L’épidémiologie du département des maladies infectieuses de l’Imperial College de Londres rapporte une approche de contrôle prédictive modèle qui fois les interventions non pharmaceutiques à partir de données de cas en temps réel bruyantes, obtenant généralement un meilleur contrôle avec des coûts d’intervention plus faibles que les calendriers prédéfinis ou les seuils simples.
Réagir à une crise de santé publique telle qu’une épidémie d’une maladie infectieuse repose souvent sur des flux de surveillance touchés par les retards de signalement et les infections manquées, ce qui peut entraîner des décalages dans la prise de décision d’intervention pratiques. Ces flux sont constitués de patients signalant des symptômes, des médecins de commande des tests et des résultats des laboratoires et des rapports de résultats d’événements en grappes.
Si les patients ne signalent pas de symptômes, que les médecins diagnostiquent sans test ou si les laboratoires manquent de procédures de rapport régulières, les épidémies peuvent se propager largement invisibles. À l’inverse, savoir quand une épidémie existante est suffisamment contenue est entravée par les mêmes données de rapport inégal.
Il manque des systèmes de surveillance est un cadre pour couper le bruit, en traitant simultanément une propagation stochastique, une déclaration de cas incomplète et des ratios de prestations d’intervention potentielles en temps réel.
Dans l’étude, «Algorithmes optimaux pour contrôler les maladies infectieuses en temps réel à l’aide de données d’infection bruyantes», publié dans Biologie informatique PLOSles chercheurs ont développé un algorithme de contrôle prédictif modèle pour optimiser le moment où appliquer ou détendre les interventions à plusieurs niveaux en utilisant des projections à horizon court sous une incidence retardée et sous-conclue.
La modélisation a utilisé un processus de ramification de renouvellement pour les infections quotidiennes avec des distributions de génération représentatives de la maladie de Covid-19 et du virus Ebola. Les choix d’intervention ont été regroupés comme aucune intervention, une distanciation sociale limitée et un verrouillage complet, mis en œuvre en fonction de la transmissibilité et du confinement.
Les imperfections de surveillance ont été simulées en appliquant des prédictions des retards de rapport et des diagnostics manquants. Les simulations indiquent que l’incidence stabilisée du modèle sous observations idéales, avec des performances se dégradant lorsque les retards ou les sous-actions ont déformé les données alimentant le modèle. Les retards longs et relativement déterministes ont poussé l’action plus tard dans le temps, gonflant des pics et élargissant les oscillations de l’impact des événements.
Sous un bruit modéré typique de la surveillance pratique, les décisions basées sur la projection ont généralement réduit les pics et le temps d’intervention par rapport aux règles d’intervention seuil ou cycliques.
Les simulations utilisant la maladie du virus d’Ebola ont montré un contrôle plus stricte, reflétant une croissance épidémique plus lente par rapport aux paramètres de type SAR-COV-2. Les tests de stress avec des modifications de la transmissibilité ou des effets d’intervention variable ont montré que la réestimation et la réoptimisation adaptatifs ont pu maintenir le contrôle de la propagation.
Les auteurs concluent que la surveillance plus rapide et plus rapide associée à des avis réguliers soutient les décisions bien calibrées qui peuvent limiter les pics, réduire les temps d’intervention et le fardeau des épidémies.
Écrit pour vous par notre auteur Justin Jackson, édité par Sadie Harley, et vérifié et révisé par Robert Egan – cet article est le résultat d’un travail humain minutieux. Nous comptons sur des lecteurs comme vous pour garder le journalisme scientifique indépendant en vie. Si ce rapport vous importe, veuillez considérer un don (surtout mensuel). Vous obtiendrez un sans publicité compte comme un remerciement.
