La recherche OMNI-RÉUNIS vise à combler les lacunes en maladies infectieuses émergentes (MIE) et en modélisation. Nos responsables de recherche, nos co-chercheurs de projet et nos PHQ développent des méthodes et des modèles innovants pour améliorer la gestion des données, identifier les risques d'émergence et de propagation, créer des systèmes d'alerte précoce pour les maladies infectieuses et concevoir des interventions et des stratégies de contrôle efficaces pour combler les lacunes de l'EID. Retrouvez les dernières mises à jour de la recherche sur cette page.
Découvrez les dernières recherches sur la modélisation des maladies infectieuses émergentes
Dr Junling Ma
Université de Victoria
La simulation à base d'agents (ABM) est un outil puissant pour modéliser des systèmes complexes, mais sa mise en œuvre peut être difficile en raison de sa complexité et de ses courbes d'apprentissage abruptes. Pour résoudre ce problème, le Dr Junling Ma de l'Université de Victoria a développé ABM, un package R qui simplifie le processus de mise en œuvre de simulations basées sur des agents. ABM fournit un cadre flexible et performant pour développer des modèles basés sur des agents en temps continu qui peuvent simuler efficacement des millions d'agents. Le cadre permet une spécification et une personnalisation intuitives des transitions d'état de l'agent, y compris les transitions spontanées et provoquées par l'interaction. En outre, il prend en charge des modèles de mélange à plusieurs niveaux, tels que le mélange aléatoire, le mélange spécifique à un groupe et les interactions de réseau, ce qui le rend adapté aux modèles épidémiologiques, écologiques, commerciaux, économiques et politiques. ABM est inclus dans CRAN, le réseau d'archives R complet, et plus d'informations peuvent être trouvées sur le Pages wiki du projet GitHubt. Avec ABM, la mise en œuvre de simulations basées sur des agents devient plus accessible à un public plus large, permettant aux chercheurs d'étudier la dynamique d'ensemble des comportements individuels et de générer des données réalistes lorsque les données réelles ne sont pas disponibles.