Extraction des connaissances à partir des données Firebase pour l’analyse épidémiologique basée sur le clustering DBSCAN

Abstract

Face à l'évolution rapide des crises sanitaires, les systèmes de santé sont contraints d'opérer une transition numérique vers une épidémiologie précise. Cette publication expose une démarche novatrice de récupération de savoir à partir de grandes quantités de données conservées sur la plateforme NoSQL Firebase, mise en oeuvre dans le cadre du suivi épidémiologique au sein de la Coordination Provinciale du PNMLS Kwilu. L'ambition est de convertir des flux de données diversifiés en instruments de prise de décision stratégique. Nous avons mis en place un pipeline d'analyse qui inclut l'algorithme de regroupement spatial DBSCAN (Density-Based Spatial Clustering of Applications with Noise) pour y parvenir. DBSCAN, par opposition aux techniques traditionnelles, a facilité la détection de foyers de contagion aux contours irréguliers tout en écartant les données aberrantes ou isolées, jugées comme du « bruit » statistique. Les résultats indiquent que la combinaison de la rapidité de Firebase et de la capacité de segmentation DBSCAN conduit à une cartographie dynamique des régions à forte prévalence. Cette recherche fournit aux responsables du PNMLS Kwilu une compétence d'intervention ciblée, améliorant ainsi la répartition des ressources de santé dans toute la province.

A digital shift toward precision epidemiology is required due to the quick evolution of health emergencies. In the context of epidemiological monitoring within the Provincial Coordination of PNMLS Kwilu, this study introduces a novel method for knowledge extraction from large datasets stored on the Firebase NoSQL platform. Converting diverse data sources into tools for strategic decision-making is the goal. We developed an analytical pipeline that integrated the DBSCAN (Density-Based Spatial Clustering of Applications with Noise) spatial clustering algorithm in order to accomplish this. In contrast to conventional techniques, DBSCAN found contagion hotspots with irregular shapes while eliminating outliers or solitary cases that were regarded as statistical "noise." The findings show that dynamic mapping of high-prevalence areas is made possible by the combination of Firebase's velocity and DBSCAN's segmentation power. This study optimizes the distribution of healthcare resources throughout the province by giving PNMLS Kwilu decision-makers a targeted intervention capacity.