La présentation est en train de télécharger. S'il vous plaît, attendez

La présentation est en train de télécharger. S'il vous plaît, attendez

Simon Cauchemez MRC Centre for Outbreak Analysis and Modelling Imperial College London Lapport de la modélisation durant la pandémie de grippe H1N1.

Présentations similaires


Présentation au sujet: "Simon Cauchemez MRC Centre for Outbreak Analysis and Modelling Imperial College London Lapport de la modélisation durant la pandémie de grippe H1N1."— Transcription de la présentation:

1 Simon Cauchemez MRC Centre for Outbreak Analysis and Modelling Imperial College London Lapport de la modélisation durant la pandémie de grippe H1N1

2 Mon cursus : ENSAE, Ecole Nationale de Statistique et de lAdministration Economique : DEA de Biomathématiques : Thèse à lINSERM U : Postdoc à lImperial College London : RCUK fellowship à lImperial College London

3 Pandémie de grippe H1N1 en Avril 2009: Centers for Disease Control and Prevention (CDC) détectent un nouveau virus grippal aux Etats-Unis; Cas ayant voyagé récemment au Mexique; Données qui arrivent initialement du Mexique suggèrent un scenario de pandémie relativement sévère. Comment les outils danalyse et de modélisation ont été utilisés pour évaluer la situation & informer les prises de décisions?

4 Usage de lanalyse et de la modélisation Quantification de la transmission information utilisée lors des changements de phase de lOMS. Evaluation de la sévérité. Interprétation des tendances, « now-casting ». Prédiction de la trajectoire de la pandémie. Evaluation de limpact des interventions.

5 Interaction entre modélisateurs et santé publique (1) OMS personnel de lImperial intégré à lOMS (Maria Van Kerkhove). Création dun réseau informel de modélisateurs– 40 participants de 20+ pays, produisant des revues sur différents sujets. US – CDC liens avec modélisateurs académiques dès la première semaine, personnel présent durant les 2 premiers mois. Interactions informelles à différents niveaux de gouvernement (Etats fédéraux, Maison Blanche). EU – ECDC réseau de modélisateurs.

6 Interaction entre modélisateurs et santé publique (2) GB – modélisateurs siégeaient dans le groupe dexperts scientifiques sur la pandémie, sous-groupe dédié, analyses hebdomadaires temps-réel. COBR/CCC SAGE SPI-CC SPI-JCVI SPI-M SPI-BC [diagram: courtesy of Peter Grove]

7 Quest-ce quon savait en été?

8 Transmission au Mexique en Avril-Mai R=1.5 (95% Cr.I.: ) à partir de la courbe des cas confirmés. R=1.4 (95% Cr.I.: ) par une méthode de calcul spatial backward. R=1.2 (95% Cr.I.: ) à partir de lanalyse des séquences génétiques. [Fraser et al, Science, en ligne 11 Mai 2009]

9 Intervalle de génération: –2.5-3 jours a partir de donnees britanniques; –2.6 jours a partir de donnees americaines. Durée dincubation de jours. Intervalle de génération et isolation des cas

10 Susceptibilité par age Données sur le Mexique, la GB, les ménages américains, et plus tard la surveillance sentinelle donnaient la même image. Enfants >2 fois plus susceptibles que les adultes, même en tenant compte des différences de taux de contact avec les adultes.

11 Transmission dans les ménages Analyse USA (collaboration avec CDC – Cauchemez et al NEJM 2010): Taux dattaque secondaire 8% pour syndrome grippal – plutôt faible par rapport aux pandémies précédentes. Analyse GB (collaboration avec HPA – Ghani et al PLoS Current 2009): Taux dattaque secondaire 8% pour infection H1N1 confirmée, 11% pour syndrome grippal (en présence de traitements antiviraux) Household size Secondary attack rate

12 Fermeture des écoles Fermeture peut présenter un intérêt – en particulier une réduction de ~40% de lincidence au pic; mais a un cout très élevé [Cauchemez et al, Lancet ID, 2009]. Peut-on maximiser limpact (e.g. réduction du pic de demande de soin), en minimisant le coût? Travail effectué pour CDC montre que des fermetures de 1-2 semaines basées sur un suivi de labsentéisme local peuvent réduire le pic local de façon substantielle. Mais la pandémie H1N1 na pas été suffisamment sévère pour justifier une fermeture des écoles

13 Angleterre – analyse et modélisation Modèles reproduisent bien la croissance observée en Juin-Juillet, et les réductions après le début des vacances. Mais besoin de connaître le vrai nombre dinfections pour faire des prédictions.

14 Sévérité

15 Evaluation de la sévérité au tout début Inquiétude initiale à partir des données mexicaines – mais seulement les cas sévères étaient détectés. En mai, nous avons estimé à 23,000 le nombre dinfectés au Mexique fin avril à partir de lextension de la diffusion internationale en avril, en faisant une hypothèse de mélange homogène entre les voyageurs et les locaux. Donnait un taux de fatalité de ~0.4% à partir des morts suspectes ou confirmées et de ~0.04% pour les morts confirmées seules. [Fraser et al, Science, en ligne 11 Mai 2009]

16 Lexpérience de lhémisphère sud Opatowski et al, Analyse commencée en Aout, après le pic. R: Estimations du taux dinfection: 20-40%. Très faible taux de fatalité (<0.01%).

17 Epidémiologie de la grippe

18 H1N1pdm community outbreak in Pennsylvania [with CDC] Demographic & clinical information collected on students and their family members – 2 phone interviews: Surveys in school for 4 th graders: Activities, Seating charts, Playmates. May th Around June 4 th -141 ARI cases among 370 students (AR:38%) ARI cases among 899 household members (AR:14%) Activities 2 interviews of households Social networks - Who are your playmates? GirlsBoys Seating charts Censoring: 40% of people only in 1 st interview

19 Transmission rates in the school and in the household School Household Age dependent susceptibility Generation time in places

20 Gender-related mixing & transmission patterns Social networks: Students are 4 times more likely to play with students of the same gender Girls Boys Evidence that this aspect of mixing patterns affected the transmission dynamics i) Boys had onset before girls! (p=0.023)ii) Bayes Factor for model with gender-effect: 8.0

21 Seating plan: higher risk of infection if neighbour is sick? Simple approach: Count the number of pairs of neighbours that are sick in each class room. Compare with the number of pairs expected if the seating arrangement was due to chance. Permutation test. Conclusion: observed numbers of pairs are not significantly different than what would be generated by chance. ObservedExpected Overall 4 th graders1920 [16,24] (p=0.58) Classroom A1213 [11,15] (p=0.62) Classroom B22 [0,4] (p=0.23) Classroom C12 [0,3] (p=0.53) Classroom D41 [4,6] (p=0.25)

22 Impact of a late 1-week school closure Late closure: 27% of students had already had symptoms at time of closure i) Estimate of transmission rates between students after closure relative to before closure: 0.8 (0.4,1.4) ii) School reproduction number - on the week of the closure: 0.3 (0.1,0.6) - on the following week: 0.3 (0.0, 0.7) No noticeable reduction detected

23 Les leçons

24 Problèmes liés aux données & incertitudes Dénominateurs – ne pas connaitre le nombre dinfections a rendu lestimation de la sévérité et la prédiction du pic difficile: Serosurveillance Cohortes Web / téléphone Impact des variations saisonnières sur la transmission.

25 Communication Difficulté de communiquer lincertitude. Prédictions vs scenarios – pire scenario raisonnable utile pour planifier, mais différent dune prédiction.

26 Conclusions Analyses et modélisation: Beaucoup d analyses statistiques; Un des éléments dinformation parmi dautres pour les décideurs; Pas une boule de cristal – « consommateurs » de plus en plus informés. A pu savérer utile sur certaines questions stratégiques.


Télécharger ppt "Simon Cauchemez MRC Centre for Outbreak Analysis and Modelling Imperial College London Lapport de la modélisation durant la pandémie de grippe H1N1."

Présentations similaires


Annonces Google