OBJECTIVE: To develop a tool for evaluating the risk that an outbreak of meningitis will occur in a particular district of the Niger after outbreaks have been reported in other, specified districts of the country. METHODS: A Bayesian network was represented by a graph composed of 38 nodes (one for each district in the Niger) connected by arrows. In the graph, each node directly influenced each of the "child" nodes that lay at the ends of the arrows arising from that node, according to conditional probabilities. The probabilities between "influencing" and "influenced" districts were estimated by analysis of databases that held weekly records of meningitis outbreaks in the Niger between 1986 and 2005. For each week of interest, each district was given a Boolean-variable score of 1 (if meningitis incidence in the district reached an epidemic threshold in that week) or 0. FINDINGS: The Bayesian network approach provided important and original information, allowing the identification of the districts that influence meningitis risk in other districts (and the districts that are influenced by any particular district) and the evaluation of the level of influence between each pair of districts. CONCLUSION: Bayesian networks offer a promising approach to understanding the dynamics of epidemics, estimating the risk of outbreaks in particular areas and allowing control interventions to be targeted at high-risk areas.
OBJETIVO: Desarrollar una herramienta para evaluar el riesgo de la aparición de un brote de meningitis en un distrito determinado del Níger después de que se haya informado acerca de otros brotes en otros distritos específicos del país. MÉTODOS: Se representó una red bayesiana con un gráfico compuesto por 38 nodos (uno por cada distrito en el Níger) conectados mediante flechas. En el gráfico, cada nodo influía directamente en cada uno de los nodos de "niños" que se encuentran en los extremos de las flechas que surgen de dicho nodo, de acuerdo con las probabilidades condicionales. Se calcularon las probabilidades entre distritos "influyentes" e "influidos" mediante el análisis de bases de datos que recogían registros semanales de los brotes de meningitis en Níger entre 1986 y 2005. Por cada semana de interés, se adjudicaba a cada uno de los distritos un valor de variable booleana de 1 (si la incidencia de meningitis en el distrito alcanzaba un umbral epidémico en esa semana) o de 0. RESULTADOS: El enfoque de red bayesiana proporciona información importante y original, lo que permite identificar cuáles son los distritos que influyen en el riesgo de meningitis de otros distritos (y cuáles están bajo la influencia de cualquier distrito determinado) y evaluar el nivel de influencia entre cada par de distritos. CONCLUSIÓN: Las redes bayesianas ofrecen un enfoque prometedor para entender las dinámicas de las epidemias, permiten calcular el riesgo de brotes en áreas determinadas y concentrar las intervenciones de control objetivo en las áreas de alto riesgo.
OBJECTIF: Développer un outil permettant d'évaluer le risque d'apparition d'une poussée de méningite dans un district particulier du Niger après le signalement d'autres poussées dans d'autres districts spécifiés du pays. MÉTHODES: Un réseau bayésien a été représenté par un graphique composé de 38 noeuds (un pour chaque district du Niger) reliés par des flèches. Dans le graphique, chaque noeud a directement influencé chacun des noeuds «enfants» aux extrémités des flèches résultant de ces noeuds, selon les probabilités conditionnelles. Les probabilités entre les districts «influençant» et «influencés» ont été estimées par l'analyse des bases de données qui contenaient les enregistrements hebdomadaires des poussées de méningite au Niger entre 1986 et 2005. Pour chaque semaine d'intérêt, on a attribué à chaque district un score booléen variable de 1 (si l'incidence de méningite dans le district atteignait un seuil épidémique au cours de cette semaine) ou de 0. RÉSULTATS: L'approche de réseau bayésien a fourni des informations originales et importantes, permettant d'identifier les districts qui influencent le risque de méningite dans d'autres districts (et les districts qui sont influencés par un district particulier) et d'évaluer le niveau d'influence entre chaque couple de districts. CONCLUSION: Les réseaux bayésiens offrent une approche prometteuse pour comprendre la dynamique des épidémies, évaluant le risque de poussées dans des zones particulières et permettant de cibler les interventions de lutte contre la maladie dans les zones à risque élevé.
