A Dual-Pathogen Epidemiological Model Applying Filtering Methods
Previous studies have demonstrated that applying the SMC method of particle filtering (PF) to stochastic mechanistic epidemiological models can enhance model accuracy compared to simple parameter calibration. Addition of data streams to the PF can further improve model fit and projections. Using synthetic data, we demonstrate how particle filtering with respect to two distinct pathogens sharing common drivers can improve PF accuracy compared to filtering each in isolation. Specifically, we show how particle filtering a two pathogen model featuring Measles and Chickenpox can improve fit for both modeled diseases versus single-pathogen models, and how adding data on one pathogen can improve model accuracy for the other. We further explore benefits and tradeoffs of applying particle Markov Chain Monte Carlo (pMCMC) methods to the same mechanistic model. This work highlights the potential value of joint statistical filtering for multiple health conditions sharing common risk factors.
Un modèle épidémiologique à deux agents pathogènes appliquant des méthodes de filtrage
Des études précédentes ont montré qu’en appliquant la méthode SMC de filtrage particulaire (PF) aux modèles épidémiologiques mécanistiques stochastiques nous pouvons augmenter la précision du modèle par rapport à une simple calibration des paramètres. L'apprentissage et les projections du modèle PF peuvent encore être améliorés par l'ajout de données. À l'aide de données synthétiques, nous montrons comment le filtrage particulaire appliqué à deux agents pathogènes distincts partageant des facteurs communs peut améliorer la précision du filtrage comparé à un filtrage effectué pour chacun de manière isolée. Plus précisément, nous montrons comment le filtrage particulaire appliqué à un modèle à deux agents pathogènes, comprenant la rougeole et la varicelle, peut améliorer l'apprentissage du modèle pour ces deux maladies comparé aux modèles à un agent pathogène unique, et comment l'ajout de données sur un agent pathogène peut améliorer la précision du modèle pour l'autre. Nous explorons en détail les avantages et les compromis de l'application des méthodes de Monte-Carlo à chaîne de Markov particulaire (pMCMC) au même modèle mécanistique. Ce travail met en évidence la valeur potentielle du filtrage statistique conjoint pour plusieurs conditions de santé partageant des facteurs de risque communs.
Date and Time
-
Language of Oral Presentation
English
Language of Visual Aids
English