Résumé :
|
[BDSP. Notice produite par INIST-CNRS 8R0x7Grq. Diffusion soumise à autorisation]. Problème L'analyse de l'apparition d'une pandémie et sa modélisation mathématique sont cruciales pour la planification des réponses de santé publique à l'apparition de maladies infectieuses, d'épidémies et de pandémies. Ce document décrit l'analyse de données et la modélisation mathématique entreprises pendant et après la pandémie de grippe de 2009, en particulier pour orienter la planification des interventions de santé publique et la prise de décision. Approche Peu après l'apparition du virus pandémique A (H1N1) pdm09 en Amérique du Nord, en 2009, l'Organisation mondiale de la Santé a rassemblé un réseau informel de modélisation mathématique composé d'experts de la santé publique, de spécialistes universitaires et des groupes de modélisation. Ce réseau et d'autres groupes de modélisation onttravaillé avec les décideurs pour définir la dynamique et l'impact de la pandémie, et évaluer l'efficacité des interventions dans divers environnements. Environnement local La pandémie de grippe A (H1 N1) de 2009. Changements significatifs Les modélisateurs ont fourni un cadre quantitatif pour l'analyse des données de surveillance et la compréhension de la dynamique de l'épidémie et de l'impact des interventions. Toutefois, au quotidien, les décisions politiques étaient sans doute plus souvent inspirées par des analyses statistiques simples, en temps réel, basées sur des modèles de transmission mécanistes et les données épidémiologiques et virologiques disponibles, que par un modèle de simulation sophistiqué. Leçons tirées Un des enseignements principaux est que la modélisation ne peut pas remplacer les données. Elle ne fait qu'utiliser les données disponibles et mettre en évidence les données supplémentaires pouvant mieux éclairer les politiques. Le manque de données en 2009, en particulier en provenance des pays à faibles ressources, ont rendu difficile l'évaluation de la gravité, les effets des variations saisonnières sur la transmission et l'efficacité des interventions non pharmaceutiques. Une meilleure communication entre les modélisateurs et les praticiens de la santé publique est nécessaire pour gérer les attentes, faciliter le partage et l'interprétation de données, et réduire les incohérences entre les résultats.
|