Modele fred

Ce travail a été appuyé par l`Institut national des sciences médicales générales sous la subvention MIDAS U54GM088491 et par l`initiative de modélisation des vaccins, financée par la Fondation Bill et Melinda Gates. Les bailleurs de fonds n`avaient aucun rôle dans la conception de l`étude, la collecte et l`analyse des données, la décision de publier ou la préparation du manuscrit. Les auteurs souhaitent remercier les examinateurs pour leurs commentaires réfléchis qui ont contribué à améliorer la présentation de l`article. Comme pour tout modèle, les utilisateurs doivent prendre les précautions appropriées pour comprendre les limitations de FRED. Les limitations de FRED comprennent des effets stochastiques qui limitent la précision de la population synthétique, en particulier dans les régions où les populations sont très petites [32], les artefacts possibles en raison de la résolution de pas de temps choisie (un jour), simplifiant les hypothèses sur les modèles de voyage (modèle de gravité), et le fait que les estimations des taux de contact et des probabilités de transmission sont nécessairement imparfaites, même si elles reposent sur des estimations de la littérature. Les modèles créés avec FRED sont stochastiques, de sorte que les résultats peuvent varier d`une course à l`exécution, et certains événements, en particulier au début d`une épidémie, peuvent dépendre de choix aléatoires tels que l`identité des cas initiaux. La compréhension de l`étendue de la variabilité dans des modèles complexes tels que FRED est un domaine actif de la recherche [44-46]. FRED prend en charge le processus d`analyse de l`incertitude en fournissant des scripts de gestion de workflow pour la configuration des balayages de paramètres et l`analyse de sensibilité locale. Mécanismes de prise de décisions sanitaires spécifiques à l`agent dans FRED. Les agents peuvent interroger la couche d`information pour évaluer, par exemple, l`incidence actuelle, entraînant une perception («Comment suis-je sensible à la maladie?»).

Les perceptions peuvent être utilisées par un modèle de changement de comportement qui détermine s`il faut modifier l`intention de l`agent d`effectuer le comportement lié à l`intégrité. Ces caractéristiques permettent au développeur FRED d`étudier une grande variété de modèles alternatifs de changement de comportement de santé, y compris le modèle de croyance de santé [36, 37]. . Les auteurs déclarent qu`ils n`ont pas d`intérêts opposés. Nombre prévu de contacts quotidiens potentiellement infectieux entre un agent infectieux et un agent sensible dans un ménage. Tous les taux de contact sont des nombres réels positifs. FRED est en développement actif, et plusieurs fonctionnalités supplémentaires sont prévues pour les futures versions qui vont étendre sa valeur comme un outil pour la planification de la santé publique, y compris: la probabilité d`une personne infectée devient symptomatique mathématique et les modèles de calcul fournissent des outils de planification précieux pour les défis de santé publique, en particulier pour les nouvelles circonstances qui ne peuvent pas être examinées au moyen d`études observationnelles ou contrôlées, comme la grippe pandémique [1 – 12] ou l`hypothétique bioterroriste attaques [13, 14]. Le développement de modèles implique idéalement une relation de travail étroite entre l`équipe de modélisation et le décideur utilisant le modèle. Au-delà des extrants immédiats d`un modèle lui-même, le processus de modélisation lui-même peut servir de façon de penser à travers des situations complexes et de clarifier les hypothèses [15].

Alors que les modèles mathématiques ont une longue histoire de fournir des bases solides pour comprendre la dynamique des maladies [16], la tractabilité des modèles analytiques peut nécessiter de négliger les hétérogénéités dans la population qui peut avoir des impacts importants sur l`épidémie dynamique et sur l`efficacité des interventions éventuelles. Par exemple, il a été suggéré que les taux d`attaque pour la pandémie de 2009 H1N1 présentaient un degré élevé d`hétérogénéités spatio-temporelles entre les différentes régions en raison des différences régionales dans les facteurs sociodémographiques [17]. En particulier, la propagation des maladies infectieuses telles que la grippe dépend des schémas de mélange au sein de la population, et ces patrons sont à leur tour déterminés par de nombreux facteurs, y compris: la taille de la population et la densité [18, 19], la structure d`âge de la population [20], la taille et la composition des ménages [21], les tailles et les horaires des écoles [6, 10, 22 – 24], les facteurs de risque démographiques et socio-économiques [25], y compris l`accès aux établissements de soins de santé [9, 11, 26], les habitudes et les politiques d`emploi [27], les voyages et habitudes de déplacement [12, 28] et pratiques comportementales locales, y compris l`acceptation vaccinale [26, 29] et l`hygiène personnelle [30].