# Predicting malaria dynamics in Burundi using deep Learning Models

**Authors:** Daxelle Sakubu, Kelly Joelle Gatore Sinigirira, David Niyukuri  
**arXiv:** [2306.02685](https://arxiv.org/abs/2306.02685)  
**Date:** 2023-06-05  
**Summary page:** https://www.summarizepaper.com/fr/paper/2306.02685v2/

## Key points

- Le paludisme est un problème majeur de santé publique en Afrique subsaharienne, notamment au Burundi.
- Des progrès significatifs ont été réalisés dans la lutte contre le paludisme.
- Il existe peu de modèles de prédiction pour le Burundi.
- Des modèles basés sur l'apprentissage automatique ont été utilisés pour estimer les cas de paludisme au Burundi.
- Le modèle LSTM a été utilisé avec des facteurs liés aux changements climatiques et des données historiques sur le paludisme et la population humaine.
- Différents réglages des paramètres peuvent être utilisés pour déterminer les cas minimum et maximum attendus de paludisme au niveau national.
- La version univariée du modèle LSTM donne des estimations plus précises au niveau provincial.
- Les chercheurs ont extrait et traité des données météorologiques ainsi que des données historiques sur le paludisme et la population humaine.
- Les valeurs manquantes dans les données météorologiques ont été comblées à l'aide d'un algorithme appelé missForest.
- Les modèles LSTM ont montré leur efficacité pour prédire les cas de paludisme au niveau provincial et national.
- Cette étude contribue à combler le manque de modèles de prédiction pour le Burundi et fournit des informations précieuses pour la conception d'interventions contre le paludisme.

## Summary

Le paludisme reste un problème majeur de santé publique sur le continent africain, en particulier en Afrique subsaharienne. Cependant, des efforts sont en cours et des progrès significatifs ont été réalisés. Au Burundi, le paludisme est l'une des principales préoccupations de santé publique. Dans la littérature, il existe peu de modèles de prédiction pour le Burundi. Nous savons que de tels outils sont très nécessaires pour la conception d'interventions. Dans notre étude, nous avons construit des modèles basés sur l'apprentissage automatique pour estimer les cas de paludisme au Burundi. La prévision des cas de paludisme a été réalisée au niveau provincial et à l'échelle nationale également. Le modèle LSTM (Long Short Term Memory), un type de modèle d'apprentissage profond, a été utilisé pour obtenir les meilleurs résultats en utilisant des facteurs liés aux changements climatiques tels que la température, les précipitations et l'humidité relative, ainsi que des données historiques sur le paludisme et la population humaine. Avec ce modèle, les résultats ont montré qu'au niveau du pays, différents réglages des paramètres peuvent être utilisés afin de déterminer les cas minimum et maximum attendus de paludisme. La version univariée de ce modèle (LSTM), qui apprend à partir des dynamiques antérieures des cas de paludisme, donne des estimations plus précises au niveau provincial, mais les deux modèles présentent globalement les mêmes tendances au niveau provincial et national. Dans cette étude, les chercheurs ont extrait et traité des données sur une échelle mensuelle et annuelle, notamment des données météorologiques telles que l'humidité relative, les précipitations et la température, ainsi que des données historiques sur le paludisme et la population humaine. Les valeurs manquantes dans les données météorologiques ont été comblées à l'aide d'un algorithme appelé missForest, qui prend en compte les relations possibles entre les variables. Les modèles LSTM ont été utilisés pour prédire les cas de paludisme au niveau provincial et national. Ces modèles ont montré leur efficacité en utilisant des facteurs liés aux changements climatiques ainsi que des données historiques sur le paludisme. Les résultats ont montré qu'il est possible de déterminer les cas minimum et maximum attendus de paludisme en ajustant les paramètres du modèle au niveau du pays. La version univariée du modèle LSTM a donné des estimations plus précises au niveau provincial. Cette étude contribue à combler le manque de modèles de prédiction pour le Burundi et fournit des informations précieuses pour la conception d'interventions visant à lutter contre le paludisme. Les résultats obtenus peuvent aider les décideurs politiques et les professionnels de la santé à prendre des mesures appropriées pour prévenir et contrôler cette maladie grave.