Search

Contexte : Pour maintenir le contrôle de l’épidémie de maladie à coronavirus 2019 (COVID-19) lorsque les mesures de confinement seront levées, il sera essentiel de renforcer les mesures de santé publique alternatives. En ce qui concerne la surveillance, il sera nécessaire de détecter rapidement une grande proportion de tous nouveaux cas afin de pouvoir les isoler, et retrouver et mettre en quarantaine les personnes qui y ont été exposées. Nous présentons ici une approche mathématique qui peut être utilisée pour déterminer combien d’échantillons doivent être recueillis par unité de surface et par unité de temps pour détecter de nouveaux agrégats de cas de COVID-19 à un stade suffisamment précoce pour contrôler une éclosion. Méthodes : Nous présentons une méthode de détermination de la taille de l’échantillon qui utilise une approche de pondération relative. Compte tenu du fait que les résultats du test de diagnostic de la COVID-19 provenant de sous-populations ont contribué à détecter la maladie à un niveau de prévalence seuil pour contrôler l’éclosion, il s’agissait de 1) déterminer si le nombre prévu d’échantillons hebdomadaires fournis par la surveillance actuelle des infections virales respiratoires fondée sur les soins de santé peut fournir une taille d’échantillon déjà adéquate pour détecter de nouveaux agrégats de cas de COVID-19 et, dans le cas contraire, 2) de déterminer combien d’échantillons hebdomadaires supplémentaires étaient nécessaires à partir d’un échantillonnage volontaire. Résultats : Lors d’une démonstration de notre méthode à une fréquence hebdomadaire et à l’échelle des provinces et territoires canadiens, nous avons constaté que seuls les provinces et les territoires les plus peuplés disposaient d’un nombre suffisant de dépistages provenant des visites médicales en raison de maladies respiratoires pour détecter la COVID-19 à notre niveau de prévalence cible — qui doit être suffisamment élevé pour identifier et contrôler les nouveaux agrégats de cas. En outre, la détection de la COVID-19 est plus efficace (moins d’échantillons requis) lorsque la surveillance se concentre sur l’exigence de tests de dépistage de patients symptomatiques par les services des soins de santé. Dans les populations volontaires : plus les taux de contact sont élevés, plus le niveau de prévalence attendu est élevé, et moins il faut d’échantillons pour détecter la COVID-19 à un seuil prédéterminé. Conclusion : Cette étude présente une stratégie de surveillance ciblée, combinant des échantillons de surveillance passive et active, afin de déterminer le nombre d’échantillons à recueillir par unité de surface et par unité de temps pour détecter de nouveaux agrégats de cas de COVID-19. L’objectif de cette stratégie est de permettre une détection suffisamment précoce pour contrôler une éclosion.

Background: To maintain control of the coronavirus disease 2019 (COVID-19) epidemic as lockdowns are lifted, it will be crucial to enhance alternative public health measures. For surveillance, it will be necessary to detect a high proportion of any new cases quickly so that they can be isolated, and people who have been exposed to them traced and quarantined. Here we introduce a mathematical approach that can be used to determine how many samples need to be collected per unit area and unit time to detect new clusters of COVID-19 cases at a stage early enough to control an outbreak. Methods: We present a sample size determination method that uses a relative weighted approach. Given the contribution of COVID-19 test results from sub-populations to detect the disease at a threshold prevalence level to control the outbreak to 1) determine if the expected number of weekly samples provided from current healthcare-based surveillance for respiratory virus infections may provide a sample size that is already adequate to detect new clusters of COVID-19 and, if not, 2) to determine how many additional weekly samples were needed from volunteer sampling. Results: In a demonstration of our method at the weekly and Canadian provincial and territorial (P/T) levels, we found that only the more populous P/T have sufficient testing numbers from healthcare visits for respiratory illness to detect COVID-19 at our target prevalence level—assumed to be high enough to identify and control new clusters. Furthermore, detection of COVID-19 is most efficient (fewer samples required) when surveillance focuses on healthcare symptomatic testing demand. In the volunteer populations: the higher the contact rates; the higher the expected prevalence level; and the fewer the samples were needed to detect COVID-19 at a predetermined threshold level. Conclusion: This study introduces a targeted surveillance strategy, combining both passive and active surveillance samples, to determine how many samples to collect per unit area and unit time to detect new clusters of COVID-19 cases. The goal of this strategy is to allow for early enough detection to control an outbreak.

Advancements in artificial intelligence (AI), more precisely the subfield of machine learning, and their applications to open-source internet data, such as social media, are growing faster than the management of ethical issues for use in society. An ethical framework helps scientists and policy makers consider ethics in their fields of practice, legitimize their work and protect members of the data-generating public. A central question for advancing the ethical framework is whether or not Tweets, Facebook posts and other open-source social media data generated by the public represent a human or not. The objective of this paper is to highlight ethical issues that the public health sector will be or is already confronting when using social media data in practice. The issues include informed consent, privacy, anonymization and balancing these issues with the benefits of using social media data for the common good. Current ethical frameworks need to provide guidance for addressing issues arising from the use of social media data in the public health sector. Discussions in this area should occur while the application of open-source data is still relatively new, and they should also keep pace as other problems arise from ongoing technological change.

In the Arctic, rabies is endemic in the Arctic fox (Vulpes lagopus), posing a significant and ongoing health risk for people and domestic animals. The mechanisms by which rabies is maintained within the low-density fox populations in the Arctic remain unclear. In this study, we developed a spatially explicit individual-based stochastic epidemiological model and performed an uncertainty analysis to better understand Arctic fox rabies dynamics. Rabies persisted in 25.68% of model simulations, with several variables having significant impact on rabies persistence: probability of rabies transmission, spatial and temporal distribution food resources, mean litter size and variability of rabies incubation periods. Where rabies is endemic, we identified 5 key parameters for rabies dynamics: spatiotemporal resource distribution, probability of birth for adult females, mean and standard deviation of litter size, and incubation period of rabies. Our study demonstrates that Arctic rabies can persist in its primary host under conditions consistent with existing empirical data in the literature and showed the important role played by the spatial and temporal distribution of resources. Finally, our results suggest that the ecological impacts of rapid climate warming could decrease the overall persistence of rabies in the Arctic and the associated health risk in Arctic communities.