Méthodes de modélisation des maladies infectieuses comme outils d’information sur la réponse aux nouveaux virus grippaux de potentiel pandémique inconnu

Méthodes de modélisation des maladies infectieuses comme outils d’information sur la réponse aux nouveaux virus grippaux de potentiel pandémique inconnu

L’importance croissante de la modélisation des maladies infectieuses en fait un moment approprié pour les praticiens de la santé publique chargés de se préparer à une pandémie de grippe et d’y répondre. Nous énumérons plusieurs questions que les praticiens de la santé posent souvent sur les méthodes d’analyse. , donnant des détails sur le moment où les méthodes peuvent être utilisées pendant une pandémie, le temps nécessaire pour les mettre en œuvre et les données requises Bien qu’il existe un logiciel pour effectuer ces tâches, il faut prendre soin de comprendre: le type de données nécessaires , la mise en œuvre des méthodes et l’interprétation des résultats en termes d’incertitude et de sensibilité des modèles Les leaders de la santé publique peuvent utiliser cet article pour évaluer la littérature de modélisation, déterminer quelles méthodes peuvent fournir des preuves appropriées pour la prise de décision et les aider à modéliser travailler à partir d’équipes internes ou de groupes académiques

La pandémie de grippe A HN était l’une des épidémies les plus suivies et les plus étudiées de l’histoire. Les méthodes épidémiologiques traditionnelles, telles que les enquêtes épidémiologiques et la surveillance en laboratoire, ont été rapidement utilisées pour éclairer les décisions politiques. en tant que bioinformatique et méthodes de surveillance numérique Simultanément, des contributions substantielles à la littérature ont été faites dans le domaine de la modélisation des maladies infectieuses IDM Cet article est un guide sur la manière dont IDM peut contribuer aux discussions politiques et à la prise de décision. Pendant une pandémie de grippe, les dirigeants de la santé publique posent une série de questions pour éclairer la conscience de la situation, aider à évaluer la gravité et orienter les décisions visant à contrôler la propagation et l’impact des maladies. : Quel est le taux de létalité? Quel est le taux d’hospitalisation? L’incidence atteint son apogée. Dans la population, il faut donner la priorité à la vaccination ou au traitement antiviral. Quelle est la maladie? Quel est le numéro de reproduction de base? La précision avec laquelle ces questions peuvent être résolues dépend du temps et des données; Au fur et à mesure que le temps passe et que l’épidémie progresse, de plus en plus de données deviennent disponibles pour analyse. Ainsi, un bon recueil des méthodes d’analyse des épidémies de grippe sera clair sur les exigences de données de chaque méthode et précisément quand la pandémie évolue. utile Malgré l’accumulation importante de connaissances sur la dynamique de la population de la grippe, les organismes de santé publique ont du mal à comprendre comment les méthodes de modélisation peuvent être utilisées lors d’une éclosion. En particulier: À quelles questions peut-on répondre? une méthode de modélisation spécifiqueA quel stade d’une pandémie peut-on utiliser une méthode de modélisation particulièreQuelles sont les données requises par la méthode de modélisationDans cet article, nous définissons les méthodes IDM comme des techniques qui incluent le mécanisme de transmission de l’infection d’un hôte infecté à un hôte non infecté. de la plupart des méthodes en épidémiologie, car ils modélisent explicitement le processus de transmission et donc la cause d’infection; ils représentent donc la nature «dépendante» de l’infection, en d’autres termes, un facteur de risque majeur d’infection est la prévalence de l’infection de la population elle-même utilise les données collectées dans le cadre de la surveillance de routine. réaction positive parmi les cas cliniquement diagnostiqués testés, moment de l’apparition des symptômes, mais ils suggèrent souvent de nouveaux ensembles de données que les enquêteurs pourraient collecter, tels que des questionnaires détaillés sur les ménages en mettant l’accent sur la détermination des fenêtres de temps d’exposition. La transmission de personne à personne utilisée dans les méthodes IDM est forte et peut permettre de réaliser des estimations avec moins de données qu’autrement. Ici, nous rassemblons et décrivons quelques-unes des méthodes IDM les plus utiles et les mieux testées avant ou pendant un pandémie de grippe Notre objectif est de faciliter la communication entre les praticiens de la santé publique et les modélisateurs au cours des différentes étapes de la réponse à la pandémie. menaces, en examinant ces méthodes et en les reliant au calendrier d’une intervention en cas de pandémie

Méthodes

Nous avons cherché dans la littérature publiée un inventaire des méthodes utilisées pour extraire des informations exploitables de la surveillance de la grippe ou des données d’étude. En raison de la taille de la littérature de modélisation, nous avons limité notre recherche aux articles rapportant des analyses de la pandémie de grippe A HN. cette recherche avec des articles pertinents décrivant les méthodes IDM, qu’elles soient purement théoriques ou utilisées précédemment pour l’analyse saisonnière de la grippe. Seuls les articles ayant fait l’objet d’un examen par les pairs ont été inclus. Nous avons utilisé le terme de recherche « HN & amp; {modélisation OU modélisation} & amp; Plus précisément, nous avons sélectionné des articles qui utilisaient des méthodes IDM pour répondre à des questions sur l’épidémiologie de base de la grippe et sur les avantages attendus de la vaccination, de l’utilisation d’antiviraux et des interventions non pharmaceutiques. Par exemple, fermetures d’écoles Nous avons lu les articles où les résumés indiquaient que la méthode et la question de recherche étaient pertinentes pour la modélisation pandémique. La recherche a été effectuée en avril et les articles extraits de PubMed ont été importés dans le paquet de référence bibliographique. les articles sélectionnés et résumés dans un tableau structuré de façon à être accessible à la communauté de la santé publique; Nous avons classé les questions en un cadre comprenant les éléments d’une intervention en cas de grippe pandémique: l’épidémiologie de base de la nouvelle maladie, l’impact de la vaccination, l’effet des antiviraux. et le rôle de l’atténuation communautaire Pour chacune des méthodes d’IDM pouvant être utilisées pour répondre aux questions, nous avons évalué quand la méthode pourrait être utilisée pendant une pandémie évolutive, à savoir à quel point il pourrait y avoir suffisamment de données. classées comme suit: P-Pré-pandémique c.-à-d., planification de préparation; E-pandémie précoce avant le pic des cas; L-endémie pandémique après le pic de la courbe d’incidence et incluant une évaluation post-pandémique de l’efficacité des interventions qui ont été mises en œuvreUne autre caractéristique importante des approches étudiées était le style mathématique de la méthode, que nous avons classé comme «statistique» ou «simulation». «Les méthodes statistiques sont celles qui peuvent être utilisées pour estimer ou calculer les valeurs des paramètres épidémiologiques à partir des données disponibles. Les méthodes de simulation, d’autre part, utilisent les paramètres disponibles, tirés de la littérature ou de l’expertise, pour réaliser des simulations épidémiques. nous donnons une indication de l’exigence de temps pour le développement et l’exécution du modèle sur un ordinateur, généralement un bureau, bien que certaines méthodes, comme les modèles individuels, soient souvent exécutées sur des clusters d’ordinateurs Notez que ces exigences n’incluent pas le temps nécessaire pour la collecte et le nettoyage , et plus de temps est nécessaire pour cela. La disponibilité de progiciels spécifiques au l’analyse peut réduire certaines de ces estimations. Très peu d’articles examinés contenaient des méthodes exactement identiques et nous avons généralement énuméré seulement ou des exemples d’articles pour chaque approche. Par exemple, une étude utilisant un modèle SEIR récupéré et infecté par l’âge stochastique. En revanche, nous avons estimé que le grand nombre de nouvelles méthodes qui ont été développées pour calculer le nombre de reproduction, soit au début d’une pandémie, c’est-à-dire, le nombre de reproduction de base, R ou en temps réel pour une pandémie en cours, c.-à-d., le nombre de reproduction effectif, Re, étaient suffisamment différents pour être listés séparémentPour réduire le tableau principal de «questions» à une taille plus gérable, nous avons créé un second tableau de table complémentaire pour fournir une description plus détaillée de chacun des IDM, en indiquant le type de données nécessaires, et – des références de notre revue de la littérature qui décrivent la méthode

Sim Stat Analysis Méthode d’engagement du temps Épidémiologie Quel est le nombre de reproduction de base R et la valeur actuelle, ou l’évolution dans le temps, du nombre de reproduction effectif Re X X ✓ & lt; Taux de croissance de la courbe d’incidence des cas X X ✓ & lt; mo Reconstruction de l’arbre d’infection X X ✓ & lt; mo Richards modèle de croissance de la population X ✓ & lt; Modèle binomial à chaîne X X ✓ & lt; mo Processus de renouvellement des dossiers X ✓ & lt; mo Analyse de la séquence génétique de l’influenza X X ✓ & lt; mo Modèle SEIR structuré par âge X X ✓ & lt; wk Estimation du maximum de vraisemblance X ✓ ✓ & lt; mo Analyse coalescente X ✓ & lt; wk Matrice de la prochaine génération Quel est le nombre maximal prévu de cas et de temps? Quel est le nombre cumulé prévu de cas au cours de l’épidémie, c’est-à-dire le taux d’attaque final X ✓ & lt; mo Modèle SEIR structuré par âge ✓ ✓ & lt; mo Méthodes de surveillance numérique Quels sont les modèles spatiotemporels possibles de propagation de l’infection X ✓ & gt; & gt; mo Modèle individuel ✓ & lt; mo Modèle de métapopulation Quelle était la séquence probable de la propagation spatio-temporelle de l’infection depuis le début de l’éclosion X ✓ & lt; mo Reconstruction de l’arbre d’infection & amp; modélisme de voyage Quelle est la gravité des virus, c.-à-d., hospitalisation de cas / taux de mortalité comptabilisés pour les biais de constatation, par exemple, plus susceptibles de détecter des cas graves X X ✓ & gt; & gt; mo Modèle individuel ✓ & lt; mo Synthèse des preuves bayésiennes ✓ & lt; wk Calcul de la courbe d’incidence Quelle est la probabilité de transmission du virus X ✓ & lt; wk Matrices de taux de contact & amp; Modèle SEIR Quel est l’intervalle de série de la maladie X X ✓ & lt; wk Estimation de l’intervalle de série X X ✓ & lt; wk / & lt; mo Estimation du maximum de vraisemblance R Quelle était l’incidence de l’infection au cours d’une période récente X X ✓ & lt; wk Backcalculation de la courbe d’incidence ✓ ✓ & lt; Mo Méthodes de surveillance numérique Comment est transmissible le virus X ✓ & lt; mo Analyse des processus de branchement ✓ & lt; mo Estimation du maximum de vraisemblance Peut-on prédire les sous-types circulants changeants X X ✓ & gt; mo Modèle phylodynamique ✓ & lt; mo Cartographie antigénique Quelle est la durée de l’immunité au virus X ✓ ✓ & gt; mo Série temporelle Modèle SIR Antiviraux Quel pourrait être / est l’impact de la distribution antivirale X X ✓ & lt; mo Modèle SEIR structuré selon l’âge ✓ & lt; Modèle de métapopulation de mo ✓ & gt; & gt; mo Modèle individuel Comment les médicaments antiviraux devraient-ils être classés par ordre de priorité parmi les sous-groupes de population: maximiser la protection directe pour les personnes non infectées, minimiser l’infectiosité pour les personnes infectées, prévenir le développement de résistances et prévenir la maladie? ; mo Modèle SEIR structuré selon l’âge ✓ & lt; Modèle de métapopulation de mo & gt; & gt; mo Modèle individuel Vaccination Quel est l’impact potentiel de la vaccination X X ✓ & lt; mo Modèle SEIR structuré selon l’âge ✓ & lt; Modèle de métapopulation de mo ✓ & gt; & gt; mo Modèle individuel Lorsque la vaccination doit-elle être introduite? Quel est l’impact du calendrier vaccinal sur les avantages de la vaccination X X ✓ & lt; mo Modèle SEIR structuré selon l’âge ✓ & lt; Modèle de métapopulation de mo ✓ & gt; & gt; mo Modèle individuel Qui dans la population devrait être vacciné lorsque le nombre de doses est limité X X ✓ & lt; mo Modèle SEIR structuré selon l’âge ✓ & lt; Modèle de métapopulation de mo ✓ & gt; & gt; mo Modèle individuel ✓ & lt; mo Modèle de réseau La combinaison du sous-type de la saison prochaine peut-elle être prédite avant son apparition, pour une production de vaccin plus efficace X ✓ & lt; mo Modèle phylodynamique ✓ & lt; mo Cartographie antigénique Peut-on prédire l’efficacité du vaccin X X ✓ & lt; wk Distance antigénique Atténuation communautaire Quelle est la sélection, le calendrier et la durée des mesures de distanciation sociale communautaires pour atteindre le résultat souhaité, par exemple retarder le pic de l’épidémie pour acheter le temps nécessaire à la mise en œuvre d’autres interventions, par exemple, vaccination, et / ou réduire prévalence maximale X X ✓ & lt; mo Modèle SEIR structuré selon l’âge ✓ & lt; Modèle de métapopulation de mo ✓ & gt; & gt; mo Modèle individuel Quel a été l’effet des mesures d’atténuation mises en œuvre X ✓ & lt; Modèle de Markov partiellement observé Les questions sont regroupées en catégories: Épidémiologie, Antiviraux, Vaccination, Atténuation Communautaire Les questions sont également regroupées en questions pouvant être posées avant la pandémie P, la première pandémie E et la dernière pandémie L, y compris après la pandémie. et aussi par le type de méthode mathématique, à savoir, la méthode de simulation Sim et statistique / méthode mathématique Stat une explication de ces termes est inclus dans le texte principal Le tableau comprend également une indication de l’engagement de temps, qui est le temps estimé pour conduire une analyse pour un chercheur expérimenté avec la méthode après que les données ont été nettoyées Dans la dernière colonne, nous fournissons les noms des méthodes de modélisation qui peuvent être utilisées ces noms sont expliqués dans le tableau Abréviations: SEIR, sensible-exposé-infecté-récupéré; SIR, sensible-infected-recoverView Grand

RÉSULTATS

Nous présentons notre aperçu des questions liées aux politiques et des méthodes de GDI dans le tableau, qui est structuré pour mettre en évidence les questions qui peuvent être posées en préparation, pendant ou après une pandémie de grippe. Les décideurs politiques qui ont besoin de connaître des quantités épidémiologiques telles que la valeur de le nombre de reproduction de base, R, a un large choix de méthodes, dont beaucoup peuvent être utilisées avec le même ensemble de données et peuvent donc être comparées entre elles. Par exemple, un décideur ayant besoin de connaître la transmissibilité d’un nouveau virus de la grippe consulter les questions pertinentes du tableau, par exemple les questions relatives au nombre de copies de base et à la probabilité de transmission. Ces entrées montrent qu’il existe des méthodes de calcul de R et de calcul de probabilité de transmission et que toutes ces méthodes peuvent être utilisé aux premiers stades d’une pandémie comme un autre exemple, pour la planification en cas de pandémie ou la prise de décision qui pourrait conduire à la production d’influenza Le tableau indique qu’il existe des méthodes IDM qui pourraient être utilisées pour répondre à cette question. Chacune de ces méthodes est basée sur la simulation et peut prendre un mois ou plus pour mettre en œuvre un potentiel. Fait très important, surtout si une pandémie est déjà en cours. La recherche de ces méthodes dans le tableau montre que leurs besoins en données sont également importants, et que le temps consacré à la collecte de données doit être ajouté à celui requis pour la mise en œuvre du modèle.

des modèles individuels de grippe avec un million de personnes, de leurs habitudes de déplacement et des structures des ménages Modèles de mélange social et d’âge et fréquences de contact à la maison, au travail, en semaine / week-end, etc. ; la répartition par taille des ménages; densité de population; Reconstruction de l’arbre d’infection En présence d’une infection manquante ou d’un début clinique, un arbre d’infection probable peut être reconstruit à partir d’un ensemble de plusieurs arbres candidats. Plus d’informations peuvent être fournies à cette technique, par exemple, les distributions de temps de génération et d’incubation ainsi que, plus récemment, les données génétiques le mieux possible. Le nombre de reproduction peut être lu directement sur un ensemble d’arbres. Idéalement, chaque infection et le moment de l’infection La reconstruction de l’arbre d’infection et la modélisation des schémas de déplacement L’arbre d’infection est reconstruit et la propagation spatio-temporelle du virus est inféré Les inférences spatiotemporelles peuvent être validées à l’aide des données sur les voyages des passagers Séquences génétiques de l’influenza, dates et lieu d’échantillonnage, données de vol de passagers Modèle de Markov partiellement observé Modèle de Markov constitué du processus sous-jacent représentant le phénomène d’intérêt, par exemple infection de la population et processus d’observation, représentant les observations du sous-jacent. phénomène par exemple, le système de surveillance Incidence des cas série chronologique infection / hospitalisation / décès Estimation du maximum de vraisemblance R Méthode d’estimation simultanée du nombre de reproduction de base et de l’intervalle série pendant la phase de croissance exponentielle de l’épidémie / hospitalisation / décès Estimation du maximum de vraisemblance du ménage Une estimation du taux d’attaque secondaire du ménage est réalisée en maximisant la probabilité d’un ensemble de données sur les temps secondaires dans les ménages Le nombre de reproduction de base est estimé en simulant un foyer avec la même attaque secondaire taux primaire et secondaire ca Données sur la survenue au sein des ménages, dates d’apparition de l’infection / symptômes, données d’exposition zoonotique, le cas échéant Modèle de métapopulation Modèle dans lequel la population totale est composée de sous-populations, reliées entre elles par des taux migratoires d’interpopulation. Modèle de réseau Une méthode de simulation qui incorpore des données sur la structure de contact de la population dans laquelle l’infection se propage Répartition du taux de contact hétérogène Prochaine génération matrice Une matrice décrivant le nombre moyen de nouvelles transmissions « naissances » et transitions épidémiologiques entre états pendant un cycle de transmission Déterminer la plus grande valeur propre de cette matrice donne le nombre de reproduction de base Proportion de la population immunisée initialement, par exemple de la sérosurveillance précoce ou préexistante échantillons, R, generat Le modèle phylodynamique Un modèle dans lequel les processus évolutifs, c’est-à-dire génétiques et épidémiologiques liés à la transmission pathogène sont explicitement pris en compte Le modèle de transmission peut être de forme SEIR, alors que le modèle génétique peut être, par exemple, Le modèle de croissance de la population de Richards Le nombre de reproduction de base R est estimé en ajustant les courbes d’infection aux données d’incidence du début de la flambée en utilisant le modèle de croissance de Richards, qui est un modèle de croissance. fonction logistique généralisée du temps Incidence du cas série chronologique infection / hospitalisation / décès Estimation de l’intervalle de série Les distributions probabilistes probables, par exemple, gamma ou lognormal, sont ajustées aux histogrammes de fréquence des intervalles sériels observés Infection-infectee paires une étude de ménage plus tard dans la pandémie, affaire incide Séries temporelles SIR Un modèle SIR d’espace d’état qui initialise le nombre d’individus sensibles et adapte l’incidence modélisée aux données d’incidence en faisant varier, par exemple, le nombre d’individus sensibles et le nombre d’individus infectés. taux de transmission incidence des cas série chronologique infection / hospitalisation / décès Ces méthodes sont brièvement expliquées dans la colonne ainsi que – les références dans lesquelles la méthode est décrite en détail. La colonne donne une indication du type de données requises par la méthode. décrit dans la vue d’ensemble des abréviations de la boîte: SEIR, infecté-sensible-récupéré-sensible; SIR, sensible-infected-recoverView Grand

DISCUSSION

Alors que le logiciel convivial mettant en œuvre des méthodes IDM reste largement indisponible, un besoin critique existe pour le personnel dans les agences de santé publique d’occuper des rôles de traduction, bénéficiant d’une formation en Nous avons constaté qu’un grand nombre de nouvelles méthodes IDM sont en cours de développement pour répondre aux questions relatives à l’épidémiologie de base, telles que le calcul de la reproduction de base. nombre Les quantités telles que R sont indirectement liées aux questions spécifiques des décideurs politiques; une fois estimées, elles peuvent être utilisées pour paramétrer des modèles de simulation, qui peuvent ensuite servir à réaliser des analyses de scénarios pour diverses interventions de santé publique. L’une des principales raisons de la prolifération des méthodes de calcul des quantités épidémiologiques des méthodes scientifiques plutôt que d’appliquer des méthodes établies pour répondre à des questions spécifiques à une politique Cela met en évidence l’écart de traduction entre les nouvelles méthodes de gestion de l’identité et les pratiques de santé publique; Les efforts déployés pour combler cette lacune seraient utiles aux organismes de santé publique, et c’est l’objectif principal du présent article. Bien que les méthodes incluses ici puissent être largement divisées en catégories mathématiques – statistiques et simulation – cette catégorisation ne s’exclut pas mutuellement. Le modèle SEIR simule la propagation de l’infection; cependant, les valeurs des paramètres du modèle SEIR, p. ex. la durée de l’infectiosité, sont souvent estimées en appliquant le modèle dans un cadre statistique, dans lequel les extrants du modèle sont comparés aux données correspondantes; les valeurs de paramètres les mieux ajustées sont celles qui minimisent l’écart entre la sortie du modèle, par exemple une courbe d’incidence et les données de surveillance, par exemple, l’incidence hebdomadaire des maladies. Les modèles individuels sont presque exclusivement des simulations, car ils intègrent cadre statistique prend énormément de temps pour les exceptions voir ; le nombre de paramètres que contiennent les modèles individuels peut être si important qu’il devient impossible d’attribuer des changements dans les statistiques récapitulatives, par exemple le nombre de cas évités par la vaccination aux changements de valeurs de paramètres spécifiques, par exemple les taux de contact entre les groupes d’âge. des études qui tentent de rassembler la littérature sur l’IDM dans le but de rassembler les questions posées par les dirigeants lors d’une urgence de santé publique et les méthodes qui peuvent être utilisées pour y remédier Plus souvent, les études ont présenté les résultats d’études de modélisation digestibles Les enquêtes sur le paysage des méthodes IDM applicables à la pandémie de grippe, qui pourrait être le domaine des maladies infectieuses dans lequel le domaine de l’IDM progresse le plus rapidement, diffèrent Au centre, les questions qui pourraient être posées par les responsables de la santé publique pour améliorer la connaissance de la situation pendant ou avant une pandémie de grippe. Les approches épidémiologiques peuvent parfois être plus appropriées que les méthodes de modélisation, mais la modélisation est une activité complémentaire et ne se substitue pas à d’autres analyses. La principale limite de notre guide est En tant que tel, cet examen représente un aperçu des méthodes actuellement disponibles. Nous espérons néanmoins qu’il sera utile aux praticiens de la santé publique et aux modélisateurs d’IDM. La dépendance temporelle des méthodes analytiques est un facteur extrêmement important que nous avons abordé dans cet article, mais que nous devons réitérer ici: les cas de grippe ont besoin de temps, et ce n’est qu’une fois qu’un nombre suffisant a été observé en utilisant des méthodes de surveillance fiables. que nous pouvons faire des inférences basées sur des modèles avec un certain degré de confiance. Il existe un important fossé de communication entre Ces groupes, praticiens de la santé publique et modélisateurs d’IDM, doivent être rapprochés dans les deux sens. Cela ne peut être réalisé que si les deux parties font un effort concerté pour comprendre les besoins, les forces et les limites les unes des autres. Nous espérons que des articles comme celui-ci servir de catalyseur à ce dialogue Parce qu’il y a eu plusieurs pandémies au cours de la dernière décennie de la grippe, les organismes de santé publique seront mieux servis en adoptant de nouvelles méthodes analytiques, en appréciant leur incertitude et les données dont ils ont besoin. peut mieux servir ces organismes en prenant le temps de s’assurer que leurs méthodes sont accessibles et répondent aux besoins spécifiques des praticiens en santé publique, et pas seulement à leurs propres priorités de recherche

Les valeurs de paramètre ble, bien que la plupart des paramétrisations impliquent le modèle SEIR: Voir « Modèle compartimental » Intervalle de série: Le temps moyen qui s’écoule entre l’apparition clinique d’un cas primaire et celui d’un cas secondaire. Modèle stochastique: Un modèle qui contient des processus aléatoires sources, telles que la démographie et l’observation / reporting Comme ces modèles contiennent un caractère aléatoire, chaque exécution sur un ordinateur est unique et un ensemble d’analyses est nécessaire pour produire une trajectoire modèle moyenne et une plage d’incertitude pour chaque sortie de modèle. temps Markov forme d’un modèle compartimental, souvent simplifié par linéarisation du modèle non linéaire complet, qui permet une analyse, une simulation et une adaptation simplifiées aux données Inférence statistique: voir « Ajustement aux données » Cartographie antigénique: combinaison d’un algorithme de clustering multidimensionnel et d’une visualisation permettre à la souche d’influenza de l’hémagglutine d’influencer la distance entre les souches de grippe Backcalculation: Les quantités d’intérêt épidémiologique, telles que l’incidence des cas infectés, ne peuvent souvent être déduites que par des preuves indirectes, en d’autres termes, les données de surveillance disponibles. Par exemple, si ces données représentent le nombre de personnes infectées. hospitalisations associées, puis l’incidence de l’infection peut être calculée en estimant l’incidence – à un moment donné – des infections qui ont conduit aux hospitalisations enregistrées Ce nombre hospitalisé doit être gonflé par le rapport cas-hospitalisation pour obtenir le numéro infecté sont souvent définies uniquement sans ambiguïté dans le temps et donc des hypothèses supplémentaires sont souvent nécessaires pour effectuer les calculs de temps inverse Nombre de reproduction de base: Le nombre moyen d’infections qu’un seul cas infectieux provoque au début d’une épidémie Processus de ramification: Un processus mathématique dans lequel les nœuds à un moment ou une génération donnent lieu à d’autres nœuds à la prochaine Les probabilités de prolifération ou de diminution des nœuds à chaque génération sont décrites par des statistiques bien définies et plusieurs résultats mathématiques utiles existent Le processus de propagation de l’infection peut être encadré dans la théorie des processus de branchement, où les nœuds représentent les individus infectés. être visualisé comme un arbre d’infection Modèle compartimental: Un modèle dans lequel la population d’intérêt est divisée, à un moment donné, en compartiments spécifiques Le plus largement utilisé est le modèle SEIR dans lequel la population occupe l’une des situations suivantes mutuellement états exclusifs: S-Susceptible, E-Exposé, I-Infected, R-Recovered Modèle déterministe: Un modèle dans lequel il n’y a pas de processus aléatoires; par conséquent, tous les résultats du modèle donnent des résultats identiques Les résultats de ces modèles peuvent souvent être considérés comme des moyennes de modèles stochastiques plus réalistes Nombre effectif de reproduction: Nombre moyen d’infections qu’un cas infectieux engendre lors d’une épidémie Ce nombre est égal à Numéro de reproduction au début d’une épidémie Ajustement aux données: procédure par laquelle les paramètres d’un modèle sont modifiés de sorte qu’une ou plusieurs de ses sorties se rapprochent d’un ensemble de données désigné. Les méthodes utilisées pour ajuster un modèle aux données incluent la minimisation des différences quadratiques ou Méthodes d’inférence statistique moderne telles que maximisation de la vraisemblance, ou chaîne de Markov Monte Carlo utilisant le théorème de Bayes. Temps de génération: temps moyen s’écoulant entre l’infection d’un cas primaire et un cas secondaire Conditions initiales: Les valeurs de départ de chacune des variables d’état. le début d’une simulation, par exemple, le nombre sensible, infecté, récupéré Taux de croissance initial : Le taux d’augmentation du nombre d’infections au début d’un modèle de Markov épidémique: Un modèle dans lequel l’état du système à un moment donné dépend uniquement de l’état du système à l’instant précédent Paramétrage Le processus par lequel des valeurs ou des distributions de valeurs sont obtenues pour les paramètres du modèle. Les méthodes pour ce faire incluent l’inférence statistique en ajustant les modèles aux données et la littérature recherche des valeurs de paramètres plausibles, bien que la plupart des paramétrages impliquent le modèle SEIR. intervalle: Temps moyen qui s’écoule entre l’apparition clinique d’un cas primaire et celui d’un cas secondaire. Modèle stochastique: Un modèle qui contient des processus aléatoires provenant de diverses sources, tels que la démographie et l’observation / la déclaration Comme ces modèles contiennent un caractère aléatoire, un ordinateur est unique et un ensemble d’analyses est nécessaire pour produire une trajectoire moyenne et une plage d’incertitude pour chaque modèle. Modèle d’espace d’état de sortie: Forme de Markov en temps discret d’un modèle compartimental, souvent simplifiée par linéarisation du modèle non linéaire complet, qui permet une analyse, une simulation et une adaptation simplifiées aux données Inférence statistique: Voir « Ajustement aux données » View Large

Remarques

Remerciements MG a été financé grâce à une subvention des National Institutes of Health des États-Unis, l’Institut national des sciences médicales générales UGM-CB souhaite remercier le programme Molecules to Mankind de l’Université Emory Tous les autres auteurs ont été employés par les US Centers for Disease Control CDC à l’occasion de ce travailDisclaimer Les constatations et conclusions de ce rapport sont celles des auteurs et ne représentent pas nécessairement la position officielle du parrainage de CDCSupplement Cet article apparaît dans le supplément intitulé «Efforts de modélisation des CDC en réponse à un potentiel de santé publique» Urgence: Influenza AHN comme exemple, « sponsorisé par les conflits d’intérêts CDCPotential Tous les auteurs: Aucun conflit d’intérêt potentiel Tous les auteurs ont soumis le formulaire ICMJE pour la divulgation des Conflits potentiels d’intérêts Conflits que les éditeurs considèrent comme pertinents pour le contenu du manuscrit. été divulgué

Sylvie

Les commentaires sont fermés.