Modélisation mathématique pour la préparation aux pandémies au Canada : leçons de la COVID-19
Bibliographic record
Abstract
Contexte : La pandémie de COVID-19 a mis en relief la nécessité d'une planification en cas de pandémie, mais a également mis en lumière l'utilisation de la modélisation mathématique pour soutenir les décisions en matière de santé publique.Les types de modèles qui furent nécessaires (à compartiments, à base d'agents, d'importation) sont décrits.Les meilleures pratiques concernant le réalisme biologique (y compris la nécessité de conseillers experts multidisciplinaires pour les modélisateurs), la complexité du modèle, la prise en compte de l'incertitude et la communication aux décideurs et au public sont décrites.Méthodes : Les membres du Réseau externe en modélisation des maladies infectieuses de l'Agence de la santé publique du Canada (REM-MI ASPC), une communauté de pratique nationale sur la modélisation mathématique des maladies infectieuses pour la santé publique, ont élaboré une analyse narrative à partir de l'expérience de la COVID-19.Résultats : La modélisation peut soutenir au mieux la préparation à la pandémie de deux manières : 1) en modélisant pour soutenir les décisions sur les besoins en ressources pour les pandémies futures probables en estimant le nombre d'infections, de cas hospitalisés et de cas nécessitant des soins intensifs, associés aux épidémies d'agents pathogènes pandémiques « hypothétiques, mais plausibles » au Canada; et 2) en disposant de méthodes de modélisation prêtes à l'emploi qui peuvent être facilement adaptées aux caractéristiques d'un agent pathogène pandémique émergent et utilisées pour les prévisions à long terme de l'épidémie au Canada, ainsi que pour explorer des scénarios afin de soutenir les décisions de santé publique sur l'utilisation d'interventions.Conclusion : Les organismes de santé publique au Canada ont besoin d'une expertise en modélisation à l'interne, connectée avec les modélisateurs du milieu universitaire au sein d'une communauté de pratique, dans laquelle les relations établies en dehors des périodes de crise peuvent être utilisées pour améliorer la modélisation pendant les urgences de santé publique.Les difficultés majeures auxquelles fait face la modélisation dans la préparation à une pandémie incluent la disponibilité de données couplées de la santé publique, des hôpitaux et de la génomique au Canada.
Fetched live from OpenAlex and de-inverted. Abstracts are not stored in this database: the inverted indexes are 8.6 GB of the frame’s 9.3 GB of text, and the host has 13 GB free.
How this classification was reachedexpand
Full frame machine prediction
Teacher imitationNot calibrated prevalence, not ground truth. Human validation pending. The Gemma side is a direct model label for every work in the frame, read from the title-only record. The Codex side is a classifier learned from the 10,348 direct Codex labels and calibrated to design-weighted sample rates; fields without enough sample support carry no Codex call. Candidate is the union of the two sides; consensus is their intersection. These outputs are machine_predicted_unvalidated and are not human labels.
Distilled classifier scores by category (both heads)
| Category | Codex | Gemma |
|---|---|---|
| Metaresearch | 0.002 | 0.011 |
| Meta-epidemiology (narrow) | 0.001 | 0.001 |
| Meta-epidemiology (broad) | 0.001 | 0.002 |
| Bibliometrics | 0.002 | 0.002 |
| Science and technology studies | 0.002 | 0.003 |
| Scholarly communication | 0.005 | 0.002 |
| Open science | 0.002 | 0.002 |
| Research integrity | 0.002 | 0.003 |
| Insufficient payload (model declined to judge) | 0.006 | 0.001 |
Machine scores (provisional)
The two teacher heads of the student model, read on this work. A score orders the frame for review; it never asserts a category, and the validation status ships verbatim with every row.
Baseline scores from an immature model (maturity gate not passed, 7 training rounds). Scores rank; they never assert a category.
score_only:v0-immature-baseline · verbatim from the scoring run: score_only means the number may rank works, and no category label ships from itClassification
machine, unvalidatedMachine predicted; a candidate call from one source (direct Gemma or distilled Codex), not a consensus.
How this classification was reached, model by model and score by score, is at the end of the page under "How this classification was reached".