Publié
Saviez-vous que les mathématiques en épidémiologie ont commencé au début des années 1900 ? Cela a joué un rôle clé dans la gestion des épidémies. Les travaux de John Snow visant à trouver la source d'une épidémie de choléra à Londres ont lancé l'épidémiologie moderne. Ces modèles peuvent être simples ou complexes et sont cruciaux pour prédire les épidémies.
Ils nous aident à comprendre comment les maladies se propagent. Cette connaissance nous permet de réduire leur impact. Il nous guide dans l’élaboration de plans efficaces pour lutter contre les pandémies.

La modélisation épidémiologique est très importante aujourd’hui, notamment dans le contexte des pandémies mondiales. Depuis le début des années 1900, nous utilisons les mathématiques pour étudier la propagation des maladies. Des modèles comme SEIR et SIDARTHE ont été utilisés pendant la pandémie de COVID-19.
Ces modèles sont des outils essentiels. Ils aident les responsables de la santé à planifier en simulant différents scénarios. De cette façon, ils peuvent prédire les résultats et planifier de meilleures stratégies comme la vaccination et la distanciation sociale.
Points clés à retenir
- La modélisation épidémiologique a commencé à gagner du terrain au début du 20e siècle.
- John Snow est connu comme le père de l’épidémiologie moderne.
- Les modèles mathématiques vont des formes déterministes simples aux formes stochastiques complexes.
- Ces modèles font partie intégrante de prédiction d'épidémie et stratégies de réponse à la pandémie.
- Des modèles récents tels que SEIR et SIDARTHE ont joué un rôle central pendant la pandémie de COVID-19.
Introduction à la modélisation épidémiologique
La modélisation épidémiologique est essentielle pour comprendre comment les maladies se propagent et faciliter la prise de décisions en matière de santé. Il utilise des données sur la maladie, son mode de propagation et les personnes touchées. Cela nous aide à voir comment les épidémies se développent et à prédire ce qui pourrait se produire ensuite.
Ces modèles visent à prévoir des éléments tels que la vitesse de propagation de la maladie, les personnes infectées et les personnes susceptibles de mourir. Ils examinent ces facteurs au fil du temps pour obtenir une image claire.
La construction de ces modèles commence par les bases de l’épidémiologie. Cela garantit qu’ils correspondent étroitement aux situations réelles. Différents algorithmes, comme l'inférence variationnelle stochastique (SVI) et le No-U-Turn Sampler (NUTS), aident à créer ces modèles. Ils peuvent être simples ou complexes, selon les besoins.
En comparant différentes méthodes, comme Markov Chain Monte Carlo (MCMC) et SVI, nous constatons que MCMC est plus précis. SVI est plus rapide et prend en charge des modèles complexes. C'est une bonne idée de commencer par SVI, puis d'utiliser MCMC pour plus de détails.
| Méthode | Temps (secondes) | Exactitude | Applications |
|---|---|---|---|
| TOUS | 12.7 (2000 étapes complétées) | Approximatif | Structures de modèles rapides et complexes |
| MCMC | N/D | Haute | Prédictions précises et spécifiques |
Des modèles comme SimpleSIRModel montrent à quel point ils peuvent être utiles. Ils ont simulé 4055 90 infections en six essais. Prédire les événements futurs est également rapide ; par exemple, prédire 115 pas de temps n’a pris que XNUMX millisecondes.
Ces modèles prennent en compte de nombreux facteurs, comme les personnes touchées, le virus lui-même et le comportement des gens. Ils simulent la façon dont les maladies se propagent. Les résultats sont incertains, montrant les résultats possibles.
Les résultats du modèle aident à prédire le recours aux hôpitaux et les taux de mortalité à l’avenir. Ils sont basés sur les données actuelles et les plans de vaccination. En comparant ces prédictions avec des événements réels, nous pouvons voir dans quelle mesure nos actions fonctionnent et mieux planifier l’avenir.
Le rôle de l'épidémiologie mathématique
L'épidémiologie mathématique associe des modèles mathématiques à l'épidémiologie pour prévoir et comprendre comment les maladies infectieuses se propagent.
Aperçu historique
John Snow, un épidémiologiste influent, a cartographié les épidémies de choléra au XIXe siècle. En 19, Daniel Bernoulli écrivit sur la variole de la variole et son impact sur l'espérance de vie. Ce travail a ouvert la voie à de futures avancées dans le domaine.
Au début des années 1900, l’épidémiologie mathématique a fait de grands progrès. Kermack et McKendrick ont introduit le nombre de reproduction de base (R0) en 1927. Cette mesure est essentielle pour comprendre comment les maladies peuvent se propager. La lutte mondiale contre la variole dans les années 1970 a montré le pouvoir de la vaccination et des stratégies ciblées.
Mathématiciens clés
De nombreux épidémiologistes ont fait progresser l’épidémiologie mathématique. Anderson Gray McKendrick et Janet-Leigh Claypon étaient des personnalités clés. Ils ont introduit les mathématiques dans l’épidémiologie, aidant ainsi à gérer les épidémies grâce à de nouveaux modèles.
À la fin des années 1900, les modèles mathématiques sont devenus essentiels aux politiques de santé. Des études sur la grippe et la variole ont montré l’importance de comprendre la propagation de la maladie. Ces modèles aident à créer des plans d’intervention efficaces, ce qui rend l’épidémiologie mathématique cruciale dans les soins de santé d’aujourd’hui.
Types de modèles épidémiologiques
Comprendre les modèles épidémiologiques est essentiel pour des prévisions précises et des actions de santé publique. Ces modèles varient dans la manière dont ils abordent et simulent les épidémies. Ils comprennent des modèles déterministes et stochastiques, chacun ayant sa propre structure et sa propre utilisation.
Modèles déterministes
Les modèles déterministes utilisent des paramètres fixes et prédisent avec des équations différentielles. Ils se concentrent sur les comportements moyens dans les grands groupes. Par exemple, le modèle SIR prédit la propagation des maladies à l’aide de ces équations. De tels modèles fonctionnent bien pour les grandes populations ou pour des maladies comme la tuberculose.
Le taux de croissance initial d’une épidémie, indiqué par le nombre de reproduction de base (R0), permet de prédire sa propagation. Les modèles déterministes s’appuient sur ces données pour prévoir la manière dont une maladie se propagera au sein d’une population.

Modèles stochastiques
Les modèles stochastiques, en revanche, incluent le caractère aléatoire pour refléter l'imprévisibilité du monde réel. Ils sont vitaux pour les petits groupes ou les maladies à propagation imprévisible. En permettant des changements aléatoires, ces modèles fournissent des distributions de probabilité des résultats. Cela les rend essentiels pour des prévisions précises.
Par exemple, dans la modélisation du COVID-19, il est courant de supposer que le temps d’incubation suit une distribution gamma. Les modèles stochastiques sont également importants pour la modélisation régionale, car ils montrent comment différentes zones affectent la propagation des maladies.
Ils aident à prédire le nombre de cas cachés et à orienter les efforts d’intervention. Des outils tels que les modèles de régression ajoutent aux détails et à la précision du modèle.
Il est essentiel de confronter ces modèles à des données réelles pour s'assurer de leur fiabilité. Cela garantit qu'ils contribuent à la prise de décisions éclairées en matière de santé publique. Le lien entre la complexité du modèle et la précision des prédictions aide les épidémiologistes à se préparer aux épidémies.
Pour en savoir plus sur la manière dont les relations causales influencent les interventions de santé publique, consultez cet article détaillé sur l'inférence causale en épidémiologie et en santé publique.
| Type de modèle | Principales caractéristiques | Applications courantes |
|---|---|---|
| Modèles déterministes | Paramètres fixes, équations différentielles | Grandes populations, maladies à transmission constante |
| Modèles stochastiques | Intègre le caractère aléatoire et les distributions de probabilité | Populations plus petites, variations régionales |
Modèles compartimentaux en épidémiologie
Les modèles compartimentaux facilitent l'étude des maladies infectieuses en regroupant les individus en trois catégories principales : les personnes susceptibles de tomber malades, les personnes malades et les personnes guéries. Ces modèles sont essentiels pour comprendre la propagation des maladies et les moyens de les enrayer. Parmi eux figurent les modèles SIR et SIS , qui sont fondamentaux pour la recherche sur les maladies.
Modèle RAS
Le modèle SIR est une méthode populaire pour étudier les maladies. Il divise la population en trois groupes : ceux qui peuvent tomber malades (S), ceux qui sont malades (I) et ceux qui se sont rétablis (R). Ce modèle est idéal pour les maladies qui confèrent une immunité aux personnes une fois leur état amélioré, comme la rougeole.
Le modèle examine la façon dont les gens se déplacent entre ces groupes. La vitesse à laquelle les gens tombent malades (β) et la vitesse à laquelle ils se rétablissent (γ) sont essentielles. Le modèle SIR parle également du nombre de reproduction de base (R0), qui montre à quelle vitesse une maladie peut se propager.
Ce modèle nous aide à comprendre l’ampleur d’une épidémie et la rapidité avec laquelle une maladie se propage. Il peut ignorer les taux de natalité et de mortalité pour se concentrer sur la manière dont la maladie se propage au sein de la population. Grâce au modèle SIR, nous avons pu contrôler de nombreuses maladies.
Modèle SIS
Le modèle SIS est destiné aux maladies dans lesquelles les personnes peuvent retomber malade après leur guérison, comme le rhume. Il comporte deux groupes : ceux qui peuvent tomber malades (S) et ceux qui sont malades (I). Contrairement au modèle SIR, les personnes qui guérissent peuvent à nouveau attraper la maladie.
Le modèle SIS examine la manière dont les personnes se déplacent entre ces deux groupes. La vitesse à laquelle les gens tombent malades (β) et la vitesse à laquelle ils se rétablissent (γ) sont importantes. Ce modèle nous aide à comprendre comment certaines maladies continuent de réapparaître, ce qui nous aide à élaborer de meilleurs plans de santé.
| Type de modèle | Composants | Paramètres clés | Convient à |
|---|---|---|---|
| Modèle RAS | MONSIEUR | β, γ, R0 | Maladies avec immunité après guérison (par exemple, rougeole) |
| Modèle SIS | S, je | β, γ | Maladies sans immunité durable (par exemple, rhume) |
Les modèles SIR et SIS sont tous deux essentiels à l'étude des maladies. Grâce à eux, les experts peuvent prédire leur propagation et trouver des moyens de les enrayer. Cela contribue à améliorer les politiques de santé et à sauver des vies.
Techniques de modélisation stochastique
Les techniques de modélisation stochastique sont essentielles pour appréhender le caractère aléatoire de la propagation des maladies. Ces modèles offrent une vision plus réaliste des systèmes complexes, comme la façon dont les gens tombent malades. Ils exploitent les variations aléatoires pour mieux comprendre et prédire l'évolution des maladies en situation d'incertitude.
Les chaînes de Markov en temps continu et les équations différentielles stochastiques en jouent un rôle important. Ils nous aident à déterminer les risques d’épidémies. Ils prennent également en compte des éléments tels que le nombre de personnes vivant dans une zone donnée et l'environnement.
Les processus stochastiques peuvent concerner des éléments qui changent souvent, comme les cours boursiers quotidiens, ou de manière fluide au fil du temps. Ces modèles utilisent différents types de probabilités pour décrire des événements réels. La distribution normale aide à faire des prédictions, tandis que les distributions exponentielle et de Poisson sont utiles pour compter la fréquence à laquelle les choses se produisent.
La modélisation stochastique est un outil pratique pour créer des modèles précis et prendre des décisions éclairées dans des environnements imprévisibles.
Les recherches antérieures ont permis le développement des modèles stochastiques avancés d'aujourd'hui. Des études importantes menées en 1952, 1984 et 2000 ont façonné notre compréhension. Des études récentes, comme celles présentées dans cet article , s'intéressent aux mécanismes de la dynamique des populations.
La recherche sur les maladies infectieuses a fait des progrès considérables, comme en témoignent les études connexes . La génomique est essentielle pour comprendre la propagation des maladies et les moyens de les enrayer. Ces avancées ont permis d'améliorer les traitements et les politiques de santé, démontrant ainsi l'importance de la modélisation stochastique.
La modélisation stochastique en épidémiologie nous donne des informations approfondies sur la manière dont les maladies se propagent. Il permet aux chercheurs d’essayer différents scénarios pour voir ce qui pourrait arriver. En ajoutant du caractère aléatoire aux modèles de maladies, les scientifiques et les experts de la santé peuvent mieux gérer les surprises des épidémies. Cela contribue à améliorer les politiques de santé et la manière dont nous traitons les maladies.
| Année | Axe d'étude/recherche |
|---|---|
| 1952 | Théorie Reed – Frost des épidémies |
| 2002 | Modèles spatio-temporels de l'infection à hantavirus |
| 2003 | Vagues itinérantes d’infection dans les épidémies d’hantavirus |
| 1984 | Simulation d'épidémies de maladies infectieuses |
| 1999 | Équations différentielles stochastiques et temps de persistance pour deux populations en interaction |
| 2003 | Comparaison de modèles de population stochastiques concernant le temps de persistance |
| 2000 | Comparaison des modèles SIS et SIR déterministes et stochastiques |
| 2003 | Dynamique de deux infections virales dans une seule population hôte |
| 1992 | Analyse mathématique des maladies infectieuses humaines |
| 2003 | Le rôle de l'évolution dans l'émergence des maladies infectieuses |
Calibrage du modèle et estimation des paramètres
Pour être fiables, les modèles épidémiologiques nécessitent un étalonnage rigoureux et une estimation précise des paramètres. L'étalonnage garantit l'adéquation du modèle aux données réelles. Les méthodes d'estimation des paramètres améliorent la précision des modèles.
Importance d’hypothèses précises
Les bonnes hypothèses sont essentielles pour des modèles fiables. Le modèle SEIR, souvent utilisé, repose sur des hypothèses concernant les taux d’infection, d’incubation et de guérison. Ceux-ci nous aident à comprendre comment les maladies se propagent.
Il est également crucial d’obtenir les bons chiffres initiaux. Cela implique de savoir combien de personnes sont malades, exposées et rétablies au départ. Le numéro de reproduction de base (R0) est également vital. Il montre combien de nouveaux cas une personne infectée peut provoquer dans une population pleinement sensible.

Techniques d'estimation
Des méthodes telles que les moindres carrés non linéaires (NLS) et l'estimation bayésienne sont utilisées à cet effet. NLS contribue à rendre le modèle plus précis en le faisant correspondre à des données réelles. L'estimation bayésienne utilise des connaissances préalables pour améliorer le processus d'estimation. L'utilisation de priors plats dans l'étalonnage bayésien donne des résultats plus fiables.
Pour le COVID-19, des modèles déterministes et stochastiques ont été utilisés. Ces modèles utilisent des données provenant d'endroits tels que le référentiel GitHub de l'Université Johns Hopkins. Les modèles stochastiques prennent plus de temps mais nous donnent une meilleure idée des résultats possibles.
Le modèle SEIR pour le COVID-19 comporte six inconnues : l’infection, l’incubation, les taux de guérison et le nombre initial de personnes malades, exposées et rétablies. Il est crucial de bien les réussir. Cela nécessite une analyse statistique détaillée et un bon ajustement des données.
Pour plus de détails sur l'étalonnage et l'estimation du modèle , consultez les études publiées dans le Journal of Health Sciences.
Les progrès réalisés en matière d'analyse géographique et de superposition de données en santé publique contribuent également à améliorer le calibrage des modèles . Les initiatives de recherche menées en Caroline du Nord en témoignent. Vous trouverez davantage d'informations à ce sujet dans le cadre de référence sur les statistiques environnementales et spatiales.
| Paramètre | Sens |
|---|---|
| β | Taux d'infection |
| σ | Taux d'incubation |
| γ | Taux de récupération |
| R0 | Numéro de reproduction de base |
| Je(0), E(0), R(0) | Nombre initial de cas infectieux, exposés et guéris |
Connaître ces paramètres et leurs effets est essentiel pour une meilleure modélisation et de meilleures interventions en matière de santé.
Applications des modèles épidémiologiques
Les modèles épidémiologiques sont désormais des outils clés pour améliorer la santé publique et la planification. Ils nous aident à comprendre et à combattre les maladies zoonotiques, qui se propagent entre les animaux et les humains. Ces modèles nous donnent des informations importantes sur les maladies humaines et non humaines.
Modélisation des maladies infectieuses
La modélisation des maladies infectieuses est essentielle à l'élaboration de stratégies de santé publique. Les chercheurs utilisent ces modèles pour tester et améliorer des interventions telles que les vaccins. Ceci est vital pour des maladies comme le VIH, la tuberculose et le paludisme, qui sont responsables de 10 % des décès chaque année.
L’épidémie de SRAS en 2003 et la pandémie de grippe porcine en 2009 montrent à quel point la modélisation est importante. Les modèles ont aidé à contrôler des maladies comme le MERS CoV en 2013, le Zika en 2016 et le SRAS-CoV-2.
La London School of Hygiene & Tropical Medicine propose un cours sur l’épidémiologie des maladies infectieuses. Il enseigne comment prédire les effets des stratégies de contrôle et combine l'économie de la santé. Le cours commence du 17 au 28 juin 2024 et comprend des cours magistraux, des travaux pratiques et des discussions.
Ces modèles tiennent compte des différences dans la santé des personnes et de la manière dont elles interagissent. Le nombre de reproduction de base (R0) nous aide à comprendre à quelle vitesse une maladie se propage. Cette connaissance permet aux responsables de la santé d’agir rapidement pour stopper les épidémies.
Modèles de maladies non humaines
Les modèles de maladies non humaines nous aident à comprendre les problèmes de santé liés à l’agriculture et à l’environnement. Ils montrent comment les maladies se propagent parmi les animaux et les plantes, affectant l'alimentation et l'environnement. Par exemple, isoler les animaux malades peut réduire la propagation des maladies.
La modélisation régionale est une autre approche qui tient compte des spécificités locales. Une étude menée en Syrie montre comment les modèles épidémiologiques contribuent à la planification des services de santé. Cela démontre l'utilité de ces modèles dans des situations concrètes, comme le montre l' étude méthodologique sur la charge mondiale de morbidité.
Des cours comme ceux du Centre de modélisation mathématique des maladies infectieuses se concentrent sur les utilisations pratiques des modèles épidémiologiques. Ils s’assurent que les modèles sont solides en théorie et fonctionnent bien dans la vie réelle. Cela aide à prendre de meilleures décisions en matière de politique de santé.
Stratégies d'intervention et politique de santé publique
La création de politiques de santé publique efficaces est essentielle à la gestion des crises sanitaires. Les modèles épidémiologiques sont essentiels à cet égard. Ils fournissent des données précises pour aider à prendre des décisions. Ces modèles guident les réponses et aident à concevoir des politiques qui sauvent des vies.
Rôle des modèles dans la prise de décision
Les modèles épidémiologiques sont essentiels à la prise de décisions en matière de santé publique. Ils ont aidé pendant la pandémie de COVID-19 en guidant les mesures de confinement et les efforts de vaccination. L’utilisation de données fiables rend ces modèles plus précis, conduisant à de meilleures politiques.
Des cours comme FMPH 101 enseignent aux étudiants les investigations sur les maladies. Ils se concentrent sur les principes de base relatifs aux maladies infectieuses et non infectieuses. Ces connaissances sont cruciales pour comprendre les résultats du modèle et élaborer des politiques de santé publique.
Les cours avancés comme FMPH 171 enseignent des compétences pratiques pour des situations réelles. Les étudiants apprennent à réagir rapidement aux menaces pour la santé. Cela les prépare à leurs futurs rôles dans la santé publique.
En utilisant ces modèles, les experts en santé publique peuvent prédire les épidémies et mieux planifier. Cela contribue à sauver des vies. C'est un élément clé de l'élaboration de politiques de santé publique efficaces.
Études de cas
Des études de cas montrent comment les modèles épidémiologiques contribuent à la santé publique. L'étude REACH-C menée en Australie a révélé un taux de guérison de l'hépatite C de 92 %. Cela montre l'impact de politiques bien informées.
La stratégie mondiale du secteur de la santé visait à mettre fin à l’hépatite virale d’ici 2021. Une étude réalisée en Islande souhaitait éliminer l’hépatite C d’ici 2020. Ces exemples mettent en évidence la puissance des modèles en matière de politique de santé.
| Étude de Cas | Objectif | Résultat |
|---|---|---|
| Étude REACH-C, Australie | Éliminer l'hépatite C | Taux de guérison de 92 % |
| Étude de modélisation en Islande | Éliminer l’hépatite C d’ici 2020 | Élaboration et mise en œuvre efficaces de politiques |
| Stratégie mondiale du secteur de la santé 2016-2021 | Mettre fin à l’hépatite virale dans le monde | Coordination et efforts accrus à l’échelle mondiale |
Ces études de cas montrent comment les modèles peuvent modifier les politiques de santé publique. Ils soulignent la nécessité d'utiliser des modèles dans la prise de décision. Cela garantit que les stratégies sont basées sur des preuves solides.
Pour plus d'informations sur la manière dont les épidémiologistes choisissent les interventions, consultez le site des Centres de contrôle et de prévention des maladies.
Conclusion
Le voyage à travers la modélisation épidémiologique montre son rôle clé dans la lutte contre les maladies infectieuses. Cela nous aide à mieux comprendre et gérer les épidémies. En examinant le fonctionnement des interventions et en prédisant la propagation des maladies, nos connaissances se sont considérablement enrichies.
Le modèle SIR est un outil clé dans ce domaine. Il utilise des mathématiques complexes pour étudier la façon dont les maladies se propagent. Le nombre de reproduction de base (R0) nous indique si une maladie va se propager ou disparaître. Ces idées sont cruciales pour améliorer la santé publique dès maintenant et se préparer à de futures épidémies.
En regardant les épidémies passées et en utilisant de nouvelles méthodes, nous voyons à quel point des modèles précis sont importants. Ils nous aident à prévoir et à arrêter les épidémies. En utilisant des données solides et en vérifiant souvent les modèles, nous pouvons élaborer de meilleures politiques de santé. Cela fait de la modélisation épidémiologique un élément clé d’un avenir plus sûr et meilleur.
QFP
Quelles sont les bases et les applications de la modélisation épidémiologique ?
La modélisation épidémiologique utilise les mathématiques et les statistiques pour étudier la manière dont les maladies se propagent. Il aide à prévoir les épidémies et à planifier les politiques de santé. Cela inclut la prévision des tendances et l’élaboration de stratégies pour arrêter les infections.
Comment l’épidémiologie mathématique contribue-t-elle à comprendre la propagation des maladies ?
L'épidémiologie mathématique utilise des chiffres pour étudier la manière dont les maladies se propagent. Il aide à prédire les épidémies et à planifier des stratégies de santé. Il examine la maladie, comment elle se propage et les personnes touchées.
Qui sont les mathématiciens clés dans le domaine de l’épidémiologie ?
Parmi les personnalités importantes figure John Snow, qui a découvert la source des épidémies de choléra. Anderson Gray McKendrick et Janet-Leigh Claypon ont également apporté les mathématiques à l'épidémiologie.
Quelle est la différence entre les modèles déterministes et stochastiques en épidémiologie ?
Les modèles déterministes prédisent les épidémies avec des nombres et des équations fixes. Ils supposent que les grands groupes agissent de la même manière. Les modèles stochastiques ajoutent du caractère aléatoire, montrant comment la maladie se propage en petits groupes.
Que sont les modèles compartimentaux en épidémiologie ?
Les modèles compartimentaux regroupent les individus selon leur statut pathologique. Ils permettent d'étudier la propagation des maladies. Le modèle SIR s'intéresse aux maladies conférant une immunité, tandis que le modèle SIS s'intéresse à celles qui n'en confèrent pas.
Comment les techniques de modélisation stochastique profitent-elles aux prévisions épidémiologiques ?
La modélisation stochastique ajoute du caractère aléatoire aux prévisions de propagation des maladies. Ceci est essentiel pour comprendre le comportement de la maladie dans des situations incertaines. Cela aide à élaborer de meilleurs plans pour arrêter les épidémies.
Pourquoi des hypothèses précises sont-elles importantes dans la modélisation épidémiologique ?
De bonnes hypothèses sur les personnes et les maladies sont essentielles à de bonnes prédictions. Ils s'assurent que les modèles correspondent à la réalité. Cela aide à orienter les interventions de santé.
Quelles méthodes sont utilisées pour l’étalonnage du modèle et l’estimation des paramètres ?
L'étalonnage des modèles utilise des statistiques et des données d'ajustement pour améliorer les prédictions. Cela rend les modèles plus précis.
Quelles sont les applications des modèles épidémiologiques en santé publique ?
Les modèles épidémiologiques aident à planifier et à vérifier les interventions sanitaires. Ils sont utilisés pour lutter contre les maladies humaines et animales. Cela aide l’agriculture et la santé environnementale.
Comment les modèles influencent-ils les politiques de santé publique et les stratégies d’intervention ?
Les modèles donnent des indications aux responsables de la santé pour élaborer et modifier leurs stratégies. Des cas comme celui de la COVID-19 montrent à quel point ils contribuent à apporter de bonnes réponses en matière de santé.
Liens sources
- https://www.news-medical.net/health/What-is-Epidemiologic-Modeling.aspx – Qu’est-ce que la modélisation épidémiologique ?
- http://www.stat.columbia.edu/~regina/research/notes123.pdf - PDF
- http://math.uchicago.edu/~shmuel/Modeling/Keeling and Rohani/chap 2.pdf - Sans titre
- http://pyro.ai/examples/epi_intro.html – Introduction — Documentation des Tutoriels Pyro 1.9.1
- https://www.gov.uk/government/publications/introduction-to-epidemiological-modelling/introduction-to-epidemiological-modelling-october-2021 – Introduction à la modélisation épidémiologique, octobre 2021
- https://www.ncbi.nlm.nih.gov/pmc/articles/PMC7178885/ – Modèles mathématiques en épidémiologie des maladies infectieuses
- https://www.ncbi.nlm.nih.gov/pmc/articles/PMC8482738/ – Modélisation mathématique appliquée aux épidémies : un aperçu
- https://www.sciencedirect.com/topics/medicine-and-dentistry/epidemic-model – Modèle épidémique – un aperçu
- https://en.wikipedia.org/wiki/Mathematical_modelling_of_infectious_diseases – Modélisation mathématique des maladies infectieuses
- https://www.ncbi.nlm.nih.gov/pmc/articles/PMC7122373/ – Modèles compartimentaux en épidémiologie
- https://en.wikipedia.org/wiki/Compartmental_models_in_epidemiology – Modèles compartimentaux en épidémiologie
- http://home.ustc.edu.cn/~zegang/pic/Compartmental models in epidemiology.pdf - PDF
- https://medium.com/@pelinokutan/an-introduction-to-stochastic-modeling-f3ab0ed881a3 – Une introduction à la modélisation stochastique
- https://link.springer.com/chapter/10.1007/978-3-540-78911-6_3 – Une introduction aux modèles épidémiques stochastiques
- https://www.nature.com/articles/s41598-024-60911-z – Une approche stochastique du processus de coévolution du virus et du système immunitaire humain – Rapports scientifiques
- https://academic.oup.com/jrsssc/article/73/1/47/7275326 – Calibrage efficace des modèles épidémiques imparfaits avec applications à l’analyse du COVID-19
- https://www.mdpi.com/2673-9984/5/1/18 – Modélisation SEIR, simulation, estimation des paramètres et leur application pour la prévision de l’épidémie de COVID-19
- https://www.lshtm.ac.uk/study/courses/short-courses/infectious-disease-modelling – Introduction à la modélisation des maladies infectieuses et à ses applications | LSHTM
- https://catalog.ucsd.edu/courses/FMPH.html - Santé publique
- https://www.ncbi.nlm.nih.gov/pmc/articles/PMC10562970/ – Modélisation épidémiologique de l’impact des politiques de santé publique sur l’hépatite C : protocole pour un outil de gamification ciblant la microélimination
- https://core.ac.uk/download/pdf/78556409.pdf - PDF
- https://academic.oup.com/book/24421/chapter/187418606 – Conclusion : l'épidémiologie et ce qui compte le plus | L’épidémiologie est importante : une nouvelle introduction aux fondements méthodologiques
