Le problème du réseau sentinelle

Article publié à l'origine en anglais.

Ce que rendent possibles soixante ans du même formulaire

À l'hiver 2008, une centaine de cabinets de médecine générale en Angleterre faisaient ce qu'ils font chaque semaine : transmettre un court rapport standardisé à Public Health England. Le rapport ne demande qu'une chose : combien de patients ont présenté cette semaine un nouvel épisode de maladie aiguë, une température supérieure à 38 degrés et au moins un symptôme respiratoire ? Pas « combien de personnes semblaient malades ». Un cas défini. Un seuil constant. Le même formulaire, dans chaque cabinet, chaque semaine, depuis 1967.

En avril 2009, les retours hebdomadaires de ces cabinets ont franchi un seuil. Le taux d'incidence avait dépassé la ligne de base épidémique pré-calculée dans une cohorte démographique inhabituelle, selon un schéma qui ne correspondait pas à la norme saisonnière. La confirmation en laboratoire n'était pas encore arrivée. Aucune annonce clinique n'avait été faite. Le système avait déjà enregistré que quelque chose avait changé.

La détection précoce a été une fonction de la continuité, non de la capacité technique : le même formulaire, transmis chaque semaine pendant quarante-deux ans.

Ce qui fait fonctionner un réseau sentinelle

Le système sentinelle grippe RCGP/UKHSA n'est pas une histoire de technologie. Les cabinets utilisent des systèmes de dossiers cliniques ordinaires. Le rapport hebdomadaire est un retour sous forme de tableur. Le signal n'émerge pas d'une infrastructure sophistiquée mais de deux principes qui agissent ensemble.

Premièrement : chaque observateur utilise la même définition de cas. « Syndrome grippal confirmé » signifie la même chose à Exeter qu'à Newcastle. Deuxièmement : les données sont exprimées en taux d'incidence pour 100 000 habitants plutôt qu'en chiffres bruts, ce qui rend des régions de tailles différentes directement comparables. Un cabinet rural et un cabinet urbain apportent des observations équivalentes.

À partir de cet ensemble de données comparable, le système calcule une ligne de base statistique à l'aide de la méthode épidémique mobile (Moving Epidemic Method, MEM), développée par Tomás Vega et ses collègues et désormais utilisée dans le réseau de surveillance de l'ECDC qui couvre trente pays. La MEM ne définit pas seulement une moyenne mais un seuil : le point auquel l'incidence hebdomadaire est passée d'une variation saisonnière normale à une activité épidémique. Le système n'alerte pas lorsque les cas augmentent. Il alerte lorsque les cas franchissent la ligne pré-calculée.

C'est la distinction critique. Le réseau sentinelle ne standardise pas le traitement. La manière dont chaque généraliste prend en charge un patient varie énormément. Ce qu'il standardise, c'est l'observation : ce qui compte comme un cas, quel est le seuil, quelles conditions l'accompagnent. Il applique ensuite un cadre statistique qui définit ce qui constitue un signal par rapport au bruit de fond attendu.

L'ECDC a porté le même principe à l'échelle continentale. TESSY, le Système européen de surveillance, collecte depuis 2008 des données de surveillance standardisées sur 52 maladies transmissibles dans 30 pays. Ce qui le fait fonctionner, ce n'est pas la technologie, c'est le fait que chaque pays remette la même observation dans le même format, et l'intelligence qui en émerge n'est tout simplement pas accessible autrement.

Le fossé du gazon

Chaque greenkeeper tient un cahier de pulvérisations. Beaucoup le font désormais en numérique. D'un site à l'autre, ces registres sont rarement structurés d'une manière qui les rende comparables à ceux d'un autre.

« Dollar spot présent » sur le registre d'un parcours signifie que le superintendent a identifié les premiers mycéliums cotonneux sur le limbe à 6 heures du matin, avant que la rosée ne sèche, avant qu'aucune tache ne se soit formée. Sur un autre, les mêmes mots décrivent des taches paille déjà établies sur plusieurs greens, visibles et mesurables par surface. Le premier enregistrement est un signal précoce. Le second est un constat d'évolution. Les deux décrivent le même agent pathogène activement présent sur le parcours. Les observations peuvent être séparées de trois à cinq jours dans le développement de la maladie, et il n'existe aucune échelle de sévérité commune qui les relie.

Ce n'est pas un problème de données au sens classique. Les données existent. Les observations ont lieu. Les décisions de gestion sont prises et consignées. C'est un problème structurel : les enregistrements de ces observations n'ont jamais eu vocation à se relier les uns aux autres, ni entre sites, et, plus important encore, ni au sein d'un même site d'une saison à l'autre.

La recherche en phytopathologie dispose depuis des décennies de protocoles d'évaluation standardisés : l'échelle Horsfall-Barratt, le pourcentage de surface atteinte par unité d'évaluation définie, des grilles de sévérité structurées. Ils sont utilisés en travaux d'essai. Le décalage tient à ce qu'ils n'ont pas migré des conditions de recherche vers la pratique de terrain courante, de façon constante et à grande échelle.

Le résultat est un déficit d'intelligence très spécifique. Un superintendent qui traite le dollar spot sur un parcours en agrostide du Surrey, trois mois de juin consécutifs, détient des données potentiellement plus précieuses que n'importe quel modèle de risque générique. Mais à moins que ces enregistrements d'application ne soient reliés aux conditions qui ont précédé le traitement (la valeur de l'indice de risque cumulé à ce moment-là, les heures d'humectation foliaire, les températures nocturnes, le programme azoté des semaines précédentes), la trame ne peut pas être extraite. Les données existent. La structure qui les rendrait exploitables, non.

La pile de données individuelle est déjà un système prédictif

Le modèle de prévision du dollar spot Smith-Kerns, développé à la North Carolina State University et publié dans Plant Disease en 2018, génère un indice de risque à partir d'une moyenne mobile sur cinq jours des températures maximales et minimales quotidiennes et de l'humidité relative. C'est le modèle prédictif le plus rigoureusement validé pour ce pathogène et il fonctionne, mais il fonctionne comme un instrument à l'échelle d'une population. Il prédit des conditions favorables, pas des événements d'infection. Il ne connaît pas la sensibilité de votre cultivar, la dynamique azotée de votre sol, l'épaisseur de votre feutre, ni l'historique de gestion qui a façonné la réponse spécifique de votre site à ces conditions.

L'écart entre « les conditions sont favorables » et « la maladie va apparaître sur vos greens » est précisément l'écart que comble une donnée structurée propre au site.

Lorsque les applications de produits sont reliées, dans un système structuré, aux conditions au moment du traitement (la valeur de l'indice de risque, les heures d'humectation foliaire, la température du sol, les apports azotés, la hauteur de tonte, ainsi que toute opération mécanique récente susceptible d'avoir stressé le gazon) et aux résultats observés ensuite, vous pouvez poser une question à laquelle aucun modèle générique ne sait répondre : quelle combinaison de conditions a, sur ce site précis, précédé de manière fiable un épisode de maladie au cours des trois dernières saisons ?

La réponse à cette question, tirée des registres structurés du site lui-même, constitue déjà un modèle prédictif propre au site, qu'aucun outil externe ne peut reproduire, parce qu'il a été bâti à partir du terrain précis dont on l'interroge.

Et cela va plus loin. Lorsque les mêmes données structurées relient les apports nutritionnels à la réponse de croissance, l'état du sol au taux d'infiltration, la décision de gestion au résultat mesurable sur une saison complète, le site a construit quelque chose de plus utile que n'importe quel modèle externe calibré sur une population lointaine de parcours : un enregistrement de plus en plus précis de la cause et de l'effet sur son propre terrain.

C'est cette pile de données individuelle qui compte. Elle n'exige pas une nouvelle initiative de reporting. Elle exige que les données collectées dans le cours normal de la gestion, qui existent déjà, soient structurées de façon à pouvoir être reliées, interrogées et comparées dans le temps.

Ce qui a été réellement inventé en 1967

Les praticiens des maladies infectieuses observaient des schémas depuis des siècles avant l'existence du réseau sentinelle de médecins généralistes. John Snow a cartographié l'épidémie de choléra de Broad Street à Londres en 1854. William Farr publiait depuis 1839 des analyses statistiques de la mortalité par cause au General Register Office. L'observation n'était pas nouvelle.

Ce qui a changé en 1967, ce n'est pas l'observation. C'est la standardisation de ce qui comptait comme observation, et l'architecture qui rendait des observations individuelles comparables à l'échelle régionale.

C'est une technologie différente des outils de données qui ont suivi. C'est aussi, et de loin, la plus déterminante. Sans la définition partagée, aucune quantité d'infrastructure de données ne produit d'intelligence. Avec elle, des cabinets individuels accomplissant leur travail ordinaire contribuent, sans effort supplémentaire, à un système capable de détecter ce qu'aucun praticien isolé ne pourrait voir.

L'industrie du gazon est, en 2026, dans la position d'avoir les praticiens, les données et, de plus en plus, l'infrastructure numérique. Le réseau sentinelle n'a pas besoin d'être construit séparément. Il doit émerger de l'architecture de données que la bonne gestion d'un site justifie déjà, appliquée de manière constante, connectée à grande échelle.

Sources : Modèle de prévision du dollar spot Smith-Kerns, Smith et al., Plant Disease, 2018. Méthode épidémique mobile (Moving Epidemic Method), Vega et al., Influenza and Other Respiratory Viruses, 2013. Reclassification taxonomique de Clarireedia jacksonii, 2018. ECDC TESSY, ecdc.europa.eu/en/tessy. Surveillance sentinelle RCGP/UKHSA, ukhsa.gov.uk. Recherche USGA Green Section sur les maladies du gazon, usga.org/course-care