Epidemic and intervention modelling - a scientific rationale for policy decisions? Lessons from the 2009 influenza pandemic.

INFLUENZA epidemiology; HEALTH policy

Problem Outbreak analysis and mathematical modelling are crucial for planning public health responses to infectious disease outbreaks, epidemics and pandemics. This paper describes the data analysis and mathematical modelling undertaken during and following the 2009 influenza pandemic, especially to inform public health planning and decision-making. Approach Soon after A(H1N1)pdm09 emerged in North America in 2009, the World Health Organization convened an informal mathematical modelling network of public health and academic experts and modelling groups. This network and other modelling groups worked with policy-makers to characterize the dynamics and impact of the pandemic and assess the effectiveness of interventions in different settings. Setting The 2009 A(H1N1) influenza pandemic. Relevant changes Modellers provided a quantitative framework for analysing surveillance data and for understanding the dynamics of the epidemic and the impact of interventions. However, what most often informed policy decisions on a day-to-day basis was arguably not sophisticated simulation modelling, but rather, real-time statistical analyses based on mechanistic transmission models relying on available epidemiologic and virologic data. Lessons learnt A key lesson was that modelling cannot substitute for data; it can only make use of available data and highlight what additional data might best inform policy. Data gaps in 2009, especially from low-resource countries, made it difficult to evaluate severity, the effects of seasonal variation on transmission and the effectiveness of non-pharmaceutical interventions. Better communication between modellers and public health practitioners is needed to manage expectations, facilitate data sharing and interpretation and reduce inconsistency in results. INSET: Box 1. Summary of main lessons learnt. [ABSTRACT FROM AUTHOR]

Situación El análisis del brote y la modelización matemática son cruciales para la planificación de respuestas de salud pública a los brotes, epidémicos y pandémicos, de enfermedades infecciosas. Este documento describe los análisis de datos y la modelización matemática utilizados durante y después de la gripe pandémica de 2009. Su objetivo principal era la obtención de información para la planificación y la toma de decisiones en materia de salud pública. Enfoque Poco después de que surgiera el virus pandémico A(H1N1)pdm09 en Norteamérica en el año 2009, la Organización Mundial de la Salud reunió una red informal de modelización matemática compuesta por expertos académicos, expertos en salud pública y grupos de modelización. Esta red y otros grupos de modelización trabajaron con responsables políticos con el fin de caracterizar las dinámicas y el impacto de la pandemia, así como para evaluar la eficacia de las intervenciones en diversos escenarios. Marco regional La gripe pandémica A(H1N1) de 2009. Cambios importantes Los encargados de la modelización proporcionaron un marco cuantitativo para analizar los datos de vigilancia y para entender la dinámica de la epidemia y el impacto de las intervenciones. No obstante, podría decirse que lo que con mayor frecuencia informó a diario a las decisiones políticas no fue la modelización de simulación sofisticada, sino simples análisis estadísticos en tiempo real basados en los modelos mecanicistas de transmisión, que se basan en los datos epidemiológicos y virológicos disponibles. Lecciones aprendidas Una lección clave fue que la modelización no puede sustituir a los datos, únicamente puede hacer uso de los datos disponibles y destacar aquellos datos adicionales que puedan ser la mejor información para la política. Las lagunas de datos en 2009, especialmente de los países con pocos recursos, dificultaron la evaluación de la gravedad, los efectos de la variación estacional en la transmisión y la eficacia de las intervenciones no farmacéuticas. Es necesario mejorar la comunicación entre los encargados de la modelización y los profesionales de salud pública para gestionar las expectativas, facilitar que se compartan e interpreten datos y reducir las incoherencias en los resultados. [ABSTRACT FROM AUTHOR]

Problème L'analyse de l'apparition d'une pandémie et sa modélisation mathématique sont cruciales pour la planification des réponses de santé publique à l'apparition de maladies infectieuses, d'épidémies et de pandémies. Ce document décrit l'analyse de données et la modélisation mathématique entreprises pendant et après la pandémie de grippe de 2009, en particulier pour orienter la planification des interventions de santé publique et la prise de décision. Approche Peu après l'apparition du virus pandémique A(H1N1)pdm09 en Amérique du Nord, en 2009, l'Organisation mondiale de la Santé a rassemblé un réseau informel de modélisation mathématique composé d'experts de la santé publique, de spécialistes universitaires et des groupes de modélisation. Ce réseau et d'autres groupes de modélisation ont travaillé avec les décideurs pour définir la dynamique et l'impact de la pandémie, et évaluer l'efficacité des interventions dans divers environnements. Environnement local La pandémie de grippe A(H1N1) de 2009. Changements significatifs Les modélisateurs ont fourni un cadre quantitatif pour l'analyse des données de surveillance et la compréhension de la dynamique de l'épidémie et de l'impact des interventions. Toutefois, au quotidien, les décisions politiques étaient sans doute plus souvent inspirées par des analyses statistiques simples, en temps réel, basées sur des modèles de transmission mécanistes et les données épidémiologiques et virologiques disponibles, que par un modèle de simulation sophistiqué. Leçons tirées Un des enseignements principaux est que la modélisation ne peut pas remplacer les données. Elle ne fait qu'utiliser les données disponibles et mettre en évidence les données supplémentaires pouvant mieux éclairer les politiques. Le manque de données en 2009, en particulier en provenance des pays à faibles ressources, ont rendu difficile l'évaluation de la gravité, les effets des variations saisonnières sur la transmission et l'efficacité des interventions non pharmaceutiques. Une meilleure communication entre les modélisateurs et les praticiens de la santé publique est nécessaire pour gérer les attentes, faciliter le partage et l'interprétation de données, et réduire les incohérences entre les résultats. [ABSTRACT FROM AUTHOR]

Copyright of Bulletin of the World Health Organization is the property of World Health Organization and its content may not be copied or emailed to multiple sites or posted to a listserv without the copyright holder's express written permission. However, users may print, download, or email articles for individual use. This abstract may be abridged. No warranty is given about the accuracy of the copy. Users should refer to the original published version of the material for the full abstract. (Copyright applies to all Abstracts.)