Le 17 mai 2026, l’Organisation mondiale de la Santé a qualifié l’épidémie d’Ebola causée par le virus Bundibugyo en République démocratique du Congo et en Ouganda d’urgence de santé publique de portée internationale, 2 jours seulement après que l’épidémie a été signalée pour la première fois. 5 mois plus tard, des cas d’Ebola ont été recensés dans 60 zones de santé réparties dans 6 provinces de la RDC.
Initialement débordé par la complexité et l’ampleur de l’épidémie, le système de riposte s’est progressivement renforcé. Par exemple, la proportion de contacts de cas confirmés suivis dans les 24 heures suivant leur identification, un indicateur clé mesurant la capacité du système de riposte à anticiper l’épidémie plutôt qu’à la subir, est passée de 21 % lors de la première semaine de l’épidémie à plus de 82 % fin août, selon les rapports du ministère de la Santé.
La clé pour pouvoir maîtriser l’épidémie réside dans le renforcement du système de données utilisé pour suivre les cas, comprendre la dynamique de l’épidémie, orienter les activités de riposte et anticiper l’évolution de l’épidémie. Collecter, gérer et analyser les données nécessaires à cet effet constitue un défi majeur, en particulier dans un environnement contraint comme l’est de la RDC, touché par le conflit.
Au cours des 5 derniers mois, Bluesquare a développé son action en appui au système de gestion des incidents pour l’épidémie d’Ebola, en mettant au point des solutions pour améliorer la façon dont les données sont collectées, dont leur qualité est vérifiée et gérée, et pour apporter des outils d’analyse de données de pointe, y compris des capacités d’IA, en première ligne de la lutte contre Ebola.
À l’heure actuelle, il n’existe aucun vaccin ni traitement approuvé contre la souche Bundibugyo du virus Ebola. Certains rapports indiquent également que les symptômes cliniques de cette souche sont plus légers que ceux d’autres souches du virus Ebola. Des symptômes limités et l’absence d’options thérapeutiques claires, combinés à la réticence associée aux Centres de Traitement Ebola (CTE) dans les communautés touchées, ce qui fait que les personnes malades ont peu d’incitation à se rendre dans les centres de santé et sont identifiées tardivement, voire pas du tout, par le système de santé.
La stratégie de lutte contre l’épidémie est affectée par cette situation. Le système de riposte risque de toujours courir derrière les nouvelles infections, en les identifiant tardivement. La nécessité d’une recherche des contacts et d’un suivi des cas efficaces est alors essentielle pour maîtriser l’épidémie. Dans un contexte marqué par des problèmes d’accessibilité et par la violence, l’investigation des cas et les visites à domicile pour la recherche des contacts sont exceptionnellement difficiles et reposent sur le courage et l’engagement de l’ensemble des agents de santé et des partenaires impliqués.
Pour rendre la recherche des contacts aussi efficace que possible, disposer de bonnes données est essentiel. Les alertes concernant de potentiels nouveaux cas doivent être de bonne qualité afin de pouvoir être relayées dans la communauté et investiguées par les équipes de riposte. Les contacts potentiels doivent être identifiés, atteints, testés, et les résultats des tests doivent être communiqués en retour. Les nouveaux cas doivent être pris en charge, tandis que l’apparition de symptômes chez les contacts est suivie. À chaque étape, des données sont collectées. Ces données peuvent prendre de nombreuses formes : des noms et des symptômes notés sur papier au bout d’une piste en terre, le nombre quotidien d’alertes partagées sur WhatsApp via des réseaux téléphoniques défaillants, ou encore des résultats de tests obtenus en laboratoire. Veiller à ce que toutes ces données soient obtenues, compilées et utilisées est essentiel à notre travail.
Une ressource clé pour collecter et transmettre les données depuis la première ligne de l’épidémie est l’outil de suivi (tracker) DHIS2 mis en place par la DSNIS et la COUSP pour appuyer la riposte. Mais l’encodage direct des données dans DHIS2, bien que simplifié et rationalisé, requiert un niveau d’alphabétisation permettant de naviguer et de saisir des données complexes, ce qui n’est pas toujours le cas dans les centres de santé éloignés. Les informations relatives aux cas et aux contacts sont alors enregistrées sur des formulaires papier au centre de santé, puis transportées physiquement jusqu’au bureau de la zone de santé, où les gestionnaires de données numérisent à la main des dizaines, voire des centaines de formulaires. Et même dans les formations sanitaires où la saisie des données est possible, la connectivité, même facilitée par des terminaux Starlink, n’est pas toujours au rendez-vous.
Chaque étape de cette chaîne ajoute un délai et une perte de données, ce qui donne au système de riposte une image retardée et partielle de l’épidémie, même lorsqu’il parvient à l’obtenir. Même avec des systèmes d’analyse de données puissants comme celui que Bluesquare développe avec l’infrastructure de données existante de la DSE et de la COUSP en Ituri, ces données incomplètes constituent un obstacle fondamental au renseignement épidémiologique et doivent être résolues.
Pour améliorer la qualité et la disponibilité des données primaires, Bluesquare travaille selon 2 axes.
Appariement avancé pour relier les données des centres de traitement à DHIS2 : L’exhaustivité des données de prise en charge et de traitement dans DHIS2 est un défi depuis le début de l’épidémie. Le déploiement de DHIS2 dans les Centres de Traitement Ebola (CTE) a été plus lent que dans les laboratoires, mais des données au niveau individuel ont tout de même été collectées. Bluesquare travaille à la mise en œuvre de pipelines OpenHEXA pour extraire, apparier et réintégrer ces données individuelles dans DHIS2. L’objectif est de disposer d’un outil de collecte de données officiel plus complet pour l’équipe de gestion des incidents à Bunia.
Des agents IA sur WhatsApp pour améliorer la rapidité et l’identification dans DHIS2 Tracker : Une digitalisation précoce est essentielle à la gestion de l’épidémie. En RDC, le formulaire de notification part du centre de santé vers la zone de santé, le patient se rend au CTE, et l’échantillon part au laboratoire. Sans identifiant unique, il est difficile de faire correspondre le formulaire, le patient et l’échantillon.
Avec désormais 60 zones de santé touchées, et des données issues de systèmes de collecte fragiles, il devient chaque semaine plus difficile de donner du sens à la liste croissante des patients (line list) À mesure que le nombre d’alertes augmente, le ministère de la Santé doit redoubler d’efforts pour maintenir et vérifier la qualité d’une base de données en expansion constante ; maintenir la qualité de la line list est essentiel pour garantir une compréhension claire de l’épidémie.
Avec plusieurs équipes travaillant simultanément sur l’assurance qualité de flux de données complexes, il s’est avéré difficile pour la SGI d’imposer des processus d’audit de données standardisés à l’ensemble des gestionnaires de données. Les outils disponibles consistaient principalement à appliquer des filtres Excel pour repérer les problèmes, sans méthode ni approche standardisée. Mettre en place une routine d’audit de données standardisée en développant un outil dédié semblait une tâche difficile pour une équipe de gestion des urgences, et utiliser des outils déjà disponibles paraissait plus simple.
Un processus de développement assisté par l’IA au sein de la plateforme d’intégration de données OpenHEXA de la COUSP a permis de construire rapidement une application web adaptée aux besoins exacts des équipes de surveillance travaillant dans la gestion des incidents. L’outil offre à ces équipes une visualisation rapide des line lists saisies dans DHIS2, avec un calcul automatisé et vérifié des indicateurs clés, notamment les cas confirmés et les décès confirmés, ainsi que des signalements pour des problèmes de qualité des données tels que des dates de notification incohérentes ou des classifications de diagnostic final incorrectes. Il garantit que chaque gestionnaire de données applique des filtres standardisés pour le contrôle des données et utilise le même outil et les mêmes visuels.
L’application a été développée avec un délai de réalisation très court (moins d’une semaine entre la définition des spécifications et la validation), ce qui garantit que les solutions apportées sont très proches des besoins des utilisateurs de terrain. De plus, l’application est hébergée sur les ressources propres de la SGI, ce qui la rend transparente et facile à faire évoluer si de nouvelles spécifications apparaissent.
Dans un contexte d’urgence, ce développement assisté par l’IA, auditable et géré localement, représente au sens propre une avancée réellement déterminante. Les équipes impliquées dans la gestion des urgences, disposant de ressources de développement accessibles, peuvent rapidement créer des outils de gestion de données, itérer, tester et abandonner des idées sans coût. Cela rend beaucoup plus acceptable de demander un peu de temps à ces équipes pour formuler leurs besoins, puisque nous serons en mesure d’apporter des solutions à leurs demandes dans des délais qui ont réellement du sens pour elles.
Nous pensons que la mise en place et l’intégration d’une petite capacité de développement, renforcée par des agents IA adaptés au contexte, au sein des équipes de riposte aux urgences constituent une voie claire pour l’avenir.
Une épidémie à propagation rapide, une connaissance limitée de la souche virale spécifique, et l’absence d’immunité de population ou de couverture vaccinale rendent essentiel, pour les équipes de riposte, de disposer d’une boîte à outils analytique claire et riche pour orienter leurs stratégies et leurs actions. Nous travaillons actuellement à développer cette capacité selon 3 axes.
Le premier besoin auquel nous devons répondre est de fournir les chiffres clés de l’épidémie. Ces chiffres clés définissent ce que chacun devrait savoir sur l’épidémie. Des indicateurs clés, standardisés et reproductibles, pouvant être partagés avec les partenaires, les bailleurs, les médias et le grand public pour communiquer sur l’épidémie de façon fiable.
Bluesquare a appuyé l’automatisation du rapport de situation de la SGI pour fournir ces chiffres, ainsi que le développement de tableaux de bord internes standardisés. Ces produits de données entièrement déterministes sont essentiels à la coordination et à la définition de la stratégie de riposte à l’épidémie.
Pour répondre aux besoins opérationnels, la SGI a souvent besoin que des informations et des résultats précis soient communiqués de façon claire. Les réunions de surveillance hebdomadaires commencent généralement par les principales mises à jour épidémiologiques, suivies de constats propres à la situation du moment : par exemple, comment Ebola se propage-t-il dans les communautés depuis la rentrée scolaire de septembre ?
Ces analyses ne reposent pas uniquement sur des indicateurs standardisés préexistants, mais nécessitent une analyse innovante et complexe pour cerner précisément l’information nécessaire à cet instant précis. Les agents IA au sein d’OpenHEXA ont été optimisés pour générer des tableaux de bord par simple invite (prompt), tout en respectant les définitions et conventions opérationnelles en vigueur, développées par les équipes de gestion et d’analyse des données de la SGI. Cela permet aux équipes d’obtenir une vue rapide et complète de la propagation de l’épidémie, des populations touchées et des zones de concentration du risque, et de répondre rapidement aux questions qui peuvent émerger en cours d’épidémie, même lorsque les données arrivent dans des formats désordonnés, ce qui est généralement le cas dans les situations d’urgence.Des tableaux de bord rapides et adaptables pour une cible mouvante
Les besoins analytiques les plus avancés portent sur des questions complexes nécessitant des éclairages épidémiologiques clés : quelles sont les populations les plus touchées et les principaux facteurs de risque ? Quelles sont les voies de propagation de l’épidémie les plus probables dans les prochains jours ? L’épidémie a-t-elle un impact sur la mortalité associée à d’autres maladies ?
Pour cela, Bluesquare collabore avec des équipes académiques de premier plan afin de développer un lien direct entre les données de terrain, des données complémentaires et une réflexion épidémiologique de pointe. Avec le financement de la CEPI, Bluesquare fait partie du consortium B-React dirigé par l’INRB et l’INSP de la RDC, et réunissant l’École de santé publique de Kinshasa, l’université d’Oxford, l’Imperial College, l’Institut Pasteur et Flowminder pour développer une plateforme facilitant une analyse épidémiologique complexe, afin de faciliter le développement du vaccin BDBV. Il s’agit du niveau le plus élevé de la plateforme.
À travers ces 3 étapes, du formulaire papier dans un centre de santé jusqu’au tableau de bord utilisé par le ministère de la Santé, le fil conducteur reste le même : le Centre des opérations d’urgence de santé publique (COUSP) et ses épidémiologistes conservent le plein contrôle opérationnel de la riposte, et le rôle de Bluesquare est de veiller à ce que les données sous-jacentes restent exploitables à chaque étape, en évaluant où l’IA supprime réellement des points de friction plutôt que d’en créer de nouveaux.
Pour en savoir plus sur la façon dont Bluesquare appuie plus largement la surveillance des épidémies, consultez la page Surveillance One Health.
