Recherche

Thème 3 : Systèmes d'alerte précoce des maladies infectieuses

L'analyse des signaux d'alerte précoce est un élément crucial d'une réponse coordonnée aux maladies infectieuses émergentes (MIE). L'objectif des projets d'OMNI-RÉUNIs est de fournir à la fois une analyse de ces signaux et de la possibilité d'établissement de la maladie, et collectivement ceux-ci pourraient être utilisés pour informer la santé publique sur le niveau de menace de la maladie.

Détection de signal à partir des médias sociaux

Co-chercheurs du projet : Aijun An, Jude Dzevela Kong et Manos Papagelis (Université York)

Ce projet vise à extraire des caractéristiques ou des signaux du texte des médias sociaux qui sont pertinents pour l'épidémie et en même temps à identifier les faux signaux. Nous appliquerons des techniques de traitement du langage naturel, telles que l'extraction de caractéristiques linguistiques, la détection d'événements et l'extraction de caractéristiques basées sur un réseau neuronal profond, pour identifier les signaux potentiels d'épidémie. Nous étudierons les méthodes d'apprentissage automatique pour prédire les épidémies en fonction des signaux ou des caractéristiques identifiés.

Surveillance numérique des maladies pour les maladies infectieuses émergentes

Co-chercheur de projet : Zahid Butt (Université de Waterloo)

Ce projet vise à analyser le comportement de recherche sur Internet des gens concernant les informations liées à la santé et l'utilisation des médias sociaux pour guider la surveillance en temps réel des maladies émergentes et aider à prévoir les épidémies. Un système de surveillance numérique agirait comme un système d'alerte précoce et aiderait les autorités de santé publique et les hôpitaux à planifier et à répondre aux menaces émergentes de maladies infectieuses.

Du processus à la structure des signaux d'alerte précoce

Co-chercheurs du projet : Frithjof Lutscher (Université d'Ottawa), Iain Moyles (Université York) et Bouchra Nasri (Université de Montréal)

Ce projet vise à étudier la structure des signaux d'alerte précoce (EWS); il est basé sur des modèles mécanistes pour les processus épidémiques et sociaux (par exemple, la dynamique de la maladie, l'excrétion d'agents pathogènes, les visites chez le médecin, l'utilisation des médias sociaux, le réseau de contact). Des simulations de modèles nous permettront d'étudier la structure attendue d'EWS et de quantifier la contribution de divers processus et de la topologie du réseau à cette structure.

Modèles basés sur la mobilité (spatio-temporels) pour la propagation des épidémies, les interventions ciblées et les prévisions

Co-chercheur de projet : Manos Paapgelis (Université York)

Ce projet met l'accent sur la nécessité d'intégrer l'hétérogénéité dans les modèles épidémiques basés sur les schémas de mobilité des individus. Les modèles de mobilité (capturés par Bluetooth ou des appareils compatibles GPS, tels que les téléphones portables) permettent un suivi précis des contacts dans la communauté qui forment le réseau social sous-jacent sur lequel une épidémie se déroule. Les informations sur le lieu et l'heure des contacts permettent d'affiner les modèles épidémiologiques traditionnels, de concevoir des stratégies d'intervention ciblées (par opposition aux mesures horizontales) et d'éclairer de meilleures décisions en matière de politique de santé.

Détermination d'une structure caractéristique dans plusieurs signaux d'alerte précoce via l'apprentissage automatique et des approches statistiques

Co-chercheurs du projet : Mark Lewis (Université de Victoria), Hao Wang (Université de l'Alberta), Russ Greiner (Université de l'Alberta) et Pouria Ramazi (Université Brock)

Ce projet utilisera l'analyse statistique et l'apprentissage automatique pour déterminer une structure caractéristique dans plusieurs signaux d'alerte précoce déclenchés par une épidémie. Plus précisément, nous développerons des modèles d'apprentissage automatique pour détecter les signatures structurelles dans les données de surveillance coordonnée d'EWS1 et pour identifier avec précision la présence d'une épidémie. Nous utiliserons ensuite des analyses statistiques et des techniques d'apprentissage automatique pour détecter les alertes précoces à partir de l'objectif EWS2. Des réseaux bayésiens seront appliqués pour identifier les caractéristiques clés et révéler les dépendances statistiques entre les caractéristiques.

Prévision de nouvelles variantes de coronavirus à l'aide de l'apprentissage en profondeur

Co-chercheur de projet: Hongmei Zhu (Université York)

Ce projet analyse les effets à long terme et les facteurs de risque des symptômes post-Covid-19. Alors que la plupart des personnes infectées par la maladie à coronavirus 2019 (COVID-19) présentaient des symptômes bénins et se rétablissaient complètement en quelques semaines, des études récentes montrent que 20 % des personnes infectées par le covid souffrent encore d'au moins un problème de santé à long terme des mois après covid. Ces symptômes post-covid comprennent une fatigue extrême, des symptômes pulmonaires, des problèmes cardiaques et d'autres dommages possibles aux organes, etc. Nous nous intéressons à l'utilisation de l'analyse statistique et de l'apprentissage automatique pour étudier les effets possibles et les facteurs de risque des symptômes post-covid-19 aux personnes infectées par la version bénigne du covid et/ou aux personnes atteintes de maladies chroniques initiales.

Extraction et synthèse des signaux de pandémie d'alerte précoce pour les maladies à transmission vectorielle (Lyme et Chikungunya, etc.)

Co-chercheur de projet : Gias Uddin (Université de Calgary)

Ce projet vise à développer des algorithmes et des outils pour détecter automatiquement les signaux d'alerte précoce (EWS) d'une pandémie dans de multiples sources de données disponibles comme l'activité Internet (par exemple, Twitter, Facebook, etick.ca). Les données des médias sociaux et le web-scraping sont particulièrement efficaces pour détecter et comprendre le sentiment du public à l'égard de certaines maladies infectieuses (DI). Une telle détection dans les textes peut être effectuée en utilisant les avancées du traitement du langage naturel (NLP) comme BERT. Cependant, on sait que la spécificité du domaine et les contextes jouent le rôle le plus crucial dans la détection fiable d'un identifiant et de ses signaux pertinents dans les sources de données. Nous étudierons les algorithmes de conception pour détecter les signaux des textes des médias sociaux, par exemple, la détection d'entités et d'événements liés à la pandémie, le traçage des opinions sur un événement particulier à travers plusieurs sources et l'offre d'indices de point de vue contrasté. Une fois les entités pertinentes détectées correctement, nous créerons un tableau de bord en ligne en affichant des signaux en temps réel tenant compte de la situation.

Approche de modélisation de réseau pour prédire la propagation internationale et nationale des maladies infectieuses émergentes

Co-chercheurs du projet : Junling Ma (Université de Victoria)

Ce projet vise à développer des méthodes qui a) évaluent le risque d'importation de cas dans les grandes villes canadiennes par le biais de voyages internationaux; b) détecter et donner des alertes précoces à la propagation nationale pour les villes avec des cas importés ; et c) évaluer le risque de propagation de cas de ces régions à d'autres régions du Canada par le biais de voyages intérieurs. Lorsqu'une maladie infectieuse émergente déclenche une épidémie à l'extérieur du Canada, il est crucial d'estimer le taux d'arrivée de cas au Canada par le biais de voyages internationaux, et d'identifier les villes canadiennes à haut risque de voir de tels cas, et l'efficacité des restrictions de voyage, de l'isolement et la quarantaine peuvent affecter le taux d'importation de cas.

Modélisation numérique et validation expérimentale de la transmission des aérosols dans les espaces publics et les modes de transport public en tenant compte de différents NPI tels que les masques par rapport aux mandats de masque levé et les interventions CVC conventionnelles par rapport aux interventions CVC améliorées

Co-chercheurs du projet : Marina Freire-Gormaly (Université York)

Ce projet vise à développer des modèles validés pour la transmission des aérosols dans les espaces publics et les modes de transport. L'équipe du projet analysera l'efficacité de différents NPI, y compris les masques et les interventions CVC, pour atténuer la transmission des maladies infectieuses. De plus, le projet fournira des informations pour éclairer le développement de systèmes de détection d'alerte précoce pour les maladies infectieuses émergentes grâce à la modélisation numérique et à la validation expérimentale.