Notes de l'instructeur

Instructor notes

Accéder aux distribution des délais épidémiologiques

Remarque de l'instructeur

Les premiers modèles pour COVID-19 utilisaient des paramètres d’autres coronavirus. https://www.thelancet.com/article/S1473-3099(20)30144-4/fulltext


Remarque de l'instructeur

L’objectif de l’évaluation ci-dessus est d’évaluer l’interprétation d’un temps de génération plus long ou plus court.


Remarque de l'instructeur

R 

# ebola serial interval
ebola_serial <-
  epiparameter::epiparameter_db(
    disease = "ebola",
    epi_name = "serial",
    single_epiparameter = TRUE
  )

SORTIE 

Using WHO Ebola Response Team, Agua-Agum J, Ariyarajah A, Aylward B, Blake I,
Brennan R, Cori A, Donnelly C, Dorigatti I, Dye C, Eckmanns T, Ferguson
N, Formenty P, Fraser C, Garcia E, Garske T, Hinsley W, Holmes D,
Hugonnet S, Iyengar S, Jombart T, Krishnan R, Meijers S, Mills H,
Mohamed Y, Nedjati-Gilani G, Newton E, Nouvellet P, Pelletier L,
Perkins D, Riley S, Sagrado M, Schnitzler J, Schumacher D, Shah A, Van
Kerkhove M, Varsaneux O, Kannangarage N (2015). "West African Ebola
Epidemic after One Year — Slowing but Not Yet under Control." _The New
England Journal of Medicine_. doi:10.1056/NEJMc1414992
<https://doi.org/10.1056/NEJMc1414992>..
To retrieve the citation use the 'get_citation' function

R 

ebola_serial

SORTIE 

Disease: Ebola Virus Disease
Pathogen: Ebola Virus
Epi Parameter: serial interval
Study: WHO Ebola Response Team, Agua-Agum J, Ariyarajah A, Aylward B, Blake I,
Brennan R, Cori A, Donnelly C, Dorigatti I, Dye C, Eckmanns T, Ferguson
N, Formenty P, Fraser C, Garcia E, Garske T, Hinsley W, Holmes D,
Hugonnet S, Iyengar S, Jombart T, Krishnan R, Meijers S, Mills H,
Mohamed Y, Nedjati-Gilani G, Newton E, Nouvellet P, Pelletier L,
Perkins D, Riley S, Sagrado M, Schnitzler J, Schumacher D, Shah A, Van
Kerkhove M, Varsaneux O, Kannangarage N (2015). "West African Ebola
Epidemic after One Year — Slowing but Not Yet under Control." _The New
England Journal of Medicine_. doi:10.1056/NEJMc1414992
<https://doi.org/10.1056/NEJMc1414992>.
Distribution: gamma (days)
Parameters:
  shape: 2.188
  scale: 6.490

R 

# get the sd
ebola_serial$summary_stats$sd

SORTIE 

[1] 9.6

R 

# get the sample_size
ebola_serial$metadata$sample_size

SORTIE 

[1] 305

Essayez de visualiser cette distribution en utilisant plot().

Explorez également tous les autres éléments imbriqués dans l’élément <epiparameter> à l’intérieur de l’objet.

Partagez sur :

  • Quels sont les éléments que vous trouvez utiles pour votre analyse ?
  • Quels autres éléments souhaiteriez-vous voir figurer dans cet objet ? Comment ?

Remarque de l'instructeur

Un élément intéressant est le method_assess qui fait référence aux méthodes utilisées par les auteurs de l’étude pour évaluer les biais lors de l’estimation de la distribution des intervalles sériels.

R 

covid_serialint$method_assess

SORTIE 

$censored
[1] TRUE

$right_truncated
[1] TRUE

$phase_bias_adjusted
[1] FALSE

Nous explorerons ces concepts au fil des épisodes !


Remarque de l'instructeur

Dans le contexte des interfaces utilisateurs et des interfaces graphiques (GUI), comme le Zoo de la distribution une application glissière est un élément de contrôle graphique qui permet aux utilisateurs d’ajuster une valeur en déplaçant une poignée le long d’une piste ou d’une barre. Conceptuellement, il permet de sélectionner une valeur numérique dans une plage spécifiée en faisant glisser visuellement un pointeur (la poignée) le long d’un axe continu.


Quantifier la transmission

Remarque de l'instructeur

Ce tutoriel illustre l’utilisation de epinow() pour estimer le nombre de reproduction et les durées d’infection variables dans le temps. Les étudiants doivent comprendre les données d’entrée nécessaires au modèle et les limites des résultats du modèle.


Remarque de l'instructeur

Faites référence à la distribution de probabilité a priori et à la probabilité a posteriori a posteriori.

Dans la “Expected change in reports”, l’appel par “la probabilité a posteriori que \(R_t < 1\)”nous nous référons spécifiquement à la aire sous la courbe de distribution de la probabilité a posteriori.


Utiliser les distributions de délais dans l'analyse

Remarque de l'instructeur

L’accès à la documentation de référence (fichiers d’aide) de ces fonctions est accessible avec la notation à trois doubles points : epiparameter:::

  • ?epiparameter:::density.epiparameter()
  • ?epiparameter:::cdf.epiparameter()
  • ?epiparameter:::quantile.epiparameter()
  • ?epiparameter:::generate.epiparameter()

Remarque de l'instructeur

We can stop the livecoding at this stage and move on with the practical.


Établir des prévisions à court terme

Estimation de la gravité d'une épidémie

Remarque de l'instructeur

Les périodes sont pertinentes : Période 1 – 15 jours où le RL est nul, ce qui indique qu’aucun décès n’a été signalé ; Période du 15 mars au 26 avril où le RL semble augmenter ; Période du 30 avril au 30 mai où l’estimation du RL se stabilise.


Remarque de l'instructeur

Vous trouverez plus d’informations concernant l’effet des délais dans l’estimation du RL dans cette section de la vignette de la librairie {cfr}.


Tenir compte du phénomène hypercontagieux

Remarque de l'instructeur

R 

# estimate the probability of
# having a cluster size of 5, 10, or 25
# secondary cases from a primary case,
# given known reproduction number and
# dispersion parameter.
superspreading::proportion_cluster_size(
  R = ebola_offspring$estimate["mu"],
  k = ebola_offspring$estimate["size"],
  cluster_size = c(5, 10, 25)
)

SORTIE 

          R         k prop_5 prop_10 prop_25
1 0.3675993 0.8539443  2.64%      0%      0%

La probabilité d’avoir des grappes de cinq personnes est de 1,8 %. À ce stade, compte tenu des paramètres de distribution de la descendance, une stratégie rétrospective n’augmentera peut-être pas la probabilité de contenir et de mettre en quarantaine davantage de cas en amont.