Skip to main content
European Commission logo
español español
CORDIS - Resultados de investigaciones de la UE
CORDIS
CORDIS Web 30th anniversary CORDIS Web 30th anniversary

MOnitoring Outbreak events for Disease surveillance in a data science context

Descripción del proyecto

La recopilación de datos masivos puede agilizar la vigilancia a tiempo de amenazas a la salud pública

Los funcionarios de la sanidad pública encargados de proteger a los ciudadanos contra brotes de enfermedades infecciosas suelen confiar en los informes oficiales sobre enfermedades específicas de los proveedores de asistencia sanitaria (vigilancia basada en indicadores). Sin embargo, utilizan cada vez más la vigilancia basada en acontecimientos, a través de informes, historias, rumores y otra información transmitida a través de canales formales e informales que incluyen blogs, teléfonos de información y medios sociales de comunicación. El beneficio de la vigilancia basada en acontecimientos es su puntualidad, ya que refleja los acontecimientos antes de que muchos pacientes hayan visitado a los profesionales sanitarios o recibido unos resultados positivos a sus pruebas. El proyecto MOOD, financiado con fondos europeos, aprovecha la extracción de datos y el análisis de datos masivos para mejorar la utilidad de la vigilancia basada en acontecimientos. Por supuesto, esto no estaría completo sin una plataforma en línea diseñada para fomentar un uso rutinario, permitir análisis en tiempo real y mejorar la recopilación e interpretación de datos.

Objetivo

The detection of infectious disease emergence relies on reporting cases, i.e. indicator-based surveillance (IBS). This method lacks sensitivity, due to non or delayed reporting of cases. In a changing environment due to climate change, animal and human mobility, population growth and urbanization, there is an increased risk of emergence of new and exotic pathogens, which may pass undetected with IBS. Hence, the need to detect signals of disease emergence using informal, multiple sources, i.e. event-based surveillance (EBS). The MOOD project aims at harness the data mining and analytical techniques to the big data originating from multiple sources to improve detection, monitoring, and assessment of emerging diseases in Europe. To this end, MOOD will establish a framework and visualisation platform allowing real-time analysis and interpretation of epidemiological and genetic data in combination with environmental and socio-economic covariates in an integrated inter-sectorial, interdisciplinary, One health approach:
1)Data mining methods for collecting and combining heterogeneous Big data,
2)A network of disease experts to define drivers of disease emergence,
3)Data analysis methods applied to the Big data to model disease emergence and spread,
4)Ready-to-use online platform destined to end users, i.e. national and international human and veterinary public health organizations, tailored to their needs, complimented with capacity building and network of disease experts to facilitate risk assessment of detected signals.
MOOD output will be designed and developed with end users to assure their routine use during and beyond MOOD. They will be tested and fine-tuned on air-borne, vector-borne, water-borne model diseases, including anti-microbial resistance. Extensive consultations with end users, studies into the barriers to data sharing, dissemination and training activities and studies on the cost-effectiveness of MOOD output will support future sustainable user uptake

Convocatoria de propuestas

H2020-SC1-BHC-2018-2020

Consulte otros proyectos de esta convocatoria

Convocatoria de subcontratación

H2020-SC1-2019-Single-Stage-RTD

Régimen de financiación

RIA - Research and Innovation action

Coordinador

CENTRE DE COOPERATION INTERNATIONALE EN RECHERCHE AGRONOMIQUE POUR LEDEVELOPPEMENT - C.I.R.A.D. EPIC
Aportación neta de la UEn
€ 2 662 355,90
Dirección
RUE SCHEFFER 42
75016 Paris
Francia

Ver en el mapa

Región
Ile-de-France Ile-de-France Paris
Tipo de actividad
Research Organisations
Enlaces
Coste total
€ 2 836 969,25

Participantes (26)