nosoi: A stochastic agent-based transmission chain simulation framework in r.

Le processus de transmission d'un agent infectieux crée une chaîne connectée d'hôtes, connue sous le nom de chaîne de transmission. Reconstruire cette dernière reste une entreprise difficile, sauf dans de rares cas caractérisés par une surveillance épidémiologique intense. Il existe des méthodes d'inférence pour estimer ou approximer ces chaînes de transmission. Cependant la précision et la validité de ces méthodes ne sont généralement pas formellement évaluées sur des jeux de données pour lesquelles la chaîne de transmission est connue.Nous présentons ici nosoi, un progiciel r libre qui propose une infrastructure individu­centrée complète, réglable et extensible, pour simuler des chaînes de transmission dans une grande variété de scénarios épidémiologiques. nosoi est disponible sur GitHub et le CRAN, et est accompagné d'une documentation étendue munie d'exemples pratiques détaillés permettant aux utilisateurs de paramétrer aisément leurs propres scénarios de simulation.Une fois infecté, chaque hôte ou agent peut subir une série d'événements à chaque pas de temps, tel que bouger (entre deux lieux) ou transmettre l'infection, chacun de ces événements étant spécifié par des règles ou des données fournies par l'utilisateur. nosoi est capable de générer une multitude de scénarios épidémiques, pouvant, par exemple, être utilisés pour valider certaines méthodes de reconstruction, dont les modélisations épidémiologiques et les analyses phylodynamiques. nosoi offre également une infrastructure complète pour tirer parti de données acquises empiriquement, permettant l'exploration de l'influence des divers paramètres d'intérêt sur le potentiel épidémique. En plus de son utilisation en recherche, nosoi procure aux enseignants universitaires un outil complet pour explorer avec leurs étudiants la dynamique des processus épidémiologiques et ses paramètres. Ce progiciel ne reposant pas sur un formalisme mathématique mais utilisant une approche algorithmique plus intuitive, des changements même drastiques de l'entièreté du modèle peuvent être facilement et rapidement implémentés.