DRAFT  –  Not  for  a.ribu2on  or  distribu2on    

Modeling  the  Ebola    Outbreak  in  West  Africa,  2014  

March  10th  Update    

Bryan  Lewis  PhD,  MPH  (blewis@vbi.vt.edu)  presen2ng  on  behalf  of  the  Ebola  Response  Team  of    

Network  Dynamics  and  Simula2on  Science  Lab  from  the  Virginia  Bioinforma2cs  Ins2tute  at  Virginia  Tech  

Technical  Report  #15-­‐018  

DRAFT  –  Not  for  a.ribu2on  or  distribu2on    

NDSSL  Ebola  Response  Team  Staff:  Abhijin  Adiga,  Kathy  Alexander,  Chris  Barre.,  Richard  Beckman,  Keith  Bisset,  Jiangzhuo  Chen,  Youngyoun  Chungbaek,  Stephen  Eubank,  Sandeep  Gupta,  Maleq  Khan,  Chris  Kuhlman,  Eric  Lofgren,  Bryan  Lewis,  Achla  Marathe,  Madhav  Marathe,  Henning  Mortveit,  Eric  Nordberg,  Paula  Stretz,  Samarth  Swarup,  Meredith  Wilson,Mandy  Wilson,  and  Dawen  Xie,  with  support  from  Ginger  Stewart,  Maureen  Lawrence-­‐Kuether,  Kayla  Tyler,  Bill  Marmagas    Students:  S.M.  Arifuzzaman,  Aditya  Agashe,  Vivek  Akupatni,  Caitlin  Rivers,  Pyrros  Telionis,  Jessie  Gunter,  Elizabeth  Musser,  James  Schli.,  Youssef  Jemia,  Margaret  Carolan,  Bryan  Kaperick,  Warner  Rose,  Kara  Harrison           2

DRAFT  –  Not  for  a.ribu2on  or  distribu2on    

Currently  Used  Data  (as  of  March  10th,  2014)  

●  Data  from  WHO,  MoH  Liberia,  and  MoH  Sierra  Leone,  available  at  h.ps://github.com/cmrivers/ebola  

●  MoH  and  WHO  have  reasonable  agreement  ●  Sierra  Leone  case  counts  censored  up  

to  4/30/14.  ●  Time  series  was  filled  in  with  missing  

dates,  and  case  counts  were  interpolated.  

3

       Cases  Deaths    Guinea      2,871  1,876    Liberia      8,478  3,605    Sierra  Leone    10,340  3,145    Total      21,724  8,641  

DRAFT  –  Not  for  a.ribu2on  or  distribu2on    

Liberia  –  case  loca2ons  

4

DRAFT  –  Not  for  a.ribu2on  or  distribu2on    

Liberia  infec2on  rate  

5

DRAFT  –  Not  for  a.ribu2on  or  distribu2on    

Papers  in  Submission  

•  Assessing  the  Impact  of  Increased  Hospital  Capacity  on  the  Ebola  Epidemic  in  Liberia  

•  Es:ma:ng  the  Role  of  Infec:on  Control  in  Containing  the  Ebola  Epidemic  in  Liberia  – First  paper  looks  at  the  likely  effect  of  the  construc2on  of  ETUs  in  Liberia  in  the  context  of  the  behavior  changes  we’ve  also  seen.  

– Second  paper  compares  the  rela2ve  effect  of  ETU  construc2on  with  improved  infec2on  control  

DRAFT  –  Not  for  a.ribu2on  or  distribu2on     7

Green  line,  which  models  the  ETU  deployment,  a  reduc2on  in  2me  to  hospitaliza2on  and  a  change  in  community  behavior  is  the  only  combina2on  that  fits  the  observed  data.  No  single  change  accounts  for  the  observed  decrease  –  both  ETUs  and  the  behavioral  shil  were  important.  

DRAFT  –  Not  for  a.ribu2on  or  distribu2on     8

Similar  to  the  previous  plot  –  very  high  levels  of  infec2on  preven2on  within  the  constructed  ETUs,  along  with  behavioral  changes,  fit  the  epidemic.  Minor  decreases  in  the  quality  of  infec2on  preven2on  (supply  shortages,  lack  of  training,  errors  etc.)  cause  a  substan2al  increase  in  the  number  of  cases.  

DRAFT  –  Not  for  a.ribu2on  or  distribu2on     9

Comparing  ETU  deployment  to  improving  infec2on  control:  •  Changes  in  infec2on  control  

(going  from  ideal  to  less-­‐than-­‐ideal  scenarios  for  preven2ng  within  hospital  transmission)  have  a  bigger  impact  on  cases  than  halving  or  doubling  the  number  of  ETUs.  

•  Appropriate  training  and  supplies  to  respond  to  an  outbreak  are  essen2al.  

•  However,  ETUs  also  have  a  substan2al  impact  on  the  outbreak.  

•  If  possible,  do  both,  but  supplies  and  training  can  occur  very  early  in  a  response.  

       

Comparing  ETU  deployment  to  improving  infec2on  control  

DRAFT  –  Not  for  a.ribu2on  or  distribu2on    

Vaccine  Stockpile  Study      ObjecAve:  Assuming  that  early  deployment  of  vaccine  interven2ons,  what  vaccine  stockpile  is  necessary  to  control  a  reasonably  stressful  outbreak  like  the  2014  West  African  outbreak?  

10

DRAFT  –  Not  for  a.ribu2on  or  distribu2on    

Vaccine  Stockpile  Study  

Intervened  PopulaAons:  school-­‐aged  and  older  IntervenAon  sweep:  July  1st,  July  16th,  Aug  1st  Doses:  3k,  5k,  10k  Compliance:  25%,  50%,  75%  Efficacy:  50%,  80%    

11

DRAFT  –  Not  for  a.ribu2on  or  distribu2on    

Vaccine  Stockpile  Study  

•  Ini2al  seeds  in  Lofa  County  •  At  designated  2mes,  vaccine  campaigns  start  •  Ring  vaccina2on  with  compliance  levels  •  Addi2onal  vaccine  provided  to  others  in  vaccina2on  area  (Lofa  county)  ~100  

•  Campaign  con2nues  2ll  stockpile  exhausted  

12

DRAFT  –  Not  for  a.ribu2on  or  distribu2on    

Daily  infec2on  averages  with    trigger  at  July  1st  

13

DRAFT  –  Not  for  a.ribu2on  or  distribu2on    

Daily  infec2on  averages  with    trigger  at  July  16th  

14

DRAFT  –  Not  for  a.ribu2on  or  distribu2on    

Daily  infec2on  averages  with    trigger  at  August  1st  

15

DRAFT  –  Not  for  a.ribu2on  or  distribu2on    

Comparison  –  10k  doses  

16

6  weeks  aler  start  of  campaign   3  months  aler  start  of  campaign  

DRAFT  –  Not  for  a.ribu2on  or  distribu2on    

Vaccine  Stockpile  Study  

•  To  be  assessed:  – Across  mul2ple  doses  – Number  of  replicates  where  epidemic  dies  out  – Number  of  replicates  where  epidemic  is  sufficiently  reduced  that  other  “classic”  measures  can  maintain  and  complete  control  

– Number  of  cases  that  escape  Lofa  county  

17