C’est une solution proposée par des chercheurs des universités de Ngaoundéré et d’Australie. Face aux difficultés que rencontrent les hôpitaux dans la gestion des flux des patients alors que les infrastructures sont limitées, ils proposent des solutions à même de désengorger les services en cas de fortes demandes.

Dans les hôpitaux des pays à revenus faibles et intermédiaires comme ceux du Cameroun, l’engorgement des urgences reste un obstacle quotidien à l’accès aux soins. Manque de lits, de personnel, de matériel, les pics d’affluence lors des épidémies, des crises saisonnières, et des accidents de la voie publique sont des véritables challenges que le personnel soignant doit affronter régulièrement. Ce qui met régulièrement les structures sanitaires à rude épreuve. Un chapitre d’ouvrage

scientifique publié chez Springer Nature en 2026, signé par les chercheurs Belona Sonna de l’Austalian National University, Yannick Kouakep Tchaptchie et Jean Louis Fendji Kedieng Ebongue de l’Université de Ngaoundéré, propose une réponse concrète, une intelligence artificielle pensée pour et par les contextes à ressources limitées. Cette solution prend en compte les réalités locales afin d’être plus efficace.

Le problème des modèles importés

Les auteurs relèvent un décalage important. La plupart des outils d’IA en santé sont conçus pour des environnements riches en données, avec des infrastructures numériques robustes. Transposés tels quels dans des hôpitaux ruraux d’Afrique subsaharienne ou d’Asie du Sud comme au Cameroun, ils s’effondrent, faute de dossiers médicaux électroniques complets, de connexion Internet stable ou d’adéquation aux réalités locales.

La solution proposée repose sur des modèles frugaux, capables de fonctionner hors ligne à partir de données minimales, comme le simple comptage horaire des arrivées de patients. Pour prouver la faisabilité de cette approche, les chercheurs ont comparé trois méthodes de prévision sur les données d’arrivées du Rambam Health Care Campus (2004-2007). Ils arrivent à un résultat selon lequel un modèle hybride combinant réseaux de neurones LSTM et boosting (AdaBoost) s’est révélé le plus performant, avec une erreur quadratique moyenne de seulement 0,08, surpassant à la fois l’approche statistique classique (SARIMA) et le LSTM standard, qui souffrait de surapprentissage. Cette approche permettrait selon eux, d’anticiper les pics d’affluence 24 à 48 heures à l’avance, laissant le temps d’ajuster infirmiers de gardes et de réorganiser les lits.

Des exemples déjà à l’œuvre

Les chercheurs citent plusieurs innovations déployées sur le terrain notamment au Nigeria, des stéthoscopes numériques couplés à l’IA ont permis de doubler le taux de détection de la cardiomyopathie péripartum, même en cas d’instabilité électrique. Aussi, en Afrique du Sud, un « jumeau numérique » du système de santé aide à anticiper les flambées épidémiques. Ailleurs, des appareils de radiographie portables associés à des réseaux de vision par ordinateur permettent de dépister la tuberculose sans radiologue sur place, affirment les chercheurs.

Cinq recommandations pour les décideurs

Les chercheurs formulent des recommandations claires à l’intention des ministères de la Santé et directeurs d’hôpitaux, celles de refuser les solutions commerciales clé en main inadaptées au contexte local mais privilégier le calcul local (edge computing) sur tablettes ou serveurs de district afin de garantir la souveraineté des

données en respectant le Cadre de politique des données de l’Union africaine et les directives de l’OMS. Ce qui permet de maintenir un jugement clinique humain systématique face aux recommandations algorithmiques et auditer régulièrement les biais des systèmes pour éviter toute discrimination géographique ou socio-économique.

Pour les auteurs, l’enjeu n’est pas de reproduire les technologies du Nord, mais d’inventer une IA adaptée, sobre et éthique, au service d’une santé publique plus équitable.