Recherche
Thème 1 : Données Gestion
Constat Données One Health sur les maladies infectieuses La gestion?
-> Les données environnementales (physiques et sociales), écologiques, animales et humaines sont essentielles pour estimer le risque qu'un agent infectieux s'installe dans une population animale ou humaine. Les données sur la mobilité animale et humaine permettent de mieux comprendre la translocation des maladies.
-> Les données de surveillance multi-hôtes et des systèmes de santé sont essentielles pour identifier l'émergence de nouveaux agents et planifier leur propagation, comment les contrôler une fois établis et les conséquences de ces mesures de contrôle.
-> Les données informent également les modèles mécanistes, mathématiques et statistiques utilisés pour comprendre la propagation des infections qui, à leur tour, génèrent des données supplémentaires qui doivent être comprises par les utilisateurs des connaissances et les parties prenantes qui décident ensuite des interventions les plus prometteuses pour bloquer l'entrée d'une menace, ou contrôler sa propagation une fois établie.
Pour atteindre les objectifs d'OMNI-RÉUNIS, nos projets de recherche de données se concentrent sur l'approvisionnement, la conservation, la validation et la diffusion de données.
Examen systématique et référentiel des modèles disponibles
Co-chercheurs du projet : Hélène Carabin (Université de Montréal), Julien Arino (Université du Manitoba), Bouchra Nasri (Université de Montréal) et Jane Parmley (Université de Guelph)
Ce projet vise à effectuer une revue systématique des approches de modélisation et des valeurs des paramètres dans la littérature publiée et grise. L'équipe examinera les modèles mathématiques et statistiques applicables à la surveillance des ID (p. ex. surveillance des agents pathogènes humains/animaux/environnementaux, comportement humain, systèmes de gestion des animaux et surveillance syndromique).
Inventaire des sources de données
Co-chercheurs du projet : Bouchra Nasri (Université de Montréal), Hélène Carabin (Université de Montréal), Julien Arino (Université du Manitoba) et Jane Parmley (Université de Guelph)
Ce projet vise à identifier les types de données généralement nécessaires pour construire des modèles de débordement, de propagation et de contrôle de l'identification. Ces données peuvent être réparties en plusieurs catégories : santé animale ; Santé humaine; contamination environnementale et hydro-climatique; démographie humaine et socio-économique; gestion des animaux; et financière.
Crédibilité des diverses sources de données à utiliser dans les modèles
Co-chercheurs du projet : Bouchra Nasri (Université de Montréal), Hélène Carabin (Université de Montréal), Julien Arino (Université du Manitoba) et Jane Parmley (Université de Guelph)
Le développement de modèles fiables nécessite d'élucider, de calibrer et d'ajuster les biais dans les probabilités d'événements qui pourraient avoir un impact sur les décisions pour les systèmes d'alerte précoce (EWS). Ceci sera abordé dans ce projet via des modèles probabilistes d'incertitude, en particulier des réseaux bayésiens avec des mécanismes d'inférence probabiliste. La crédibilité des données peut être incluse dans ces modèles et évaluée en calculant les risques et les biais à l'aide de diverses mesures d'incertitude.
Techniques de visualisation
Co-chercheurs du projet : Usman Alim (Université de Calgary) et Mea Wang (Université de Calgary)
Ce projet regroupera des données sur la santé dans plusieurs modèles, qui visent principalement à détecter les EID, mais sont également capables de prédire les effets des interventions politiques. L'objectif principal est de développer des approches informatiques innovantes pour 1) ajuster plusieurs modèles à de grandes quantités de données sur la santé, et 2) évaluer ces modèles pour une variété de scénarios.
Modèles d'inférence probabiliste pour traiter les biais, la validité et la crédibilité des données sur les maladies infectieuses
Co-chercheurs du projet : Svetlana Yanushkevich (Université de Calgary)
Ce projet porte sur la gestion et l'utilisation des données pour l'aide à la décision liée à l'EIDM. Cela contribuera au développement de modèles d'incertitude fiables. L'approche choisie pour la gestion de l'incertitude est basée sur des modèles causals probabilistes, tels que les réseaux bayésiens avec inférence probabiliste. La crédibilité des données peut être incluse dans ces modèles et évaluée en calculant les risques et les biais à l'aide de diverses mesures d'incertitude.