Lassa virus is a significant burden on human health throughout its endemic region in West Africa, with most human infections the result of spillover from the primary rodent reservoir of the virus, the natal multimammate mouse, M. natalensis. Here we develop a Bayesian methodology for estimating epidemiological parameters of Lassa virus within its rodent reservoir and for generating probabilistic predictions for the efficacy of rodent vaccination programs. Our approach uses Approximate Bayesian Computation (ABC) to integrate mechanistic mathematical models, remotely-sensed precipitation data, and Lassa virus surveillance data from rodent populations. Using simulated data, we show that our method accurately estimates key model parameters, even when surveillance data are available from only a relatively small number of points in space and time. Applying our method to previously published data from two villages in Guinea estimates the time-averaged R_0 of Lassa virus to be 1.658 and 1.453 for rodent populations in the villages of Bantou and Tanganya, respectively. Using the posterior distribution for model parameters derived from these Guinean populations, we evaluate the likely efficacy of vaccination programs relying on distribution of vaccine-laced baits. Our results demonstrate that effective and durable reductions in the risk of Lassa virus spillover into the human population will require repeated distribution of large quantities of vaccine.

Forecasting how the risk of pathogen spillover changes over space is essential for the effective deployment of interventions such as human or wildlife vaccination. However, due to the sporadic nature of spillover events, developing robust predictions is challenging. Recent efforts to overcome this obstacle have capitalized on machine learning to predict spillover risk. A weakness of these approaches has been their reliance on human infection data, which is known to suffer from strongly biased reporting. We develop a novel approach that combines sub-models for reservoir species distribution, pathogen distribution, and transmission into the human population. We apply our method to Lassa virus, a zoonotic pathogen with a high threat of emergence in West Africa. The resulting model predicts the distribution of Lassa virus spillover risk and allows us to revise existing estimates for the annual number of new human infections. Our model predicts that between 961,300 -- 4,037,400 humans are infected by Lassa virus each year, an estimate that exceeds current conventional wisdom. Our model also predicts that Nigeria accounts for more than half of all new Lassa cases in humans, making it a high-risk area for Lassa virus to become an emergent pathogen.