La investigación muestra la eficacia de las señales de alerta temprana para la aparición de enfermedades en medio de COVID-19


La pandemia de la enfermedad por coronavirus (COVID-19), causada por el síndrome respiratorio agudo severo coronavirus 2 (SARS-CoV-2), continúa propagándose en todo el mundo. Hasta la fecha, hay más de 131 millones de infecciones y más de 2,86 millones de muertes.

Los científicos determinan formas de detectar y predecir la aparición de enfermedades, en particular aquellas que pueden representar una amenaza para la salud mundial.

Los investigadores del Centro de Biomedicina de Sistemas de Luxemburgo, Universidad de Luxemburgo, utilizaron los datos disponibles en todo el mundo sobre la pandemia de COVID-19 en curso, concentrándose en la reaparición de la enfermedad después de la primera ola en la primavera de 2020.

El estudio, publicado en el servidor de preimpresión medRxiv*, muestra que las señales de alerta temprana (EWS) proporcionan tendencias esperadas, prediciendo futuras epidemias y la aparición de enfermedades.

Estudio: Rendimiento de las señales de alerta temprana para la aparición de enfermedades: un estudio de caso sobre datos de COVID-19.  Crédito de la imagen: NIAID

Antecedentes del estudio

Las epidemias y los brotes de enfermedades representan una amenaza para la salud mundial de las sociedades humanas. La actual pandemia de la enfermedad por coronavirus (COVID-19) ha afectado negativamente a millones de personas en todo el mundo.

El desarrollo de herramientas para la detección rápida y temprana de la aparición de enfermedades es fundamental para realizar una evaluación de riesgos con base científica. De esta manera, los científicos pueden formular modelos predictivos para prevenir la propagación de patógenos que podrían conducir a otra pandemia.

Sin embargo, la combinación de ruido, no linealidad y falta de conjuntos de datos seleccionados para la validación dificulta el desarrollo de modelos completos. Muchos estudios han recomendado el uso de varios métodos, independientes de modelos mecanicistas detallados, que podrían alertar sobre cambios en la dinámica de la epidemia.

Las transiciones críticas son fenómenos caracterizados por cambios repentinos en la dinámica del sistema, en los que los principales impulsores son las bifurcaciones. La emergencia de la enfermedad se caracteriza por una bifurcación transcrítica cuando el parámetro de control R, el número medio de infecciones secundarias del caso fuente en una población vulnerable cruza el valor umbral.

Por lo tanto, las epidemias o los brotes son candidatos apropiados para aplicar las estadísticas de señales de alerta temprana, como aumentar la varianza antes de la transición.

El estudio

En el estudio, los investigadores siguieron la estrategia de experimentos naturales para probar predicciones teóricas sobre sistemas extensos en conjuntos de datos completos, lo que representa a los posibles cofundadores.

Para llegar a los hallazgos del estudio, los investigadores analizaron las curvas epidémicas de COVID-19 de varios países. Los datos pueden ayudar a construir un conjunto de datos comprobable para las predicciones y estimaciones de EWS. Esto puede ayudar en la evaluación de su desempeño basado en supuestos fundamentales de la teoría de transiciones críticas.

El equipo consideró notablemente la reaparición de la enfermedad, denominada segunda ola, y sus características subyacentes. Estos incluyen la tasa del valor crítico de R, el ruido del sistema y la calidad de los datos de prevalencia.

Evolución de EWS lejos del punto de transición, para cuatro países ejemplo (Luxemburgo y Austria, con características controladas), Estado de Victoria (Australia) con pequeñas desviaciones de las características controladas e Israel que no satisface las condiciones teóricas.  Las EWS consideradas son las más comunes (varianza, autocorrelación rezago-1, coeficiente de variación, asimetría).  Además, para marcar el acercamiento a la transición, se muestra P (R> 1) de la estimación bayesiana (ver Ec. 15).  La línea vertical informa la fecha de transición.” height=”1292″ src=”https://d2jx2rerrg6sh3.cloudfront.net/image-handler/picture/2021/4/d021.03.30.21254631v1.jpg” srcset=”https://d2jx2rerrg6sh3.cloudfront.net/image-handler/ts/20210406020608/ri/1646/picture/2021/4/d021.03.30.21254631v1.jpg 1646w, https://d2jx2rerrg6sh3.cloudfront.net/image-handler/ts/20210406020608/ri/1550/picture/2021/4/d021.03.30.21254631v1.jpg 1550w, https://d2jx2rerrg6sh3.cloudfront.net/image-handler/ts/20210406020608/ri/1350/picture/2021/4/d021.03.30.21254631v1.jpg 1350w, https://d2jx2rerrg6sh3.cloudfront.net/image-handler/ts/20210406020608/ri/1150/picture/2021/4/d021.03.30.21254631v1.jpg 1150w, https://d2jx2rerrg6sh3.cloudfront.net/image-handler/ts/20210406020608/ri/950/picture/2021/4/d021.03.30.21254631v1.jpg 950w, https://d2jx2rerrg6sh3.cloudfront.net/image-handler/ts/20210406020608/ri/750/picture/2021/4/d021.03.30.21254631v1.jpg 750w, https://d2jx2rerrg6sh3.cloudfront.net/image-handler/ts/20210406020608/ri/550/picture/2021/4/d021.03.30.21254631v1.jpg 550w, https://d2jx2rerrg6sh3.cloudfront.net/image-handler/ts/20210406020608/ri/450/picture/2021/4/d021.03.30.21254631v1.jpg 450w” sizes=”(min-width: 1200px) 673px, (min-width: 1090px) 667px, (min-width: 992px) calc(66.6vw – 60px), (min-width: 480px) calc(100vw – 40px), calc(100vw – 30px)” title=”Evolución de EWS lejos del punto de transición, para cuatro países ejemplo (Luxemburgo y Austria, con características controladas), Estado de Victoria (Australia) con pequeñas desviaciones de las características controladas e Israel que no satisface las condiciones teóricas.  Las EWS consideradas son las más comunes (varianza, autocorrelación rezago-1, coeficiente de variación, asimetría).  Además, para marcar el acercamiento a la transición, se muestra P (R> 1) de la estimación bayesiana (ver Ec. 15).  La línea vertical informa la fecha de transición.” width=”1646″/></p>
<p><em>Evolución de EWS lejos del punto de transición, para cuatro países ejemplo (Luxemburgo y Austria, con características controladas), Estado de Victoria (Australia) con pequeñas desviaciones de las características controladas e Israel que no satisface las condiciones teóricas.  Las EWS consideradas son las más comunes (varianza, autocorrelación rezago-1, coeficiente de variación, asimetría).  Además, para marcar el acercamiento a la transición, se muestra P (R> 1) de la estimación bayesiana (ver Ec. 15).  La línea vertical informa la fecha de transición.</em></p>
</div>
<p>El equipo observó que si se satisfacen los supuestos teóricos básicos, EWS puede detectar la transición a la aparición de la enfermedad.  Por lo tanto, puede ayudar a predecir posibles pandemias en el futuro.</p>
<blockquote>
<p>“Como resultado, sugerimos que son candidatos adecuados para el seguimiento de la epidemia y merecen más atención para ampliar la caja de herramientas actual de indicadores”, explicó el equipo en el estudio.</p>
</blockquote>
<p>Los resultados del estudio confirman la validez general del sistema indicativo, confirmando las tendencias esperadas en los indicadores de EWS.  Los investigadores demostraron que es probable que los EWS dinámicos funcionen con éxito si el enfoque de transición es lento y sin grandes fluctuaciones.</p>
<p>El equipo también sugirió que estudios adicionales podrían ayudar a asociar estas características con estrategias políticas y comportamientos sociales.  Por último, el equipo analizó las limitaciones del sistema de indicadores en otros contextos, caracterizados por varias características dinámicas, incluidos los rápidos aumentos de R </p>
<blockquote>
<p>“Por tanto, nuestros resultados constituyen un paso más hacia la validación de los hallazgos de la literatura y exigen estudios futuros, que contribuirán al apasionante campo de los EWS en el control de epidemias y probablemente tendrán un impacto tremendo en la información de las políticas de salud pública”, concluyeron los investigadores.</p>
</blockquote>
<h2><span class=Situación COVID-19

A medida que se propaga la pandemia de COVID-19, hay informes de casos que se disparan en muchos países. En India, se informaron más de 100,000 casos el 6 de abril de 2021, mientras que la metrópolis de Filipinas está nuevamente bloqueada debido al aumento de casos, ya que el país informó más de 15,000 casos el 3 de abril de 2021.

Estados Unidos reporta el mayor número de casos, llegando a 30,78 millones, seguido por Brasil e India, con más de 13 millones y 12,58 millones de casos, respectivamente.

Los otros países con un alto número de casos incluyen Francia, con más de 4,89 millones de casos. Rusia, con más de 4,53 millones de casos, Reino Unido con 4,37 millones de casos e Italia, con 3,67 millones de casos.

*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.

Fuente:

Referencia de la revista:

.



Source link