A computational modeling framework for public health decision-making: Evaluating vaccine distribution strategies
Bibliographic record
Abstract
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
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 | 0.008 | 0.021 |
| Meta-epidemiology (narrow) | 0.002 | 0.001 |
| Meta-epidemiology (broad) | 0.003 | 0.003 |
| Bibliometrics | 0.002 | 0.002 |
| Science and technology studies | 0.001 | 0.002 |
| Scholarly communication | 0.005 | 0.002 |
| Open science | 0.003 | 0.003 |
| Research integrity | 0.004 | 0.003 |
| Insufficient payload (model declined to judge) | 0.008 | 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".