Calendrier des événements

Rejoignez-nous pour le prochain hackathon AMMnet ! Cette session pratique de deux heures se concentre sur le développement de compétences concrètes en manipulation de données avec R et le tidyverse, en mettant l'accent sur des flux de travail structurés et reproductibles pour l'analyse de données. Les participants apprendront à identifier et à résoudre les défis courants liés aux données dans le domaine de la lutte contre le paludisme, notamment la gestion de jeux de données fragmentés, désordonnés et issus de sources multiples. La session couvrira les techniques fondamentales de manipulation, telles que la transformation de données brutes en formats « tidy » prêts à l'analyse, le remodelage des jeux de données et l'intégration de sources multiples. Nous explorerons différentes approches pour résoudre les mêmes problèmes de manipulation, aidant ainsi les participants à développer des stratégies de résolution flexibles et robustes. La session mettra également en avant les meilleures pratiques pour améliorer la clarté, la reproductibilité et l'efficacité des pipelines de données, tout en démontrant comment les données traitées peuvent être directement utilisées pour des tâches ultérieures telles que la visualisation et l'analyse. Cette session interactive offrira de nombreuses opportunités d'engagement aux participants et s'appuiera sur un jeu de données réel pour guider les participants, des données brutes jusqu'aux résultats prêts à l'analyse.

Cette étude, fondée sur une approche de modélisation, évalue l’impact potentiel et l’efficacité de l’introduction du vaccin RTS,S/AS01 pour la réduction de la morbidité palustre dans le département du Couffo. Le modèle épidémiologique multi-maladies (EMOD) a été paramétré à partir de données entomologiques, épidémiologiques et climatiques collectées entre 2010 et 2023. Le vaccin a été intégré selon la stratégie du Programme élargi de vaccination (PEV), permettant le suivi de cohortes d’enfants de moins de cinq ans au sein de 1 000 populations simulées.Neuf scénarios combinant différents niveaux de couverture et schémas vaccinaux, ainsi qu’un scénario de référence sans vaccination, ont été analysés à l’aide de différentes analyses statistiques avec le logiciel R.

Cette présentation a examiné comment les techniques d'apprentissage automatique sont utilisées pour améliorer la prévision et la détection des épidémies de paludisme. S'appuyant sur une revue systématique des travaux de recherche publiés entre 2013 et 2023, la session a mis en évidence la manière dont des modèles tels que les réseaux neuronaux artificiels, les arbres de décision, les forêts aléatoires et les machines à vecteurs de support sont appliqués pour analyser des facteurs environnementaux et socio-économiques, notamment la température, les précipitations et la densité de population. Ces approches ont démontré une précision diagnostique comprise entre 80 et 95 %, ce qui est très prometteur pour prévoir les épidémies avant qu'elles ne se produisent. Le présentateur a également abordé les points forts de ces modèles, tels que leur capacité prédictive, ainsi que les principaux défis, notamment les exigences en matière de données et les limites de l'application des modèles dans différents contextes.

Cette présentation, intitulée « Analyse préliminaire de l'impact de l'introduction du vaccin antipaludique sur l'incidence du paludisme grave chez les enfants de moins de 5 ans », examine la situation épidémiologique dans les districts de santé d'Edéa, Japoma et Mbanga au Cameroun entre 2020 et 2024. Le paludisme demeure une maladie endémique majeure au Cameroun, touchant particulièrement les jeunes enfants et les femmes enceintes, ce qui a conduit à l'intégration du vaccin antipaludique (VAP) dans le programme élargi de vaccination en 2024. L'étude repose sur une analyse rétrospective des données de surveillance et évalue la corrélation entre le taux de couverture vaccinale de la troisième dose et l'évolution des cas de paludisme grave pour déterminer l'efficacité initiale de cette intervention de santé publique. Les résultats mettent en évidence un défi persistant avec un nombre élevé de cas de paludisme grave, ainsi qu'une baisse significative de la couverture vaccinale entre la première et la troisième dose dans tous les districts étudiés. Cependant, l'analyse révèle une corrélation négative forte (r = -0,86) entre la couverture vaccinale complète et l'augmentation des cas graves en 2024 par rapport à 2023. Cela suggère que, bien que l'incidence globale reste préoccupante, une couverture vaccinale plus élevée contribue à limiter l'augmentation des formes sévères de la maladie. L'étude souligne donc l'importance de renforcer l'adhésion au protocole vaccinal complet pour maximiser l'impact protecteur du vaccin chez les nourrissons.

Join us for the next AMMnet Hackathon, a two-hour, hands-on learning session where you will learn how to build, simulate, and infer epidemiological models using Python, Google Colab, and ChatGPT. No prior experience with epidemiological modeling is required. All experience levels are welcome! By the end of this hackathon, you will be able to: -Understand the SIR (Susceptible–Infected–Recovered) epidemic model -Simulate disease outbreaks using ordinary differential equations (ODEs) -Estimate key epidemiological parameters such as: Transmission rate (β), Recovery rate (γ) & Basic reproduction number (R₀) -Fit models to real outbreak data using: Least squares, Poisson likelihood -Use ChatGPT effectively for: Writing scientific Python code, Debugging models, Explaining results & Generating clean reports All work is done in Google Colab — no local installation required.