Les épidémies, comme la COVID-19, restent aujourd’hui une menace majeure, exacerbée par la mondialisation, le changement climatique et la croissance démographique. Face à ces crises sanitaires, la modélisation épidémiologique joue un rôle clé dans les prises de décision des politiques de santé publique. Les modèles traditionnels, largement utilisés aujourd’hui, permettent d’estimer des paramètres épidémiologiques clés pour l’estimation de la gravité de la situation, la prévision de l’évolution future d’une épidémie et l’évaluation de l’impact de différentes mesures sanitaires (confinement, vaccination, renforcement hospitalier). Leur transparence, leur rigueur scientifique et leur capacité à tester des scénarios alternatifs en font des outils essentiels pour la prise de décision. L’essor de l’intelligence artificielle (IA) permet aujourd’hui d’intégrer de grandes quantités de données en temps réel (mobilité, environnement, réseaux sociaux). L’IA offre des projections plus fines et exploite des informations complexes difficilement intégrables dans les modèles classiques. Cependant, ses limites incluent un manque de transparence, des besoins en données massifs et un risque d’inégalités d’accès à ces technologies et aux données d’entraînement. L’avenir réside donc dans une approche hybride combinant la robustesse et l’interprétabilité des modèles traditionnels avec la puissance d’analyse de l’IA, afin d’optimiser la gestion des épidémies tout en garantissant une équité dans l’accès aux outils de surveillance et de prévention.

Epidemics, such as COVID-19, remain a major threat today, exacerbated by globalization, climate change, and population growth. In response to these health crises, epidemiological modeling plays a key role in public health policy decision-making. Traditional models, widely used today, help estimate key epidemiological parameters to assess the severity of a situation, predict the future course of an epidemic, and evaluate the impact of various health measures (lockdowns, vaccination, hospital capacity reinforcement). Their transparency, scientific rigor, and ability to test alternative scenarios make them essential tools for decision-making. The rise of artificial intelligence (AI) now enables the integration of large amounts of real-time data (mobility, environment, social networks). AI provides more refined projections and leverages complex information that is difficult to incorporate into classical models. However, its limitations include a lack of transparency, high data requirements, and the risk of inequalities in access to these technologies and training data. The future, therefore, lies in a hybrid approach that combines the robustness and interpretability of traditional models with the analytical power of AI, aiming to optimize epidemic management while ensuring equitable access to surveillance and prevention tools.