layout: true <div class="my-footer"><span> FAST - réunion de restitution régionale, 03 février 2022 </span></div> <!-- this adds the workshop footer to all slides, depends on my-footer class in css--> <!-- Determine background page as a function of params$style --> <style type="text/css"> .remark-slide-content { background-image: url(img/bg_page_eufmd.png); } </style> --- class: title-slide count: false <!-- Title-page specific background for the Astre style --> # Validation des Analyses Qualitatives et Cartographiques du Risque ## Facundo Muñoz, Renaud Lancelot <img src="data:image/png;base64,#img/Cirad-ASTRE_Eng.png" style="width: 25%" /> ### Comission Européenne pour le contrôle de la Fièvre Aphteuse (EuFMD) --- # Validation des cartes de risque avec des données du terrain - Quand une épidémie a lieu et on observe la __localisation des foyers__ - Quand on analyse les résultats d'une __enquête sérologique__ Qu'est-ce que cela nous dit sur la __pertinence__ des cartes qualitatives de risque - d'Introduction ? - d'Exposition ? --- # 2 cas d'étude 1. Fièvre Aphteuse en Tunisie 2. Fièvre de la Vallée du Rift au Sénégal --- class: middle, center # Cas 1. Fièvre Aphteuse en Tunisie --- # Étude: Fièvre Aphteuse en Tunisie .pull-left[ ![:scale 90%](data:image/png;base64,#img/TUN_risk_maps.png) ] .pull-right[ [![](data:image/png;base64,#img/tbed_aqcr.png)](https://dx.doi.org/10.1111/tbed.13920) ] --- # Validation du risque d'Introduction - Site(s) d'introduction pas toujours facile(s) à identifier - Un seul evennement d'introduction est __insuffissant__ --- # Validation du risque d'exposition .pull-left[Carte de risque de diffusion _ex-ante_ et foyers observés] .pull-right[ ![:scale 55%](data:image/png;base64,#img/TUN_cases-and-risk-1.png) ] --- # Foyers par niveau de risque .pull-left-third[ Rapporter à la __surface totale__ à chaque niveau de risque : si le risque était constant `\(\to\)` \#cas `\(\propto\)` surface ] .pull-right-twothirds[ ![](data:image/png;base64,#img/TUN_risk_freq.png) ] --- # Modélisation statistique Tenir compte de : 1. la variabilité d'échantillonnage 2. l'aggregation spatiale due à la transmissibilité .small[ Á cause du faible nombre d'observations dans les catégories de risque plus extrèmes, on les a agrégés en 2 : __non-exposés / exposés__. ] --- layout: true # Modélisation statistique --- ![:scale 90%](data:image/png;base64,#img/validation_model0.png) --- ![:scale 90%](data:image/png;base64,#img/validation_model1.png) --- ![:scale 90%](data:image/png;base64,#img/validation_model2.png) --- ![:scale 90%](data:image/png;base64,#img/validation_model3.png) --- ![:scale 90%](data:image/png;base64,#img/validation_model4.png) --- ![:scale 90%](data:image/png;base64,#img/validation_model5.png) --- ![:scale 90%](data:image/png;base64,#img/validation_model6.png) --- ![:scale 90%](data:image/png;base64,#img/validation_model7.png) --- ![:scale 90%](data:image/png;base64,#img/validation_model8.png) --- layout: false # Résultats: effet d'exposition ![:scale 70%](data:image/png;base64,#img/TUN_effect_exposition.png) --- # Résultats: effets spatialisés ![:scale 55%](data:image/png;base64,#img/TUN_spatial-effects.png) --- # Résultats: risques predits ![:scale 70%](data:image/png;base64,#img/TUN_pred_risks.png) --- # Résultats: répartition de foyers predits ![:scale 70%](data:image/png;base64,#img/TUN_predicted_foci.png) --- # Conclusions - La validation des cartes de risque de diffusion est faisable avec un __modèle statistique adapté__ - C'est une procédure __difficilement automatisable__ (le modèle lui-même doit être _validé_), qui exige la collaboration d'un(e) statisticien(ne). - La réprésentation __descriptive__ de la proportion de foyers par niveau de risque rapporté à la surface peut s'utiliser comme indication et pour communication, __si l'épidémie est suffissament répandue__. - Les données d'enquêtes de __séroprevalence__ peuvent être utilisées à condition qu'elle soient interprétables en terme de circulation (dépend de la maladie, l'age des animaux, vaccination, etc.) et le modèle soit pertinent. --- class: middle, center # Cas 2. Fièvre de la Vallée du Rift au Sénégal --- # MCDA pour la SBR Données sérologiques: séroprévalence par commune (sous la forme _m_ animaux positifs parmi _n_ prélevés). En tout, 138 communes ont été visitées (fraction de sondage de 32%), et 2.000 résultats de tests ELISA AC RVFV étaient disponibles, dont 199 positifs soit une séroprévalence individuelle `\(\simeq 10\%\)` --- # Séroprévalence après l'épidémie de 2013-14 .pull-left[ Quelle est la __valeur prédictive__ de l'index MCDA pour le risque d'infection par le VFVR. E.g., les déciles élevés (supérieurs à la médiane) de l'index MCDA peuvent-ils être utilisés pour focaliser la surveillance de la FVR sur ces régions ? ] .pull-right[ ![](data:image/png;base64,#EcoPPR/figs/mcda.png) ] --- # Signification épidémiologique de l'index MCDA - Calcul des risques relatifs `\(RR_i\)` associés aux intervalles entre déciles de cet index MCDA situés au-dessus de la médiane. - La séroprévalence dans l'intervalle entre le minimum et la médiane du MCDA est prise comme dénominateur commun des `\(RR_i\)`. .small[ - En pratique : - Calcul des quantiles 0% (min), 50% (médiane), 60%, 70%,..., 100% (max) = bornes des classes d'index MCDA, - Pour chaque classe `\(i\)` (50-60%,..., 90-100%), calculer la moyenne des séroprévalences `\(P_i\)` des communes de cette classe - Calculer `\(RR_i = P_i / P_{0-50\%}\)` ] --- # Bootstrap pour les intervalles de confiance .pull-left[ - Tirer 500 fois, avec remise, un pseudo-échantillon de communes, de la même taille que l'échantillon initial - Re-calculer les `\(RR_i\)` pour chaque pseudo-échantillon - Bornes de l'IC: quantiles 2.5% et 97.5% de chaque série de 500 valeurs `\(RR_i\)`. ] .pull-right[ ![](data:image/png;base64,#img/table_RR.png) ] --- ## Conclusions Comment optimiser un programme de surveillance en utilisant les résultats d'une analyse multi-critère? .small[ - __Travail collectif:__ groupe pluri-disciplinaire comportant des experts de la maladie pour définir les facteurs de risque et les données de validation - Qualité des données: pertinentes par rapport aux questions posées, exhaustives (sans données manquantes), et avec une bonne précision spatio-temporelle. - Commencer par un modèle MCDA le plus simple possible: principe du rasoir d'Occam "_Shave away what is unnecessary_" - __NB__ résultats spécifiques de la FVR __et l'occurrence de la Tabaski en saison pluvieuse__, ce qui ne sera bientôt plus le cas. Ce changement aura des conséquences sur l'épidémiologie de la FVR et d'autres maladies infectieuses des petits ruminants. Il faudra alors refaire l'AQCR de toutes ces maladies. ] --- # Synthèse - Validation de l'index MCDA cruciale pour montrer la pertinence d'utiliser cet index pour orienter les activités de surveillance et de lutte contre la FVR - Données de terrain soit de foyers observés, soit d'enquêtes sérologiques. - La modélisation statistique revient à utiliser l'évaluation de risque subjectif comme variable explicative des observations. - Les résultats permettent de __quantifier la capacité prédictive__ de l'évaluation subjective sur la diffusion des maladies. --- class: middle # .fancy[Merci !] ![](data:image/png;base64,#img/Cirad-ASTRE_Fr.png) --- layout: false background-image: url(data:image/png;base64,#img/bg_page_eufmd_final.png) background-size: cover class: title-slide