L’ajustement de modèles individuels à temps discret de transmission de maladies infectieuses est un défi en raison de la quantité d’informations manquantes. Par exemple, nous ne savons généralement pas quand un individu détecté a été infecté, et certains individus infectés peuvent ne pas avoir été détectés du tout. Pour tenir compte des informations manquantes, nous supposons que les états épidémiologiques des individus suivent une série de chaînes de Markov cachées et couplées du premier ordre. Les observations sur la détection sont alors générées conditionnellement aux états des chaînes à l’aide de modèles autorégressifs. Les anciens modèles de Markov couplés cachés supposaient que chaque individu était testé en permanence et que les tests étaient indépendants. Souvent, les individus ne sont testés que jusqu’à leur premier test positif et les tests multiples sur le même individu peuvent ne pas être indépendants. Nous tenons compte de ces scénarios en supposant que la probabilité de détection de la maladie peut dépendre des observations passées, ce qui nous permet de nous adapter à un éventail beaucoup plus large d’applications pratiques.