Projet d'étude du virus respiratoire syncytial (VRS)
Renseignements: Dr Javier Villanueva, e
Problèmes dans le VRS
Le virus respiratoire syncytial (VRS) est l'agent le plus souvent en cause de la baisse des infections des voies respiratoires chez les enfants de moins de deux ans, principalement la bronchiolite et la pneumonie. VRS provoque des épidémies annuelles entre Novembre et Mars, avec quelques variations. Elle coïncide aussi dans le temps avec d'autres infections qui causent des hospitalisations en excès, comme la grippe et les rotavirus, qui implique un système de santé congestion réelle presque chaque année. En outre, depuis la transmission du virus est facilement chez les sujets, à l'hôpital ou d'infections nosocomiales sont très fréquentes.
En Espagne, on estime que la maladie qu'il provoque chez le jeune enfant génère entre 15.000 et 20.000 consultations de soins primaires chaque année. A Valence, 1.500 enfants sont admis annuellement pour bronchiolite à VRS avec une durée moyenne de séjour de 6 jours. Il s'agit d'un coût de santé de plus de 3 millions et demi par an uniquement sur les hospitalisations pédiatriques. Pour estimer le coût total de la maladie chez les enfants devrait être ajouté le coût des consultations dans les coûts indirects primaires et ou sociale.
C'est pourquoi des outils sont nécessaires pour les besoins de santé adéquats, Ensemble de marqueurs et prédicteurs de foyers de sorte que de la santé publique pour établir les stratégies d'endiguement de l'infection et la préparation du système de santé. Sont également à explorer diverses approches pour le développement de vaccins, dont les principales limitations sont la nécessité d'une réponse immunitaire protectrice à un âge très précoce, lorsque le système immunitaire est peu développé, en particulier la nécessité de moduler la réponse immunitaire Une grande partie de la pathogenèse de la maladie n'est pas due à l'infection en soi, mais à une réaction immunitaire anormale chez les nourrissons
Modélisation virus
Ce problème nous conduit à proposer l'élaboration d'un modèle dynamique de transmission et d'infection de la VRS pour s'adapter à des données réelles des hospitalisations des enfants de moins de un an à VRS Valence. Une fois la conception du modèle différentes stratégies de prévention, y compris la vaccination, pour étudier l'efficacité et l'analyse pharmacoéconomique, afin d'obtenir les stratégies les plus efficaces pour réduire l'incidence de la maladie. Enfin, pour proposer des lignes directrices pour la santé publique et d'étendre le modèle aux données de l'Espagne.
L'équipe travaillant sur cette maladie a développé un modèle de réseau qui simule mieux le contact entre les personnes et la transmission du VRS que les modèles précédemment développés. Nous partons de la Division de la population des situations possibles qui peuvent avoir un individu sur la maladie: sensible ou en bonne santé, les maladies infectieuses ou de mauvais et récupéré, avec des transitions entre les situations comme on le voit dans la figure ci-dessous (modèle SIRS).
Ensuite, construire un réseau ou un graphique dans lequel chaque nœud est une personne ayant une bonne caractéristiques et indépendante du reste (âge, état de santé, le sexe, etc.) Les bords entre les nœuds représentent les relations entre les individus à travers laquelle la maladie est transmise. Si, au moment de la construction du réseau de relations entre les nœuds assignés au hasard, nous dire que nous avons un réseau aléatoire (random network). En outre, selon la distribution de probabilité utilisées pour imputer les relations entre les nœuds, nous avons différents types de réseaux aléatoire (Poisson, potentiel exponentiel). Une fois que nous avons défini le réseau de relations et les règles de l'évolution de la maladie permet de simuler l'étude modèle, individu à individu, les relations que vous avez et comment ils vous touchent. Cette approche est des situations simples tels que l'étude du comportement de la maladie s'ils sont vaccinés à un groupe particulier de personnes (enfants seulement, seulement les personnes âgées), ou si certains traitements spécifiques pour certains patients. Nous le voyons dans la figure suivante.
L'inconvénient de ces modèles est que l'estimation des paramètres (ce que nous appelons "l'ajustement du modèle") est de calcul très coûteux. Sauf dans certains cas limités, le processus d'ajustement implique une recherche exhaustive force brute. Cela signifie que nous devons essayer toutes les combinaisons possibles de paramètres (dans notre cas sont les taux d'infection, le nombre de relations et le temps de récupération après une maladie), correspondant à chacune de ces combinaisons à un problème ou d'un modèle différent. Le test, ou "l'évolution" du modèle est d'analyser sur une base quotidienne pendant plusieurs années, ce qui se passe à chaque individu, si vous tombez malade, s'il guérit, s'il meurt, s'il est né, etc Ensuite, vous devez analyser les résultats et voir comment bien ou mal l'approche de la valeur réelle et de connaissances.
En pratique, cela signifie que des modèles de réseaux sont utilisés avec de grandes limites, comme le fait de réduire la taille du réseau (nœuds et / ou relations) ou de restreindre l'analyse des intervalles pour les paramètres d'ajustement. Un bon exemple peut être un modèle qui cherche à englober l'ensemble de la population de l'Espagne (environ 45.000.000 nœuds). Un tel réseau est si important que cela se fait habituellement est d'utiliser, par exemple 10.000 ou 100.000 nœuds et extrapoler les résultats, parfois quelque chose de valable, mais beaucoup, au moins, discutable.
Le but ultime est, une fois validé et raffiné le modèle pour tester différentes stratégies de vaccination et leur effet sur la progression de la maladie et d'étudier les coûts-avantages de chaque stratégie.
Phases du projet
Le VRS projet, nous avons utilisé les modèles de calcul distribué pour calculer dans un délai raisonnable, la conception du processus de calcul en trois phases.
Phase I: Set primaire
A ce stade, nous cherchons "épaisseur" des paramètres du taux d'infection et le nombre de relations sur le modèle proche de la réalité. Nous utilisons le système de calcul distribué Sisyphe propriétaire, adapté à des réseaux informatiques pour les réseaux locaux de petites. Nous utilisons un nombre variable d'ordinateurs (environ 20 sur une base régulière avec des pics d'environ 100 le week-end) et calculé sur les trois semaines environ 60.000 modèles de 1.000.000 nœuds, en ajoutant environ 3 années de temps CPU. Nous obtenons des résultats intéressants et nous voyons un modèle qui est raisonnablement capable de mimer l'évolution du virus.
Phase II: mise en Seconde
A ce stade, nous cherchons "fine" de ces taux paramètres infection, le nombre de relations et les temps du modèle de l'immunité. Il s'agit de déterminer comment elle influe sur la propagation de la maladie aussi longtemps que le sujet prend à devenir sensibles à nouveau après la récupération. Implique le calcul d'environ 140.000 modèles de 1.000.000 nœuds chacun, et son envergure est plus grande que notre système ne peut traiter Sisyphe. Par conséquent procéder à déployer un serveur de BOINC pour le projet lui-même VRS. La figure suivante on peut voir l'évolution des calculs:
Du 18/05 au 26/06 nous avons commencé les calculs avec des ordinateurs CES Felipe II et de l'IMM UPV, mais la puissance de calcul n'est pas suffisante et ont besoin de presque 8 mois pour terminer tous les modèles. Le projet 27/06 de rendre publique la communauté BOINC et le bouche à oreille fait le reste. Dans les 3 prochaines semaines, nous avons environ 850 ordinateurs connectés actifs et de calculer tous les problèmes que nous avions en circulation, l'accumulation, à la fin de 21 années de temps CPU et environ 500 gigaoctets de données à analyser.
Phase III: Cadre supérieur
A ce stade, nous utilisons le modèle le plus précis que nous avons obtenus dans la phase II pour évaluer différentes stratégies de vaccination. Nous espérons y remédier en Septembre, pour le moment de déterminer si nous avons besoin d'utiliser le calcul distribué à nouveau.
Remerciements
Nous remercions la communauté BOINC en général et les Hispaniques, en particulier, avec CANAL @ BOINC à la tête et suivi TitanesDC, le soutien affiché. Bien que la liste est beaucoup plus longue (et est disponible dans la section des statistiques du projet), mettez en surbrillance toutes les équipes qui ont dépassé les 10.000 prêts:
1 BOINC World Team Starfire
2 SETI.USA
3 CANAL @ Boinc
4 Crunchers @ Fribourg
5 BOINC @ Pologne
6 SeriousCrunchers
7 TitanesDC
8 SETI.Germany
BOINC @ Mixi 9
10 Utilisateurs AMD
11 Équipe 2ch
12 SaveTheWorld
13 L'Alliance Francophone
BOINC @ 14 Heidelberg
Free-DC 15
16 Les Chevaliers qui disent Ni!
Norvège Team 17
18 Équipe d'Angleterre (Boinc)