Epidemic and intervention modelling--a scientific rationale for policy decisions? Lessons from the 2009 influenza pandemic/ Epidemie et modelisation d'intervention--une justification scientifique aux decisions politiques? Lecons tirees de la pandemie de grippe de 2009/ Modelizadon epidemica e intervencionista--[??]un fundamento cientifico para la toma de decisiones? Lecciones de la gripe pandemica de 2009

Citation metadata

Date: Apr. 2012
Publisher: World Health Organization
Document Type: Report
Length: 2,900 words
Lexile Measure: 1670L

Document controls

Main content

Abstract :

Problem Outbreak analysis and mathematical modelling are crucial for planning public health responses to infectious disease outbreaks, epidemics and pandemics. This paper describes the data analysis and mathematical modelling undertaken during and following the 2009 influenza pandemic, especially to inform public health planning and decision-making. Approach Soon after A(H1N1)pdm09 emerged in North America in 2009, the World Health Organization convened an informal mathematical modelling network of public health and academic experts and modelling groups. This network and other modelling groups worked with policy-makers to characterize the dynamics and impact of the pandemic and assess the effectiveness of interventions in different settings. Setting The 2009 A(H1N1) influenza pandemic. Relevant changes Modellers provided a quantitative framework for analysing surveillance data and for understanding the dynamics of the epidemic and the impact of interventions. However, what most often informed policy decisions on a day-to-day basis was arguably not sophisticated simulation modelling, but rather, real-time statistical analyses based on mechanistic transmission models relying on available epidemiologic and virologic data. Lessens learnt A key lesson was that modelling cannot substitute for data; it can only make use of available data and highlight what additional data might best inform policy. Data gaps in 2009, especially from low-resource countries, made it difficult to evaluate severity, the effects of seasonal variation on transmission and the effectiveness of non-pharmaceutical interventions. Better communication between modellers and public health practitioners is needed to manage expectations, facilitate data sharing and interpretation and reduce inconsistency in results. [TEXT NOT REPRODUCIBLE IN ASCII.] Probleme L'analyse de l'apparition d'une pandemie et sa modelisation mathematique sont cruciales pour la planification des reponses de sante publique a l'apparition de maladies infectieuses, d'epidemies et de pandemies. Ce document decrit l'analyse de donnees et la modelisation mathematique entreprises pendant et apres la pandemie de grippe de 2009, en particulier pour orienter la planification des interventions de sante publique et la prise de decision. Approche Peu apres l'apparition du virus pandemique A(H1N1)pdm09 en Amerique du Nord, en 2009, l'Organisation mondiale de la Sante a rassemble un reseau informel de modelisation mathematique compose d'experts de la sante publique, de specialistes universitaires et des groupes de modelisation. Ce reseau et d'autres groupes de modelisation ont travaille avec les decideurs pour definirla dynamique et l'impact de la pandemie, et evaluer l'efficacite des interventions dans divers environnements. Environnement local La pandemie de grippe A(H1N1) de 2009. Changements significatifs Les modelisateurs ont fourni un cadre quantitatif pour l'analyse des donnees de surveillance et la comprehension de la dynamique de l'epidemie et de l'impact des interventions. Toutefois, au quotidien, les decisions politiques etaient sans doute plus souvent inspirees par des analyses statistiques simples, en temps reel, basees sur des modeles de transmission mecanistes et les donnees epidemiologiques et virologiques disponibles, que par un modele de simulation sophistique. Lecons tirees Un des enseignements principaux est que la modelisation ne peut pas remplacer les donnees. Elle ne fait qu'utiliser les donnees disponibles et mettre en evidence les donnees supplementaires pouvant mieux eclairer les politiques. Le manque de donnees en 2009, en particulier en provenance des pays a faibles ressources, ont rendu difficile l'evaluation de la gravite, les effets des variations saisonnieres sur la transmission et l'efficacite des interventions non pharmaceutiques. Une meilleure communication entre les modelisateurs et les praticiens de la sante publique est necessaire pour gerer les attentes, faciliter le partage et l'interpretation de donnees, et reduire les incoherences entre les resultats. [TEXT NOT REPRODUCIBLE IN ASCII.] Situacion El analisis del brote y la modelizacion matematica son cruciales para la planificacion de respuestas de salud publica a los brotes, epidemicos y pandemicos, de enfermedades infecciosas. Este documento describe los analisis de datos y la modelizacion matematica utilizados durante y despues de la gripe pandemica de 2009. Su objetivo principal era la obtencion de informacion para la planificacion y la toma de decisiones en materia de salud publica. Enfoque Poco despues de que surgiera el virus pandemico A(H1N1) pdm09 en Norteamerica en el ano 2009, la Organizacion Mundial de la Salud reunio una red informal de modelizacion matematica compuesta por expertos academicos, expertos en salud publica y grupos de modelizacion. Esta red y otros grupos de modelizacion trabajaron con responsables politicos con el fin de caracterizar las dinamicas y el impacto de la pandemia, asi como para evaluar la eficacia de las intervenciones en diversos escenarios. Marco regional La gripe pandemica A(H1N1) de 2009. Cambios importantes Los encargados de la modelizacion proporcionaron un marco cuantitativo para analizar los datos de vigilancia y para entender la dinamica de la epidemia y el impacto de las intervenciones. No obstante, podria decirse que lo que con mayor frecuencia informo a diario a las decisiones politicas no fue la modelizacion de simulacion sofisticada, sino simples analisis estadisticos en tiempo real basados en los modelos mecanicistas de transmision, que se basan en los datos epidemiologicos y virologicos disponibles. Lecciones aprendidas Una leccion clave fue que la modelizacion no puede sustituir a los datos, unicamente puede hacer uso de los datos disponibles y destacar aquellos datos adicionales que puedan ser la mejor informacion para la politica. Las lagunas de datos en 2009, especialmente de los paises con pocos recursos, dificultaron la evaluacion de la gravedad, los efectos de la variacion estacional en la transmision y la eficacia de las intervenciones no farmaceuticas. Es necesario mejorar la comunicacion entre los encargados de la modelizacion y los profesionales de salud publica para gestionar las expectativas, facilitar que se compartan e interpreten datos y reducir las incoherencias en los resultados.

Source Citation

Source Citation   

Gale Document Number: GALE|A291616094