25.05.2020
Estimation in emerging epidemics: Biases and remedies
Modélisation InfectiologieTransversale
Britton T et al
J Royal Soc Interface
Résultats principaux
Ce travail permet de quantifier l'effet des différents biais et de voir comment redresser les estimations. Il s'appuie sur un exemple numérique et des simulations pour le cas Ebola.
Que retenir ?
L'estimation des paramètres clefs (R0...) dans le démarrage de l'épidémie présente différents biais et difficultés dus à l'échantillonnage, aux contacts multiples, à la temporalité... Leur impact et des premiers éléments de correction sont donnés dans ce travail.
Niveau de preuve Intermédiaire
Ce travail est très bien écrit et donne une première vue globale intéressante des difficultés d'estimation, avec éléments théoriques et exemples numériques clairs. Le modèle met l'accent sur le caractère aléatoire du début de l'épidémie et des temps qui apparaissent et néglige la question de l'hétérogénéité de la population dont l'effet reste sûrement encore mal compris.
Objectifs
Ce travail porte sur l'estimation de paramètres épidémiologiques clefs : taux de croissance, R0, distribution des temps liés à l'infection.
Méthodes
Ces paramètres sont sensibles et ont des conséquences d'un point de prédictif ou de l'interprétation. Les difficultés abordées sont liées aux biais induits par un choix "uniformément au hasard dans la population", à l'intervalle de temps limité pour les observations, à l'écart possible entre le temps effectif d'infection et le temps d'apparition des symptômes, ou la multiplicité des contacts infectants potentiels. Le modèle est en champ moyen (population mélangée, homogène) avec des temps aléatoires pour les différentes transitions avec mémoire (lois gammas en particulier).
Le site Bibliovid et son contenu sont la propriété de Bibliovid.