Prévision à court terme en temps réel de l'épidémie de COVID-19 à Cuba en utilisant la modélisation
Mots-clés :
COVID-19, modèles phénoménologiques, prévision en temps réel, taille finale, modélisationRésumé
En l'absence d'information fiable sur les mécanismes de transmission d'une infection émergente, de simples modèles phénoménologiques peuvent apporter une estimation précoce de l'étendue potentielle d'épidémies en temps réel. Un avertissement sur la taille finale d'une épidémie et en particulier de la COVID-19 actuellement actif peut servir aux autorités sanitaires pour y faire face. Une variété de modèles non-linéaires ont été développés pour définir les cas cumulés de maladies épidémiques infectieuses (e.g. Richards, logistique, modèles Gompertz). Tous ces modèles peuvent utiliser correctement les données pour obtenir des prévisions à court terme en temps réel. Typiquement, il s'agit de suivre la procédure d'estimation post-sélection, i.e., de sélectionner un modèle parmi tous ceux disponibles et d'ignorer ceux reposant sur l'incertitude dans l'estimation et l'inférence vu que ces procédures sont basées sur un seul modèle. Dans ce travail, nous établissons une prédiction en temps réel de la taille finale, point crucial de l'épidémie, et des prévisions 10 jours à l'avance de cas cumulatifs en utilisant plusieurs modèles non-linéaires où ces paramètres sont estimés via modélisation. La méthode est appliquée à l'épidémie de COVID-19 en 2020 à Cuba.
Références
Burnham, K., & Anderson. D. (2004). Multimodel inference: Understanding AIC and BIC in model selection. Sociological Methods Researchs, 33(2), 261–304. https://doi.org/10.1177/0049124104268644
View in Google Scholar
Chowell, G. (2017). Fitting dynamic models to epidemic outbreaks with quantified uncertainty: A primer for parameter uncertainty, identifiability, and forecasts. Infectious Disease Modelling, 2(3), 379–398. https://doi.org/10.1016/j.idm.2017.08.00
View in Google Scholar
Chowell, G., Hincapie-Palacio, D., Ospina, J., Pell, B., Tariq, A., Dahal, S., Moghadas, S., Smirnova, A., Simonsen, L., & Viboud, C. (2016). Using phenomenological models to characterize transmissibility and forecast patterns and final burden of Zika epidemics. PLOS Currents, 8, https://doi.org/10.1371/currents.outbreaks.f14b2217c902f453d9320a43a35b9583
View in Google Scholar
Chowell, G., Sattenspiel, L., Bansal, S., & Viboud. C. (2016). Mathematical models to characterize early epidemic growth: A review. Physics of Life Reviews, 18, 66–97. https://doi.org/10.1016/j.plrev.2016.07.005
View in Google Scholar
Chowell, G., & Viboud, C. (2016). Is it growing exponentially fast?—Impact of assuming exponential growth for characterizing and forecasting epidemics with initial near-exponential growth dynamics. Infectious Disease Modelling, 1(1), 1–8. https://doi.org/10.1016/j.idm.2016.07.004.
View in Google Scholar
Chowell, G., Viboud, C., Simonsen, L., & Moghadas, S. M. (2016). Characterizing the reproduction number of epidemics with early subexponential growth dynamics. Journal of The Royal Society Interface, 13(123), 1–12. https://doi.org/10.1098/rsif.2016.0659
View in Google Scholar
Claeskens, G., & Hjort, N. L. (2008). Model selection and model averaging. Cambridge University Press.
View in Google Scholar
Hsieh, Y. (2015). Temporal course of 2014 Ebola virus disease (EVD) outbreak in West Africa elucidated through morbidity and mortality data: A tale of three countries. PLOS ONE, 10(11). https://doi.org/10.1371/journal.pone.0140810
View in Google Scholar
Hsieh, Y. (2017). Temporal patterns and geographic heterogeneity of Zika virus (ZIKV) outbreaks in French Polynesia and Central America. PeerJ, 5, e3015. https://doi.org/10.7717/peerj.3015
View in Google Scholar
Hsieh, Y., Arazoza, H., & Lounes R. (2013). Temporal trends and regional variability of 2001–2002 multiwave DENV-3 epidemic in Havana City: Did Hurricane Michelle contribute to its severity? Tropical Medicine and International Health, 18(7), 830–838. https://doi.org/10.1111/tmi.12105
View in Google Scholar
Hsieh, Y., Huang, H., Lan, Y. (2016). On temporal patterns and circulation of influenza virus strains in Taiwan, 2008–2014: Implications of 2009 pH1N1 pandemic. PLOS ONE, 11(5), e0154695. https://doi.org/10.1371/journal.pone.0154695
View in Google Scholar
Ma, J., Dushoff, J., Bolker, B., & Earn, D. (2014). Estimating initial epidemic growth rate. Bulletin of Mathematical Biology, 76, 245–260. https://doi.org/10.1007/s11538-013-9918-2
View in Google Scholar
Richards, F. (1959). A flexible growth function for empirical use. Journal of Experimental Botany, 10(2), 290–301. https://doi.org/10.1093/jxb/10.2.290
View in Google Scholar
Roosa, K., Lee, Y., Luo, R., Kirpich, A., Rothenberg, R., Hyman, J., Yan, P., & Chowell, G. (2020a). Real-time forecasts of the COVID-19 epidemic in China from February 5th to February 24th, 2020. Infectious Disease Modelling, 5, 256–263. https://doi.org/10.1016/j.idm.2020.02.002
View in Google Scholar
Roosa, K., Lee, Y., Luo, R., Kirpich, A., Rothenberg, R., Hyman, J., Yan, P., & Chowell, G. (2020b). Short-term forecasts of the COVID-19 epidemic in Guangdong and Zhejiang, China: February 13–23, 2020. Journal of Clinical Medicine, 9(2), 596. https://doi.org/10.3390/jcm9020596
View in Google Scholar
Sebrango-Rodríguez C. R., Martínez-Bello, D. A., Sánchez-Valdés, L., Thilakarathne, P. J., Del Fava, E., Van Der Stuyft, P., López-Quílez, A., & Shkedy, Z. (2017). Real-time parameter estimation of Zika outbreaks using model averaging. Epidemiology and Infection, 145(11), 2313–2323. https://doi.org/10.1017/S0950268817001078
View in Google Scholar
Wang, X., Wu, J., & Yang, Y. (2012). Richards model revisited: Validation by and application to infection dynamics. Journal of Theoretical Biology, 313, 12–19. https://doi.org/10.1016/j.jtbi.2012.07.024
View in Google Scholar
Téléchargements
Publiée
Numéro
Rubrique
Licence
(c) Tous droits réservés Poznań University of Economics and Business 2023
Ce travail est disponible sous la licence Creative Commons Attribution 4.0 International .
