Enfoque novedoso para modelar la propagación de enfermedades infecciosas

[ad_1]

Casi 48 millones de personas en todo el mundo han sido infectadas con el coronavirus 2 (SARS-CoV-2), síndrome respiratorio agudo severo, que causa la enfermedad COVID-19. El virus se propaga rápidamente de persona a persona y, desde su aparición a fines de diciembre de 2019, se ha estudiado ampliamente la dinámica de su propagación.

Los investigadores M. Shayak del Departamento de Mecánica Teórica y Aplicada, Mecánica y Aeroespacial Engg, Universidad de Cornell, Estado de Nueva York, y Mohit Sharma del Departamento de Ciencias de la Salud de la Población, Weill Cornell Medicine, Estado de Nueva York, EE. UU., Profundizaron en la dinámica de la propagación de enfermedades infecciosas en el contexto de la pandemia actual. Su estudio titulado “Un nuevo enfoque para el modelado dinámico de una enfermedad infecciosa”, fue publicado antes de la publicación en el medRxiv* servidor.

Estudio: un nuevo enfoque para el modelado dinámico de una enfermedad infecciosa.  Haber de imagen: Kateryna Kon / Shutterstock

Antecedentes y propósito de la investigación

La rápida propagación del SARS-CoV-2 en todo el mundo a pesar del cierre temprano de las fronteras y el cese de los viajes internacionales ha despertado interés y dado lugar a cambios en los conocimientos sobre la propagación de infecciones. El dúo de investigadores cree que el modelado matemático sigue siendo la “única herramienta científica que nos permite predecir las trayectorias de la enfermedad por adelantado y tomar las medidas de intervención en consecuencia”.

Según los investigadores, existen cuatro enfoques para tal modelado. Éstas incluyen:

  • Parámetro agrupado o modelo compartimental utilizado más de un siglo antes para modelar la dinámica de propagación de la plaga: este estudio utilizó este modelo.
  • Modelo basado en agentes: considera a los individuos de una población como “sitios de celosía en una red”. Utilizado por la Escuela de Higiene y Medicina Tropical de Londres, el Imperial College y el Laboratorio Nacional de Los Alamos.
  • Modelo de ecuación diferencial estocástica: combina las características de los dos métodos anteriores. Los ejemplos incluyen el modelo de la Universidad de Cornell y el modelo de la Universidad de Jadavpur.
  • Modelo basado en datos: toma los datos existentes sobre la propagación de COVID-19 durante la última semana o mes y utiliza el aprendizaje automático para generar una predicción o pronóstico de propagación.

El modo de línea de base

En el modelo de línea de base, los investigadores presentan la derivación y las soluciones del modelo de línea de base. El equipo asume inmunidad permanente, es decir, todos los casos recuperados son insensibles a nuevas infecciones para siempre. La población de casos se divide en tres partes.

  • contactar casos rastreados
  • casos sintomáticos no rastreados
  • casos asintomáticos sin rastrear

Este estudio mostró que el modelo de línea de base en sí mismo era capaz de generar una amplia gama de trayectorias epidémicas. Estos coinciden con el curso de la pandemia vista en todo el mundo en tiempo real, escribieron. Ellos llaman a este modelo de línea de base “realista” y ventajoso en comparación con los modelos convencionales de parámetros agrupados. El equipo escribió: “De ahora en adelante, nos enfocaremos en la extensión del modelo de línea de base a varios escenarios que pueden surgir y surgen en la realidad, tanto en términos de intervenciones de salud pública como de respuesta inmune”.

Efectos sobre la salud pública

El equipo declara que, como investigadores privados, no tenían acceso a todos los datos de salud pública, pero intentan utilizar los datos disponibles para predecir las trayectorias de propagación de enfermedades y los efectos sobre la salud de la población. Recopilaron datos como el número de hospitalizaciones y muertes, así como casos acumulados.

Algunas de las variables que tomaron en cuenta fueron la edad y vulnerabilidad de las poblaciones y la estructura de transmisión de la infección. Clasificaron a la sociedad en dos clases: jóvenes y personas mayores. Los jóvenes son los menos vulnerables, independientemente de su edad. Esto incluyó incluso a personas inmunocompetentes de 60 años sin comorbilidades conocidas. Los ancianos eran aquellos que eran vulnerables, incluso los de 20 años con trastornos inmunitarios conocidos.

Sus cálculos mostraron que “no sólo la población desenmascarada está infectada casi en su totalidad, sino que también hay un nivel de infección de más del 50 por ciento entre las personas enmascaradas”. Agregaron: “Las autoridades de salud pública pueden utilizar este tipo de estadística para alentar el uso de máscaras; al no enmascarar, no solo aumenta sus propias posibilidades de contraer corona, sino que también somete a las personas que cumplen la ley a un riesgo adicional. “

También encontraron que los superpropagadores eran de dos tipos:

  • personas que interactúan mucho con los demás
  • personas que tienen cargas virales excepcionalmente altas e infectan a casi todas las personas con las que entran en contacto

Efectos de la inmunidad

Los investigadores asumieron que una infección previa proporcionaría inmunidad permanente y evitaría más infecciones.

El equipo consideró primero el caso en el que la inmunidad contra la enfermedad tiene una duración fija y limitada. Predijeron una trayectoria de las infecciones y sus recuperaciones en este escenario.

En caso de una respuesta inmunitaria compleja a la infección. Asumieron tres respuestas inmunes diferentes, “inmunidad esterilizante que previene por completo la reinfección, inmunidad reductora de la gravedad que mitiga los síntomas durante la reinfección e inmunidad reductora de la transmisibilidad que mitiga la transmisibilidad del paciente durante la reinfección”. También toman en consideración una forma severa, “mejoramiento dependiente de anticuerpos (ADE), en cuyo caso una reinfección toma una forma más severa que la infección original”.

Utilizando estos escenarios, el equipo predijo las trayectorias de la infección en las poblaciones.

Conclusiones e implicaciones para el futuro

Usando los modelos matemáticos, el equipo dice que es posible crear modelos que combinen diferentes variaciones, incluido el uso de máscaras, el rastreo de contactos y respuestas inmunes complejas a la infección.

Los autores concluyen: “Las enfermedades infecciosas siempre han formado parte de la existencia humana y, con el advenimiento de los viajes en avión, los patógenos pueden ser transportados al otro lado del mundo en cuestión de horas. Si continúan las tendencias actuales, es muy probable que haya pandemias aquí. para quedarse. Esperamos que se pueda decir lo mismo de nuestro modelo también “.

*Noticia importante

medRxiv publica informes científicos preliminares que no son revisados ​​por pares y, por lo tanto, no deben considerarse concluyentes, guiar la práctica clínica / comportamiento relacionado con la salud o tratarse como información establecida.

.

[ad_2]

Source link