], s.to_numpy()[start:]
cut = int(len(X) * 0.8)

model = HistGradientBoostingRegressor(random_state=0)
model.fit(X.iloc[:cut], y[:cut])
pred = model.predict(X.iloc[cut:])

# Référence de base de persistance : prédire la valeur de cette semaine pour la semaine prochaine.
naive = post = s.shift(1).loc[X.index[cut:]].to_numpy()

print(f"rows          : {len(X)}")
print(f"holdout weeks : {len(y) - cut}")
print(f"persistence MAE: {mean_absolute_error(y[cut:], naive):.3f}")
print(f"gbm         MAE: {mean_absolute_error(y[cut:], pred):.3f}")

Exécutez-le.

python src/backtest.py

Les nombres affichés sont des propriétés de la série synthétique. Ils ne vous disent rien sur la grippe, et rien sur le modèle de Google. Ce qu'ils démontrent en revanche, c'est le point structurel : un modèle à gradient boosting qui bat la persistance sur une série synthétique lisse n'a rien de remarquable, et un titre qui ne rapporte qu'une « première place » sans indiquer la référence de base laisse cette distinction non résolue.

Exemples d'utilisation

Exemple 1 — Remplacez par une vraie série de surveillance. Toute série temporelle hebdomadaire d'hospitalisations avec une colonne week_ending et une colonne de valeur fonctionnera. Pointez le chargeur vers elle et relancez.

python src/backtest.py --data data/raw/your_series.csv

Exemple 2 — Mettez la référence de base à l'épreuve. Remplacez la persistance par une référence de base naïve saisonnière, qui prédit la valeur de la même semaine l'année précédente. Si votre modèle ne peut pas battre la référence naïve saisonnière, vous n'avez pas encore trouvé de signal.

naive_seasonal = s.shift(52).loc[X.index[cut:]].to_numpy()
print(mean_absolute_error(y[cut:], naive_seasonal))

Exemple 3 — Changez l'horizon. Reconstruisez la cible comme une valeur à quatre semaines d'avance au lieu d'une semaine d'avance. La structure des décalages doit respecter l'horizon, sinon vous laissez fuiter des informations futures.

HORIZON = 4
y = s.shift(-HORIZON).to_numpy()[start:-HORIZON]
X = X.iloc[:-HORIZON]

Exemple 4 — Évaluez par saison, pas globalement. Divisez l'échantillon de validation en années saisonnières et rapportez l'erreur par saison. Les métriques agrégées masquent exactement les changements de régime qui comptent en santé publique.

holdout = pd.DataFrame({"y": y[cut:], "pred": pred}, index=X.index[cut:])
per_season = holdout.groupby(holdout.index.year).apply(
    lambda g: mean_absolute_error(g["y"], g["pred"])
)
print(per_season)

Exemple 5 — Utilisez un backtest à origine glissante. Un seul échantillon de validation est un échantillon. Faire glisser l'origine vers l'avant sur de nombreux points de coupure donne une distribution des erreurs plutôt qu'une estimation ponctuelle, ce qui est le standard minimal pour une affirmation de classement.

for origin in range(cut, len(X) - 4):
    tr = slice(0, origin)
    m = HistGradientBoostingRegressor(random_state=0).fit(X.iloc[tr], y[tr])
    print(origin, mean_absolute_error(y[origin:origin + 2], m.predict(X.iloc[origin:origin + 2])))

Une liste de contrôle pratique pour lire un classement « n° 1 »

Lorsque vous rencontrez une affirmation de première place en prévision — celle de Google ou de n'importe qui d'autre — parcourez cette liste avant de la répéter :

• Qu'est-ce qui est exactement prédit ? Des nombres, des taux, des admissions, ou autre chose.
• À quel horizon ? Une semaine, quatre semaines ou une saison complète.
• Contre quel ensemble de comparaison ? Des systèmes nommés, ou un plateau non précisé.
• Selon quelle métrique ? La précision ponctuelle ou un score probabiliste approprié.
• Sur quelle fenêtre d'évaluation ? Une saison est une anecdote ; plusieurs saisons sont une preuve.
• Avec quelle version de la cible ? Des valeurs préliminaires ou révisées.
• Et quelle est la référence de base ? Si elle n'est pas indiquée, le classement n'est pas interprétable.

L'affirmation phare de l'article de Google ne répond qu'à la première question. Le reste est ce qu'un lecteur attentif voudrait voir dans la recherche sous-jacente.

Limites ouvertes et ce que la source n'établit pas

Trois limites méritent d'être énoncées explicitement.

Premièrement, un classement n'est pas un déploiement. Bien performer dans une évaluation rétrospective est nécessaire mais pas suffisant pour l'utilité opérationnelle. Les systèmes opérationnels doivent gérer des flux manquants, des données tardives et des définitions de déclaration changeantes en temps réel.

Deuxièmement, un classement n'est pas une explication causale. Un modèle classé premier peut exploiter un fort corrélat — effets de jours fériés, cadence de déclaration, structure de la saison précédente — plutôt que quelque chose de spécifique à la transmission de la grippe. La première place vous renseigne sur la performance prédictive, pas sur le mécanisme.

Troisièmement, un classement n'est pas une politique. Les décisions de santé publique pèsent le coût, l'équité et la logistique aux côtés de l'exactitude des prévisions. Une prévision légèrement moins exacte avec une incertitude transparente peut être plus utile à un département de santé qu'une prédiction ponctuelle plus exacte.

Rien dans cet article ne contredit le résultat de Google. Le point est plus étroit et plus durable : la force de l'affirmation dépend entièrement de détails qu'un titre ne peut pas porter.

Conclusion

Le billet de blog de Google sur l'IA du 30 septembre 2026 indique que le système de Google arrive en tête pour la prédiction des hospitalisations liées à la grippe. C'est un signal significatif de la part d'un groupe de recherche sérieux travaillant sur un problème véritablement difficile — un problème où les retards de déclaration, les révisions et les changements de régime saisonniers rendent la prévision précise difficile, même pour des équipes bien dotées en ressources.

C'est aussi une affirmation dont le poids réside dans ses détails. Le dispositif de cet article prend environ quinze minutes à installer et ne produit absolument aucun aperçu sur la grippe, mais il rend tangible la structure d'évaluation : une cible, une référence de base, une métrique, un horizon et une fenêtre de validation mise de côté. Une fois que vous l'avez construit, vous ne lirez plus jamais une affirmation de première place en prévision de la même manière.

Si vous voulez aller plus loin, les prochaines étapes à la plus forte valeur sont de remplacer la série synthétique par un vrai flux de surveillance, de remplacer la persistance par une référence naïve saisonnière et de convertir l'unique échantillon de validation en un backtest à origine glissante. Ces trois changements transforment un jouet en quelque chose qui peut réellement départager un classement.