A computational modeling framework for public health decision-making: Evaluating vaccine distribution strategies
Notice bibliographique
Résumé
Les modèles informatiques de transmission des maladies infectieuses se sont révélés essentiels pour étudier l’impact des interventions de santé publique visant à atténuer la propagation des agents pathogènes. L’émergence du nouveau virus SARS-CoV-2 en 2019 a mis au défi les systèmes de santé publique et les gouvernements du monde entier. Dans les premiers stades de la pandémie, les décideurs politiques ont dû prendre des décisions dans des conditions d’informations imparfaites et de ressources limitées. Les vaccins sont devenus disponibles fin 2020, mais la pénurie initiale a incité les décideurs à imposer des programmes de priorisation. Au Québec, la vaccination s'est d'abord concentrée sur les travailleurs de la santé et les personnes âgées. Néanmoins, ces décisions de santé publique n’ont peut-être pas été optimales pour réduire la charge de morbidité, et l’efficacité des stratégies alternatives de priorisation est inconnue.Ainsi, ce travail vise à réaliser des évaluations contrefactuelles de l’impact des stratégies alternatives de vaccination au Québec (Canada) dans les premiers stades de la pandémie. Pour ce faire, nous développons un modèle complet de transmission dynamique stratifié par âge pour le COVID-19 et examinons les résultats au niveau de la population de scénarios alternatifs de déploiement de la vaccination tout en tenant compte de l’hésitation à la vaccination. Ce modèle intègre les données démographiques, les modèles de mixité d'âge, les variantes virales, la vaccination, la diminution de l'immunité et les interventions non pharmaceutiques (INPs). Le modèle a été paramétré à l'aide de données de la littérature et de méthodes d'estimation des paramètres de calcul bayésien approximatif de Monte Carlo séquentiel (ABC-SMC). À l'aide de ce modèle, nous avons simulé et analysé des scénarios contrefactuels.Nos résultats ont des implications significatives pour les stratégies de santé publique. Nous montrons que les politiques de priorisation mises en œuvre au début de la pandémie ont été presque optimales pour réduire les hospitalisations par rapport aux autres stratégies de déploiement par âge que nous avons envisagées. Cependant, nous soulignons que le fait de cibler les groupes les plus socialement connectés (les 18 à 49 ans) ainsi que les individus à plus haut risque âgés de 50 ans et plus au début de la vaccination peut réduire considérablement le fardeau des hospitalisations par rapport au déploiement séquentiel observé, en particulier lorsque de nouvelles variantes apparaissent (c’est-à-dire la variante Delta). Nous explorons également les impacts de l'hésitation à la vaccination sur la protection à l'échelle de la population, démontrant que lorsque l'acceptation est élevée (moins de 30\% d'hésitation dans la population), les stratégies qui ne donnent pas la priorité à la tranche d'âge hautement connectée des 18-49 ans peuvent entraîner un plus grand nombre d'hospitalisations avec une couverture vaccinale croissante en raison d’une redistribution réduite des doses vers les sous-populations à forte transmission. Cela met en évidence l’importance de distribuer rapidement les doses de vaccin, quel que soit le système de priorisation, afin de diminuer ces effets. Nos résultats soulignent l’importance de tenir compte des facteurs spécifiques aux agents pathogènes et à la population lors de la conception des plans de déploiement de vaccins afin de réduire le fardeau des maladies et du système de santé. Dans l’ensemble, notre recherche démontre l’intérêt d’utiliser des outils informatiques basés sur les données pour étudier les stratégies d’intervention et leur potentiel à atténuer les épidémies d’agents pathogènes émergents et réémergents
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,008 | 0,021 |
| Méta-épidémiologie (sens strict) | 0,002 | 0,001 |
| Méta-épidémiologie (sens large) | 0,003 | 0,003 |
| Bibliométrie | 0,002 | 0,002 |
| Études des sciences et des technologies | 0,001 | 0,002 |
| Communication savante | 0,005 | 0,002 |
| Science ouverte | 0,003 | 0,003 |
| Intégrité de la recherche | 0,004 | 0,003 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,008 | 0,001 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule source (Gemma direct ou Codex distillé), pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».