S'abonner

# P66 - Estimation of some epidemiological parameters using the COVID-19 data of Mayotte - 10/05/24

Doi : 10.1016/j.jeph.2024.202506
S. Manou-Abi 1,
1 Centre universitaire de formation et de recherche, Institut Montpelliérain Alexander Grothendieck, Dembeni, Mayotte, France

Auteur correspondant

Bienvenue sur EM-consulte, la référence des professionnels de santé.
Article gratuit.

Connectez-vous pour en bénéficier!

## Résumé

#### Background

In this communication, we first discuss the statistical methods used to estimate the probability distribution function that describes the serial interval distribution of the COVID-19 virus on a given set of data collected on viral shedding in patients with laboratory-confirmed COVID-19. Based on this estimation, we estimate the time-varying reproduction number and transmission rates observed on the island of Mayotte from March 2020 to January 2022.

#### Methods

First, we consider parameter estimation of mixture for a set of exponential family distributions using maximum likelihood estimation. Secondly, we consider parameter estimation of mixture for stable distributions. Our methods are based on the characteristic function using a Gaussian kernel estimator of the density distribution. The choice of the optimal bandwidth parameter was done using a plug-in method. We highlight another estimation procedure for the maximum likelihood framework based on the false position algorithm method to find a numerical root of the log-likelihood through the score functions. In the case of a mixture-stable distribution, the EM algorithm and the Bayesian estimation method have been adapted to propose an efficient tool for parameter estimation within the above estimation procedure.

#### Results

A simulation study is conducted to evaluate the performance of our algorithms, which are then applied to real data. Our results seem to accurately estimate mixtures of stable distributions. The application concerned the estimation of the reproduction number of COVID-19 in Mayotte. We compare the proposed methods along with a detailed discussion.

#### Conclusion

In this paper, we discuss the estimation of the serial interval distribution by several methods and the best-fit model with a mixture model. We derive an estimate of the effective reproduction number along time. We fit the transmission rate parameter range values obtained by a mathematical learning model. The results of this presentation can be found in [1] and [2] for more details.

Le texte complet de cet article est disponible en PDF.

Keywords : Health statistics, Reproduction number, Epidemiology, Model, Parameter estimation

© 2024  Publié par Elsevier Masson SAS.
Export

• ### Contenu

Vol 72 - N° S2

Article 202506- mai 2024 Retour au numéro
Article précédent
• P65 - Prédicteurs environnementaux et afflux aux urgences hospitalières à Lyon, France : une analyse utilisant le modèle non linéaire à décalage distribué (DLNM)
• L. Monteiro Martins, E. Coz, MS. Hacid, D. Maucort-Boulch
| Article suivant
• P67 - Hospitalisations pour insuffisance cardiaque aiguë et mortalité associée en France de 2020 à 2022 : évolution en période pandémique.
• P. Moulaire, T. Delory, M. Espagnacq, M. Khlat, S. Le Coeur, G. Hejblum, N. Lapidus

Bienvenue sur EM-consulte, la référence des professionnels de santé.

## Déclaration CNIL

EM-CONSULTE.COM est déclaré à la CNIL, déclaration n° 1286925.

En application de la loi nº78-17 du 6 janvier 1978 relative à l'informatique, aux fichiers et aux libertés, vous disposez des droits d'opposition (art.26 de la loi), d'accès (art.34 à 38 de la loi), et de rectification (art.36 de la loi) des données vous concernant. Ainsi, vous pouvez exiger que soient rectifiées, complétées, clarifiées, mises à jour ou effacées les informations vous concernant qui sont inexactes, incomplètes, équivoques, périmées ou dont la collecte ou l'utilisation ou la conservation est interdite.
Les informations personnelles concernant les visiteurs de notre site, y compris leur identité, sont confidentielles.
Le responsable du site s'engage sur l'honneur à respecter les conditions légales de confidentialité applicables en France et à ne pas divulguer ces informations à des tiers.

Tout le contenu de ce site: Copyright © 2024 Elsevier, ses concédants de licence et ses contributeurs. Tout les droits sont réservés, y compris ceux relatifs à l'exploration de textes et de données, a la formation en IA et aux technologies similaires. Pour tout contenu en libre accès, les conditions de licence Creative Commons s'appliquent.