Efficient Computation in Spatial Infectious Disease Models
Individual-level models (ILMs) are valuable for modeling epidemics in populations with spatial heterogeneity but are computationally intensive, especially for large populations or multiple models. While parallel computing methods like consensus Monte Carlo accelerate computation, they fail by ignoring disease transmission between non-interacting data subsets. We propose a composite method that partitions populations into subsets but allows for efficient between-subset infections using a `spark' function. We explore four such functions and introduce a Dirichlet Process Mixture Model (DPMM) algorithm to partition the dataset into low-interacting clusters. Simulations show that this method, with an appropriate spark function, provides good parameter estimation and forecasting. Moreover, the DPMM algorithm outperforms the K-means algorithm in the composite ILM framework. These methods are illustrated with 2001 UK foot-and-mouth data.
Calcul efficace dans les modèles épidémiques spatiaux
Les modèles à niveau individuel (ILM) sont précieux pour la modélisation d'épidémies dans des populations présentant une hétérogénéité spatiale, mais leur calcul est intensif, surtout pour de grandes populations ou lors de l'ajustement de plusieurs modèles candidats. Bien que des méthodes de calcul parallèle, comme le consensus Monte Carlo, aient été proposées pour accélérer le calcul, elles échouent dans leur forme naïve, car elles divisent les données en sous-ensembles non-interactifs (en ignorant la transmission de la maladie entre les sous-populations). Nous proposons une méthode composite qui partitionne les populations en sous-ensembles, mais permet des infections efficaces entre sous-ensembles, via une fonction "spark". Nous explorons quatre fonctions de ce type et introduisons un algorithme de Modélisation par Mélange de Processus de Dirichlet (DPMM) pour partitionner le jeu de données en clusters à faible interaction. Les simulations montrent que cette méthode, avec une fonction "spark" appropriée, permet une bonne estimation des paramètres et des prévisions. De plus, l'algorithme DPMM surpasse l'algorithme $K$-means dans le cadre de l'ILM composite. Nous illustrons ces méthodes avec les données de la fièvre aphteuse au Royaume-Uni de 2001.
Date and Time
-
Langue de la présentation orale
Anglais
Langue des supports visuels
Anglais