Herpes simplex virus type 2 (HSV-2) infection is a lifelong sexually transmitted infection with substantial disease and economic burdens. Despite its globa

Background: Herpes simplex virus type 1 (HSV-1) is a highly infectious, globally prevalent lifelong infection. Despite advancements in understanding its epidemiology, the assortativeness in the age-dependent transmission patterns remains unclear. This study aimed to estimate the degree of assortativeness in age group mixing for oral-to-oral HSV-1 transmission within the United States (US) population. Methods: An age-structured mathematical model was employed to describe HSV-1 transmission dynamics in the US population, incorporating its different modes of transmission. The model was fitted to nationally representative HSV-1 data from the National Health and Nutrition Examination Survey (NHANES) spanning 1976–2016 using a Bayesian inference framework. The degree of assortativeness in age group mixing was calibrated on a scale from 0 (no age group bias in close-proximity interactions) to 1 (exclusive mixing within the same age group). Results: The model demonstrated robust fits to US demographics, age-specific HSV-1 prevalence, and temporal trends in both HSV-1 prevalence and ever-symptomatic HSV-1 genital herpes prevalence. The degree of assortativeness was estimated as 0.87 (95% credible interval [CrI], .64–.99) for children, indicating strong age-based assortativity, and as 0.04 (95% CrI, .004–.10) for adults, indicating weak age-based assortativity. Conclusions: Most HSV-1 infections among children are acquired from peers within their own age group, whereas adults acquire HSV-1 infections from a broad range of age groups.

The simultaneous estimation of multiple quantiles is a crucial statistical task that enables a thorough understanding of data distribution for robust analysis and decision-making. In this study, we adopt a Bayesian approach to tackle this critical task, employing the asymmetric Laplace distribution (ALD) as a flexible framework for quantile modeling. Our methodology implementation involves the Hamiltonian Monte Carlo (HMC) algorithm, building on the foundation laid in prior work, where the error term is assumed to follow an ALD. Capitalizing on the interplay between two distinct quantiles of this distribution, we endorse a straightforward and fully Bayesian method that adheres to the non-crossing property of quantiles. Illustrated through simulated scenarios, we showcase the effectiveness of our approach in quantile estimation, enhancing precision via the HMC algorithm. The proposed method proves versatile, finding application in finance, environmental science, healthcare, and manufacturing, and contributing to sustainable development goals by fostering innovation and enhancing decision-making in diverse fields.

Évaluation du pronostique pour des modèles stochastiques en prenant en compte la dégradation des capteurs: Cette thèse s'intéresse à la prédiction de la durée de vie résiduelle (RUL) d'un système en prenant en compte la dégradation des capteurs. La prédiction de la RUL se base sur les données collectées par les capteurs. Ces données peuvent être inexactes à cause d'une défaillance ou d'une dégradation du capteur ou l'erreur de mesure. L'objectif consiste à proposer des modèles de dégradation aussi bien pour le capteur que pour le système. Tout d'abord, la dégradation est modélisée par les processus de Wiener et Gamma. Ensuite, différentes méthodes d'estimation basées sur le filtre particulaire ont été proposées pour prédire la RUL. Les résultats obtenus valident les performances et les avantages des méthodes proposées. La RUL est également prédite lorsque les paramètres du modèle sont inconnus. Pour ce faire, une méthode bayésienne avec différentes lois a priori est utilisée et les erreurs d'estimation sont analysées. Ensuite, l'impact de l'incertitude liée aux estimateurs de paramètres sur la RUL est étudié. Enfin, un nouveau modèle conjoint, probabiliste discret, de dégradation est proposé où les deux dégradations sont modélisées à l'aide d'une chaîne de Markov à temps discret/continu. L'algorithme de Viterbi est utilisé pour estimer la dégradation. Ensuite, la RUL est prédit, la performance de l'approche est étudiée à travers des exemples numériques.