Оценка на сценариите за грипна епидемия за 2021/22 г. в Италия по време на огнище на SARS-CoV-2

Резюме

Глобалните смекчаващи стратегии за справяне със заплахата, породена от SARS-CoV-2, доведоха до значително намаляване на тежестта на сезонния грип 2020/21 г., което може да доведе до намален естествен имунитет на населението за предстоящия грипен сезон 2021/22 г. За да прогнозираме разпространението на грипния вирус в Италия и въздействието на мерките за превенция и контрол, ние представяме възрастово структуриран модел на чувствителни-изложени-инфекциозни-премахнати (SEIR), включително ролята на моделите на социално смесване и въздействието на стратифицираните по възраст стратегии за ваксиниране и нефармацевтични интервенции (NPI), като затваряне на училища, частично блокиране, както и приемане на лични предпазни средства и практикуване на хигиена на ръцете. Откриваме, че кампаниите за ваксиниране със стандартно покритие биха довели до забележително смекчаване на разпространението на болестта в умерени сезони на грип, което прави приемането на NPI ненужно. Въпреки това, в случай на тежки сезонни епидемии, стандартното ваксинационно покритие не би било достатъчно ефективно в борбата с епидемията, което означава, че комбинацията с приемането на НПИ е необходима за ограничаване на болестта. Като алтернатива, нашите резултати показват, че повишаването на обхвата на ваксинациите би намалило необходимостта от приемане на NPI, като по този начин ограничава икономическите и социалните въздействия, които NPI могат да произведат. Нашите резултати подчертават необходимостта да се отговори на грипната епидемия чрез засилване на ваксинационния обхват.

Cistanche ползи за мъжете - укрепване на имунната система

1. Въведение

Световната борба срещу заплахата, породена от болестта Тежък остър респираторен синдром-Коронавирус-2 (SARS-CoV-2, известен най-вече като COVID-19 [1]) доведе до широко прилагане на Нефармацевтични интервенции (NPI), като частично блокиране, социално дистанциране (напр. избягване на масови събирания, затваряне на обществени места за забавление и училища), както и приемането на лични предпазни средства (ЛПС) и практикуването на честа хигиена на ръцете. Тези интервенции ще продължат да играят решаваща роля за безопасността на общественото здраве, тъй като в бъдеще се появяват нови варианти на COVID-19.

Cistanche ползи за мъжете - укрепване на имунната система

Щракнете тук, за да видите продуктите Cistanche Enhance Imunity

【Попитайте за повече】 Имейл:cindy.xue@wecistanche.com / Whats App: 0086 18599088692 / Wechat: 18599088692

Приемането на тези мерки от първите месеци на 2020 г. доведе до забележително намаляване на тежестта на сезонните грипоподобни заболявания (ГЗЗ) през сезон 2020/21 г. [2–4], като откритите числа са подобни на тези, докладвани по време на межд. -сезонни периоди. Подобно на COVID-19, сезонният грип (грип) е силно инфекциозно респираторно заболяване, предавано предимно по въздух (капки и аерозоли), което може да причини сериозни здравословни усложнения. За една типична година глобалната честота на ГПЗ варира между 5 и 10 процента за възрастни и между 20 и 30 процента за деца, от които около 3 до 5 милиона са тежки, което води до около 250, 000 до 500 ,000 смъртни случаи, свързани с грип [5]. Въпреки че мерките за контрол на COVID-19 помогнаха да се предотврати циркулацията на грип през сезон 2020/21 [6], намаляването на тежестта на ГПЗ може да означава по-нисък популационен имунитет за сезон 2021/22, тъй като повечето хора имат не са били изложени на ILI повече от година [7, 8]. Това би поставило най-уязвимите хора в риск от сериозно заболяване. В светлината на това ваксинирането срещу грип може да играе ключова роля за ограничаване на разпространението на сезонна грипна инфекция, както и за избягване на огромните здравни системи, които вече са под натиск [9, 10]. Скорошни проучвания показват, че избухването на COVID-19 е довело до увеличаване на придържането към ваксинирането срещу грип, достигайки най-високото покритие в кампанията за ваксиниране 2020/21 [11–13]. Освен това, голям брой проучвания показват, че NPI имат значително въздействие върху разпространението на епидемии, предавани по въздуха [14–16]. Поради продължаващото въздействие на пандемията от COVID-19 и непредсказуемостта на грипния вирус, следователно е навременно да се проучат очакваните сценарии за грипна епидемия за предстоящия сезон 2021/22 г., като се вземе предвид въздействието на приетите в момента НПИ и стратегиите за ваксиниране срещу грип в подкрепа както на индивидуалното вземане на решения, така и на политиката в борбата срещу грипните епидемии. Чрез предоставяне на властите на прогнози за разпространението на ГПЗ в различните възрастови класове, ще бъде позволено да се разработят планове за готовност за реагиране при евентуално избухване на пандемия [17, 18].

Както се предполага от последните проучвания (напр. [19, 20]), разработването на математически подходи за моделиране на динамиката на епидемията и въздействието на мерките за контрол и превенция може да предостави инструмент за оценка и сравняване на ефективността на различни мерки за обществено здраве за контрол на болестта и може да се счита за необходима практика за извеждане на ценна информация за политиците в общественото здраве [21]. Въпреки че има някои ограничения при моделирането на ситуации от реалния живот, математическите модели са използвани за характеризиране на динамиката на предишни заболявания като вируса Ебола [22], грипа [23, 24] и COVID-19 [25– 28]. Този документ има за цел да проучи широк спектър от сценарии за грипна епидемия за сезон 2021/22 в Италия, като вземе предвид въздействието на единични и многократни мерки за контрол и превенция при разпространението на болестта за различна сезонна тежест. Характеристиките на епидемичните сценарии се оценяват чрез възрастово-структуриран детерминистичен епидемиологичен модел на чувствителни изложени-инфекциозни-възстановени (SEIR), подходящо разширен за правилно моделиране на възрастово структурирано социално смесване и въздействието на мерките за контрол и превенция. Проучването на тези сценарии е от решаващо значение за политиците, за да направят извод за въздействието на мерките за прилагане и да преценят дали стратегиите за ваксинационни кампании трябва да бъдат преразгледани, за да се намали успешно тежестта за общественото здраве. Документът е структуриран по следния начин: Раздел 2 описва епидемиологичния модел SEIR и проучените сценарии. Резултатите са представени в раздел 3, последвани от дискусии в раздел 4. Накрая, заключителните бележки са представени в раздел 5.

растение цистанче, повишаващо имунната система

2. Материали и методи 2.1. Епидемичен модел

Ние разработваме възрастово-структуриран детерминистичен компартмент модел, базиран на добре известния SEIR модел [29, 30], първоначално въведен като епидемичен модел за описание на динамиката на инфекциозно заболяване в хомогенна и добре смесено население. Сред различните подходи, разработени в миналото (напр. [31, 32]), математическото моделиране, базирано на компартментални динамични системи, често може да предостави съществена информация за динамиката на епидемията, особено в случаите, когато има голяма несигурност в въздействието на превенцията и контролни мерки за ограничаване разпространението на болестта. Ние разширяваме класическия модел SEIR чрез въвеждане на възрастово структуриране и включване на моделите на социално смесване (напр. [33, 34]), като по този начин облекчаваме предположението за хомогенно смесване между възрастовите групи на населението. Социалното смесване на възрастово структурираното население в нашия модел е уловено чрез използването на реалистичен модел на модели на смесване, изчислени от рутинно събирани социално-демографски данни за италианското население [33] (виж раздел 2.2). Ние разделяме населението на четири класа: бебета (0–4 години), деца (5–14 години), възрастни (15–64 години) и възрастни хора (� 65 години). Общото население е разпределено между различните възрастови групи според италианското преброяване на населението, актуализирано на 1 януари 2019 г. [35].

Нашият модел включва въздействието на ограниченията на движението върху смесването на населението чрез съответно мащабиране на структурираните по възраст контактни матрици (вижте раздел 2.2). Освен това моделът разграничава различната тежест на заболяването при заразените лица, като взема предвид умерените случаи, дефинирани като заразени лица, които изискват лечение от общопрактикуващи лекари (GP) или в спешни отделения (ER) и животозастрашаващи случаи, които изискват отделение за интензивно лечение (интензивно лечение). Ние изследваме характеристиките на сезонния грип, без да правим разлика между специфичните подтипове на грипния вирус. Въпреки това, както е описано по-долу, параметрите на модела се изчисляват чрез осредняване на епидемиологичните характеристики на два подтипа на грипния вирус, т.е. H1N1 и H3N2, които са основните подтипове, причиняващи сезонен грип [36].

Предполагаме популация, съставена от индивиди, подразделени на следните взаимно изключващи се седем отделения за всяка възрастова група i=1,. . .,4, 1. Податливи (Si): лица, способни да се заразят с грип, 2. Изложени (Ei): податливи, които са били изложени на заразни (изложени и заразени) индивиди и могат да заразят, 3. Заразени (Ii): заразени лица, 4. Лекувани от GP/ER (Gi): заразени лица, лекувани от общопрактикуващи лекари или в спешни отделения, 5. Лекувани в интензивно отделение (Ti): заразени лица, нуждаещи се от критична медицинска помощ в интензивно отделение, 6. Възстановени (Ri): лица, отстранени от динамиката на епидемията чрез възстановяване или чрез ваксинация, 7. Починали (Di): лица, починали поради грип. Разглеждаме затворени възрастови класове без раждания и естествени смъртни случаи, така че броят на популацията Ni от възрастова класа i е сумата от индивидите във всички отделения на тази възрастова класа за време t (т.е. Ni ¼ Si ðtÞ þ Ei ðtÞ þ Ii ðtÞ þ Gi ðtÞ þ Ti ðtÞ þ Ri ðtÞ þ Di ðtÞ). Предполагаме, че вероятността от повторно заразяване на оздравелите лица е незначителна, което гарантира доживотен имунитет срещу грип след възстановяване. Преходите на индивиди между различни компартменти се моделират чрез система от седем обикновени диференциални уравнения, описващи еволюцията на популацията за всяка възрастова група i=1,. . .,4 за време t, т.е.

където главните букви обозначават променливите на състоянието (Si, Ei, Ii, Gi, Ti, Ri, Di), въведени по-горе, а Mij показва контактната матрица (вижте раздел 2.2), дефинирана като среден брой ежедневни контакти между индивид във възрастовия клас I с индивид във възрастов клас j, където i, j=1,. . .,4. Малките букви обозначават нивата на преход и частта от индивиди, които се движат между различни компартменти, дефинирани по следния начин: • i е вероятността за предаване на болестта (вижте раздел 2.4) при единичен контакт между възприемчив от възрастова група I и a заразно лице (изложено или заразено). Предполагаме, че изложено лице може да предаде вируса на ранен етап, преди да се развият симптомите, както е потвърдено от епидемиологичните изследвания (напр. [36]); • pi е чувствителността към инфекция, взета от [37], Глава 6, Фигура 2; • σ означава скоростта, с която индивидите преминават от експонирани към заразени, докато е скоростта на преход от отделението на заразените към отделенията на лекувани общопрактикуващи лекари/специалисти, лекувани в интензивно отделение или възстановени. Техните стойности са свързани с инкубационното време tσ=σ−1 и времето на ремисия t=−1, приети за равни съответно на 1,5 и 4 дни [38–40] ; • ai обозначава частта от заразените лица, лекувани от общопрактикуващи лекари или в спешни отделения, докато bi е частта от заразените лица, които се нуждаят от интензивни грижи в интензивно отделение. Референтните стойности на тези параметри са взети от [41–44]; • ci е ваксинационният обхват, определен като част от податливите, които получават ваксинация. Референтните стойности за критерия за ваксинационно покритие са взети от [45] (вижте раздел 2.3); • �i(t) е развитието във времето на ефективността на ваксината, изчислено чрез анализиране на резултатите, докладвани в [46] (виж раздел 2.3); • μi е нивото на смъртност, с референтни стойности μref, взети от [47]. Референтните стойности на параметрите на модела са показани в таблица 1. Представителна диаграма на стоковия поток, показваща как индивидите се движат през отделения, е показана на фигура 1. Интегрирането на уравнения 1–7 се извършва чрез използване на стандартния променлив коефициент с реална стойност обикновен диференциал решаване на уравнения, базирано на LSODE Fortran библиотека ODEPACK++ [48]. Приемаме следните начални условия (т.е. при t=0) за променливите на състоянието: Si(0)=Ni−1000, Ii(0)=1000, докато останалите променливи на състоянието са нулеви. Провеждаме симулацията на епидемията за период от 100 дни, който може да се счита за представителен период за продължителността на сезонните грипни епидемии.

Фиг. 1. Схема на модела. Графична схема, представяща потока от индивиди между отделенията

2.2. Контактна матрица

Нашият модел включва въздействието на моделите на социално смесване (вижте уравнения 1 и 2), използвайки контактните матрици, предоставени от [33], свързани с италианското население. Матриците са цифрово мащабирани според възрастовата структура, разгледана в нашия модел. Както е показано в [33], контактната матрица Mij се изчислява като линейна комбинация от четири контактни матрици, свързани с очакваните модели на смесване в различни физически среди (домакинство, училище, работно място и в общата общност), т.е.

където K са зададените от настройката коефициенти на линейната комбинация [33] и δK показва коригиращите фактори, въведени тук за моделиране на приемането на NPI (вижте раздел 2.4). За целите на нашата работа, тъй като въздействието на НПИ в динамиката на епидемията е специфично за околната среда, ние изчисляваме коефициентите K на линейната комбинация, като анализираме данните, предоставени от [33]. Получените коефициенти са H=0.29, S=0.17, W=0.24 и G=0.3. Тези коефициенти ще бъдат мащабирани според очакваното въздействие на приетия NPI в моделите на смесване, както е описано в раздел. 2.4. Фигура 2 показва контактните матрици, свързани с различните социални настройки, заедно с общата контактна матрица, приета в тази работа.

Таблица 1. Параметри на модела

Фиг. 2. Контактни матрици. Контактни матрици за италианското население в различни социални среди (вижте заглавието над всеки панел). Най-десният панел показва общата контактна матрица, получена като линейна комбинация от специфичните за настройките матрици [33].

2.3. Ваксинация

Времевата еволюция на ефективността на противогрипната ваксинация (�i(t), вижте уравнения 1 и 6) се изчислява чрез анализиране на осреднените стойности на ефективността на ваксината на двата грипни подтипа H3N2 и H1N1, докладвани в [46]. В детайли [46] моделира ефективността на специфичната за грипния подтип ваксина по време след ваксинацията сред всички възрасти и по-специално за индивиди на възраст 65 години и по-големи (вижте пунктираните линии на Фигура 3). Поради оскъдността на данните, предоставени от [46], тествахме различни регресионни модели, за да намерим най-добрата функция за напасване чрез изчисляване на коригирания R-квадрат показател за измерване на добротата на напасване. В резултат на това изчисляваме две фитинг функции на полином от четвърта степен с коригирано R2 ~0.99 (вижте пунктираните линии на Фигура 3), изразено по следния начин:

Като се има предвид възрастовата структура на епидемичния модел, представен в тази статия, ние приемаме същата еволюция на ефективността на ваксината във времето за индивиди на възраст под 65 години.

Фигура 3. Развитие във времето на ефективността на ваксината. Точките показват еволюцията във времето на ефективността на ваксината с течение на времето след ваксинацията сред всички възрасти и за индивиди на възраст 65 години и повече, докладвани в [46]. Прекъснатите линии означават функциите на най-малките квадрати, отговарящи на данните с полиноми от четвърти ред.

2.4. Калибриране на модела и описание на сценарии

Моделът е калибриран спрямо възрастовото разпределение на кумулативния брой случаи на ИПЗ през сезон 2018/19 в Италия, докладвано в Глава 6 от [37] (виж Фигура 1). Процедурата използва калибриране чрез проба и грешка, за да се направи извод за вероятността за предаване ref, I, която възпроизвежда общия брой заразени лица в различните възрастови класове в края на епидемията. Полученият модел по-нататък се нарича референтен модел. Както беше споменато по-горе, нашият анализ има за цел да проучи широк набор от сценарии, за да направи извод за въздействието на мерките за контрол и превенция в развитието на епидемията, като вземе предвид различната тежест на сезонния грип. За да се дефинират потенциалните прояви на грип по отношение на сезонната тежест, ние разглеждаме анализа, извършен от [49], който въз основа на преглед на литературата и становището на група експерти избра шестте най-вероятни сценария които синтезират възможните ефекти от огнище на грип. От шестте сценария, избрани в [49], приемаме, че референтният модел, калибриран за сезонния грип 2018/19, е свързан със сценарий B, показан в [49] (вижте Фигура 2). По отношение на тежестта приемаме, че референтният модел се счита за умерен сезон. Разглеждаме два допълнителни сценария за тежестта на сезона, т.е. лек и тежък сезон, за които се предполага, че са свързани съответно със сценарии A и E в [49]. Тежестта на сезона се моделира чрез промяна на вероятността за предаване i и процента на смъртност μi по отношение на референтните стойности ref, I и μref, I (вижте таблица 1). Като се вземат предвид клиничните атаки и нивата на смъртност на случаите на сценариите, представени в [49], ние приемаме, че мекият сезон се характеризира с половината от вероятността за предаване и същата смъртност по отношение на референтния сценарий, т.е. лек, i=0.5 ref, i и μmild, i=μref, i. Приема се, че тежкият сезон се характеризира с вероятност за предаване от 50% над вероятността на референтния сценарий, докато нивото на смъртност се приема, че е три пъти по-голямо от референтната стойност, т.е. тежко, i=1. 5 ref, i и μsevere, i=3 μref, i. Освен това, нашият анализ изследва набор от сценарии, насочени към изследване на въздействието на социалните ограничения върху смесването на населението чрез съответно мащабиране на матриците за контакт, определени от настройката (вижте раздел 2.2). Тези мерки са описани по следния начин: 1. затваряне на училища: намаляване на контактите в училище с 50%, т.е. δS=0.5, 2. частично блокиране: намаляване на контактите в училище, на работа и в общата общност до 20%, т.е. δS=δW=δG=0.2. Когато не е посочено друго, δK се приемат равни на единични стойности, с K=1,. . .,4. Освен това, ние проучваме два допълнителни сценария, за да направим извод за въздействието на различното ваксинационно покритие (VC) по отношение на референтния случай (ci=готвач, I, наричано по-долу стандартно покритие, вижте Таблица 1), т.е.: 1 , без VC: ci=0 за i=1,. . .,4; 2. подобрен VC: покритие от 40% за лица под 65 години, ci=0.4 за i=1,2,3 и c4=готвач,4 (вижте таблица 1) . И накрая, ние разглеждаме допълнителен сценарий за моделиране на въздействието от приемането на ЛПС и практикуването на хигиена на ръцете, които се очаква да играят решаваща роля за ограничаване на разпространението на болести, предавани по въздуха (напр. [15]). В този контекст [14] наблюдава значително намаление от 75% в процента на ГПЗ поради приемането на ЛПС и практикуването на хигиена на ръцете. Следователно въздействието на тези мерки се моделира чрез намаляване на вероятността за предаване със 75% по отношение на референтния случай, т.е. ЛПС-хигиена, i=0.25 ref, i.

Cistanche ползи - укрепва имунната система

3. Резултати

В този раздел представяме резултатите от динамичните симулации на епидемията за набора от сценарии, описани по-горе (вижте раздел 2.4). Анализът има за цел да направи извод за ефективността на мерките за контрол и превенция за смекчаване на епидемиите. За да характеризираме изхода от разпространението на епидемията при различните сценарии, ще се съсредоточим върху развитието във времето и кумулативния брой на заразените и починалите индивиди по отношение на броя на индивидите в края на епидемиите. Струва си да се помни, че краят на епидемиите се приема за 100-ия ден след началото на епидемията. Ключовото предимство на този подход е да се анализира относителната тенденция на еволюцията на епидемията сред различни сценарии, за да се разбере въздействието на различните НПИ и стратегии за кампания за ваксиниране и да се сравни ефектът от всяка мярка по отношение на намаляването на броя на заразени и починали лица.

3.1. Въздействие на ваксинацията

Фигура 4 показва развитието във времето на общия брой заразени индивиди по отношение на броя на населението за три различни сценария, характеризиращи се с различни VC, като се вземат предвид трите различни тежести на разглеждания сезон (вижте раздел 2.4). Първите дни след избухването на епидемията се характеризират с нарастване на заразените с темп, който нараства с остротата на сезона и намалява с увеличаване на ваксинационния обхват. Времевата еволюция на частта от заразените индивиди достига пикове по различно време и показва различна скорост на намаляване след пика. По-подробно, меките сезони (вижте левия панел на Фигура 4) се характеризират с тясно времево развитие на епидемията, което изчезва след около 20 дни от началото на епидемията, освен в случая без VC, където броят на заразените индивидите изискват по-дълго време за достигане на пика по отношение на другите сценарии. В случай на умерени и тежки сезони (вижте централния и десния панел на Фигура 4), броят на заразените индивиди намалява до нулеви стойности след около 70–80 дни от началото на епидемията. Следователно ваксинацията стриктно засяга цялостното времево развитие на епидемиите, което води до забележително намаляване както на времето на пиково пристигане, така и на броя на заразените индивиди.

Фигура 4. Въздействие на ваксинацията върху развитието на епидемията във времето. Времева еволюция на епидемиите за различна VC и тежест на грипа: (вляво) лек, (в центъра) умерен и (вдясно) тежък сезон. Моля, имайте предвид, че мащабирането на у-оста е различно за всеки панел и легендата е показана в десния панел.

За да оценим общия ефект от ваксинацията, ние изчисляваме кумулативната част от заразените и починалите лица в края на епидемията за всяка възрастова група. Таблица 2 показва частта от заразени и починали индивиди с променяща се VC и тежест на сезона за всяка възрастова група. Чрез осредняване на частта от заразени и починали индивиди за всяка възрастова група за трите сезонни сценария, липсата на ваксинация би довела до увеличаване на частта от заразени (починали) индивиди с фактор ~1,6 (~1,5) за възрастта клас � 14 години, фактор ~2,4 (~2,2) за тези на възраст 15–64 години и фактор ~6,3 (~5,7) сред възрастните хора по отношение на случая на стандартен VC. Подобряването на VC води до намаляване на частта от заразени (починали) индивиди с коефициент ~24,8 (~20.7) за индивиди на възраст под 5 години, коефициент ~35,7 (~36) за тези на възраст 5–14 години, фактор ~23,3 (~22,3) за индивиди на възраст в диапазона 15–64 години и фактор ~1,6 (~1,7) сред възрастните хора по отношение на случая на стандартен VC. Както се очаква, въздействието на стандартната ваксинация е по-силно за възрастни хора (възраст � 65 години), достигайки средно намаление през трите сценария на сезонна тежест от ~88% от заразеното и починало население по отношение на сценария без ваксинация, докато намаляването на заразените и починали лица, които не са в напреднала възраст, достига стойности от ~73% за тези на възраст 15–64 години и от ~55% за бебета и деца. Това се дължи на относително по-големия обхват на ваксинация за възрастните индивиди (вижте Таблица 1). Освен това, подобряването на VC води до по-нататъшно намаляване на частта от заразената и намалена популация сред всички възрастови класове в диапазона между ~92% и ~97% по отношение на случаите без ваксинация. Чрез изчисляване на кумулативната фракция за всички възрастови класове, еволюцията на епидемията в мек сезон със стандартна VC показва сходни резултати сред всички възрастови класове в сравнение с тази с повишено покритие, с кумулативна част от заразените хора от около ~0.{{ 55}}8% и ~0,06% съответно със стандартно и подобрено покритие (вижте розови и сини линии в левия панел на Фигура 4). За умерени сезони стандартното покритие води до намаляване на инфекцията от ~87%, като по този начин намалява кумулативната част от заразените лица от ~67% (в случай на липса на покритие) до ~8,6% по отношение на общото население. Чрез подобряване на покритието, заразената фракция намалява до ~0,72%.

По време на тежки сезони стандартното покритие води до намаляване на инфекцията с ~47%. В детайли, кумулативната част от заразените хора намалява от ~84% (в случай на липса на покритие) до ~44% от общото население, докато повишеното покритие води до допълнително намаление до ~6,4%.

Таблица 2. Въздействие на ваксинацията върху кумулативната част от заразените и починалите лица.

3.2. Въздействие на НПИ

В този раздел сравняваме въздействието от приемането на единични NPI за смекчаване на разпространението на болестта по отношение на ваксинацията в умерени и тежки сезони, като допълнително вземаме предвид комбинирания ефект на NPI и ваксинация. Фигура 5 показва развитието във времето на общата част от заразените индивиди по време на сезон на умерен грип за различни VC и приемане на различни NPI. Чрез сравняване на различното развитие на епидемията, дължащо се на приемането на единичен NPI (линии във всеки панел на Фигура 5), може да се забележи, че пикът на инфекцията се достига в различно време след началото на епидемията и цялостната продължителността на разпространението на болестта се променя при различните сценарии. Стандартният VC води до намаляване на пика на инфекцията до стойност, подобна на пика на инфекцията в случай на липса на покритие с приемането на блокиране и хигиена на ръцете с ЛПС (сравнете сините и светлосините линии в левия панел с червената линия в централния панел на фиг. 5).

Фигура 5. Въздействие на NPI върху времевата еволюция на сезон на умерен грип за различни VC. Развитие във времето на епидемиите по време на умерен сезон, включително ефектите от различни НПИ (редове във всеки панел) и ваксинация с (вляво) без, (в центъра) стандартно и (вдясно) разширено покритие. Моля, имайте предвид, че мащабирането на у-оста е различно за всеки панел и легендата е показана в десния панел

Таблица 3. Въздействие на NPI за различни VC върху кумулативната фракция на заразени и починали лица по време на умерен грипен сезон

Освен това въздействието от подобряването на VC е подобно на ефекта, произведен от стандартната ваксинация и затварянето на училища (сравнете светлочервената линия в централния панел с червената линия в десния панел на Фигура 5). Таблица 3 показва структурираната по възраст фракция на заразени и починали лица с различни NPIs и VC по време на умерен грипен сезон. Фигура 6 показва развитието във времето на общата част от заразените индивиди по време на тежък грипен сезон за различни VC и приемане на различни NPI. По същия начин, в случай на умерен грипен сезон, показан на фигура 6, пикът на инфекцията се достига в различно време след началото на епидемиите и общата продължителност на разпространението на болестта се променя в различните сценарии. В случай на липса на покритие (вижте левия панел на Фигура 6), приемането на ЛПС, хигиената на ръцете и частичното блокиране води до по-голямо намаляване на пика на инфекцията по отношение на този, произведен от стандартния VC (вижте левия и централен панел на Фигура 6), противно на това, което се наблюдава за сезона на умерен грип. Освен това въздействието от подобряването на VC е подобно на ефекта, получен от комбинацията от стандартна ваксинация и приемане на ЛПС и хигиена на ръцете (сравнете светлосинята линия в централния панел с червената линия в десния панел на фиг. 6). Освен това, в случай на липса на и стандартно покритие, фигури 5 и 6 показват, че NPI са полезни за забавяне на пика на епидемията, докато в случай на подобрен VC приемането на NPI не влияе на времето на епидемиите. Таблица 4 показва количеството на общото намаление на разпространението на епидемии с различни NPI и VC за различни възрастови групи по време на тежък грипен сезон

Фигура 6. Въздействие на NPI върху времето на еволюцията на тежък грипен сезон за различни VC. Времева еволюция на епидемиите по време на тежък сезон, включително ефектите от различни НПИ (редове във всеки панел) и ваксинация с (вляво) без, (в центъра) стандартно и (вдясно) разширено покритие. Моля, имайте предвид, че мащабирането на у-оста е различно за всеки панел и легендата е показана в десния панел.

Таблица 4. Въздействие на НПИ за различен обхват на ваксинация по време на тежък грипен сезон

4. Дискусия

Чрез осредняване на резултатите, свързани с трите случая на VC за умерени (тежки) сезони на грип, въздействието на затварянето на училище води до намаляване на дела на заразеното и починалото население с фактор ~2,3 (~1,5) за лица на възраст под 5 години, коефициент ~2,8 (~1,7) за тези на възраст 5–14 години, коефициент ~ 1,7 (~1,4) за лица на възраст в диапазона 15–64 години и всяко намаление сред възрастните хора по отношение на сценария без осиновяване на всякакви НПИ. Освен това частичното блокиране смекчава разпространението на умерени (тежки) сезонни грипни епидемии, като намалява частта на заразените и починалите индивиди с коефициент ~73 (~12) за лица на възраст под 5 години, коефициент ~107 (~23) за тези на възраст 5–14 години, коефициент ~28 (~10) за индивиди на възраст в диапазона 15–64 години и коефициент ~2,3 (~1,7) сред възрастните хора по отношение на сценария без приемане на каквито и да било НПИ.

И накрая, приемането на ЛПС и практикуването на хигиена на ръцете по време на умерен (тежък) грипен сезон води до намаляване на заразените и починалите индивиди с фактор ~1,7 (~1,2) за лица на възраст под 4 години, фактор ~14 (~7) за тези на възраст 5–14 години, коефициент ~13 (~8) за индивиди на възраст в диапазона 15–64 години и коефициент ~3,5 (~2,3) сред възрастните хора по отношение на сценария без осиновяване на всякакви НПИ. Следователно, като се има предвид всяка възрастова група, частичното блокиране е най-ефективната мярка за ограничаване на епидемията, особено за лица на възраст под 64 години. За разлика от това, ЛПС и хигиената на ръцете са най-ефективните НПИ за възрастни хора за всички случаи на сериозност на сезона. Отчитайки общото население, независимо от възрастовите групи, нашите резултати показват, че приемането на ЛПС и практикуването на хигиена на ръцете са най-ефективните НПИ по отношение на намаляването на инфекцията и смъртта по време на сезоните на умерен грип при липса на ваксинация, което води до намаляване на заразените (починали) лица с ~79% (~71%) по отношение на сценария без приемане на NPI и ваксинация. Обратно, затварянето на училища води до намаляване с ~22% (~3,5%) на заразените (починали) случаи.

Въпреки това, както е споменато в разд. 3.1, въздействието на ваксинацията със стандартно покритие води до намаляване с ~87% (~95%) на общата част от заразените (починали) лица по отношение на сценария без ваксинация и NPI. Следователно намаляването на разпространението на болестта е по-голямо в случай, че се постигне стандартно ваксинационно покритие по отношение на сценария, при който ваксинацията не е предприета, и с приемането на NPI, независимо от естеството на NPI. Повишаването на ваксинационния обхват допълнително намалява разпространението на болестта, като ограничава случаите на заразени (починали) лица до ~98% (~97%) по отношение на броя на заразените лица в случаите, когато не са предприети кампании за ваксиниране. Следователно, в случай на умерен грипен сезон, ваксинационните кампании с най-малко стандартно покритие правят приемането на НПИ ненужно. Въпреки това, и в двата случая на тежест на грипа се получава допълнително намаляване на заразените (починали) индивиди до 99% (~100%), когато стандартната ваксинация се комбинира с приемането на NPI, независимо кой вид NPI е приет.

В случай на тежки грипни сезони и липса на ваксинация, ЛПС и практикуването на хигиена на ръцете все още са най-ефективните НПИ по отношение на намаляването на общата част от заразените и починалите лица, подобно на случая на умерен грипен сезон. В подробности, приемането на ЛПС и практикуването на хигиена на ръцете води до намаляване на заразените (починали) лица с ~65% (~41%), докато частичното блокиране води до намаление до ~63% (~21%) относно сценария без приемане на НПИ. Тези резултати потвърждават, че ЛПС и хигиената на ръцете са ценни мерки за намаляване на разпространението на болестта, без да се налага масова намеса като блокиране. Както се споменава в разд. 3.1 стандартно ваксинационно покритие в тежък грипен сезон води до намаляване на заразените (починали) лица с ~47% (~69%), докато засилената ваксинация води до намаляване на заразените (починали) лица с ~92% (~84% ). Ето защо в случай на тежък грипен сезон е необходимо увеличаване на ваксинационния обхват, за да се избегне приемането на НПИ. И накрая, чрез комбиниране на стандартна (подобрена) ваксинация с приемането на NPI, наблюдаваме допълнително намаляване на епидемията в диапазона между ~ 77% (~95%) и ~ 99% (~99%) за заразените лица и в варират между ~ 85% (~90%) и ~100% (~100%) за починали лица, независимо от естеството на приетия NPI.

5. Заключение

Основната цел на този документ е да се опита да отговори на въпроса как приетите в момента стратегии за обществено здраве са ефективни срещу разнообразието от очаквани сценарии на грип през предстоящия сезон 2021/22. Проучването на тези сценарии е необходимо, за да се оцени по-внимателното приемане на НПИ и, евентуално, преразглеждане на приетите в момента кампании за ваксиниране, за да се предотврати разпространението на епидемията чрез прилагане на подходящи кампании за ваксиниране и социални интервенции.

растение цистанче, повишаващо имунната система

За тази цел ние разработихме възрастово структуриран SEIR модел, който включва моделиране на мерките за превенция и контрол, както и ефекта от моделите на социално смесване и еволюцията във времето на ефективността на ваксината в динамиката на епидемията. Представяме задълбочен анализ на случаите за три различни сценария на тежестта на сезонния грип при няколко хипотетични стратегии за намеса на правителството (т.е. ваксинация и НПИ). Въз основа на резултатите от това проучване кампаниите за ваксиниране със стандартно покритие биха оказали забележително въздействие върху разпространението на болестта в случай на умерен грипен сезон, което прави приемането на NPI ненужно. Напротив, НПИ са необходими в случай на тежки сезонни епидемии, когато стандартното ваксинационно покритие не би било достатъчно ефективно в борбата с болестта. В този случай комбинацията от ваксинация със стандартно покритие и NPI би довела до значително ограничаване на заболяването. Нашите резултати обаче показват, че увеличаването на обхвата на ваксинациите би намалило необходимостта от приемане на NPI, като по този начин ограничава икономическите и социалните въздействия, които NPI могат да произведат. Обхващайки всички резултати от епидемията, разгледани в този документ, може да се заключи, че докато изследваните НПИ са ефективни за намаляване на предаванията и смекчаване на тежестта на здравеопазването, ясно е, че ваксинационна кампания с подходящо покритие е единственият начин за ограничаване на епидемията. Този подход страда от някои несигурности, които могат да повлияят на нашия резултат. Първо, моделът предполага население без миграция, раждания или смъртни случаи по причини, различни от епидемията, и предполага имунитет към болестта след възстановяване. Що се отнася до социалното смесване, моделът се основава на специфичните за средата матрици за социално взаимодействие, предоставени от [33], които са свързани с четири социални настройки (вижте раздел 2.2. Приемането на NPI, които ограничават социалното смесване поради ограничения на обществената мобилност (т.е. затваряне на училища и частично блокиране) се моделира чрез подход за премащабиране (вж. Раздел 2.4).

Въпреки това, този подход може да е опростен, тъй като не взема предвид придържането на лицата към такива ограничения. Чрез достъп до данни, свързани с проследяване на контакти за потвърдени случаи и чрез провеждане на широкомащабни обществени проучвания, моделът на социално смесване, приет в този документ, може да бъде подобрен. Освен това моделът не отчита стохастичните фактори, които могат силно да повлияят на динамиката на епидемията в ранните и крайните етапи, когато има малък брой заразени индивиди [23].

Препратки

1. Организация WH. Пандемия от коронавирусна болест (COVID-19). Достъпно от: https://www.who.int/emergencies/diseases/novel-coronavirus-2019.

2. Soo R, Chiew CJ, Ma S, Pung R, Lee V. Decreased Influenza Incidence under COVID-19 Control Measures, Сингапур. Възникващи инфекциозни заболявания. 2020 04;26.

3. Zhang T, Wang Q, Xie Y, Peng Z, Zheng J, Qin Y и др. Въздействие на огнища на COVID-19 и интервенции върху грипа в Китай и Съединените щати. Nature Communications. 2021 05;12.

4. Организация WH. Резюме на FluNet. Световна здравна организация; 2020 г. от: https://www.who.int/tools/flunet/flunet-summary.

5. Организация WH. Глобална стратегия за грипа 2019–2030 г. Световна здравна организация; 2019. Достъпно от https://www.who.int/publications/i/item/9789241515320.

6. Cowling B, Ali S, Ng T, Tsang T, Li J, Fong MW и др. Оценка на въздействието на нефармацевтични интервенции срещу COVID-19 и грип в Хонконг: наблюдателно проучване. Lancet Public Health. 2020 г.; 5:e279–e288.

7. Соломон Д, Шърман А, Канджилал С. Грипът в ерата на COVID-19. ДЖАМА. 2020 08;324.

8. Lee Kyueun, Jalal Hawre, Raviotta Jonathan M, Krauland Mary G, Zimmerman Richard K, Burke Donald S, et al, Estimating the Impact of Low Influenza Activity in 2020 on Population Immunity and Future Influenza Seasons in the United States, Open Forum Инфекциозни болести, том 9, брой 1, януари 2022 г., ofab607, https://doi.org/10.1093/ofid/ofab607 PMID: 35024374

9. Rondy M, el Omeiri N, Thompson M, Levˆeque A, Moren A, Sullivan S. Ефективност на противогрипните ваксини при предотвратяване на тежко грипно заболяване сред възрастни: систематичен преглед и мета-анализ на проучвания с отрицателен дизайн на тестове. Вестник на инфекцията. 2017 09;75.

10. Reina J. Ваксинация срещу грип по време на SARS-CoV-2. Medicina Cl´ınica (английско издание). 2020 12;156.

11. Goldman RD и др.; Международна група за проучване на родителското отношение към COVID-19 (COVIPAS). Желание за ваксиниране на деца срещу грип след пандемията от коронавирус 2019 г. J Pediatr. януари 2021 г.; 228:87–93.e2. https://doi.org/10.1016/j.jpeds.2020.08.005 Epub 2020, 7 август. PMID: 32771480; PMCID: PMC7410815.

12. Bertoni L, Roncadori A, Gentili N, Danesi V, Massa I, Nanni O, et al. Как пандемията от COVID-19 промени нагласите за ваксиниране срещу грип сред здравен работник в италиански онкологичен център? Hum Vaccin Immunother. 2021 октомври, стр. 1–6.

13. Di Pumpo M, Vetrugno G, Pascucci D, Carini E, Beccia V, Sguera A, et al. COVID-19 истински ли е стимул за ваксиниране срещу грип? Нека числата говорят сами за себе си. Ваксини. 2021 г.; 9(3). Достъпно от: https://www.mdpi.com/2076-393X/9/3/276.

14. Aiello AE, Perez V, Coulborn RM, Davis BM, Uddin M, Monto AS. Маски за лице, хигиена на ръцете и грип сред млади възрастни: рандомизирано интервенционно проучване. PLoS One. януари 2012 г.; 7(1):e29744. https:// doi.org/10.1371/journal.pone.0029744 PMID: 22295066

15. Howard J, Huang A, Li Z, Tufekci Z, Zdimal V, van der Westhuizen HM, et al. Преглед на доказателства за маски за лице срещу COVID-19. Сборник на Националната академия на науките. 2021 г.; 118 (4). Достъпно от: https://www.pnas.org/content/118/4/e2014564118. https://doi.org/10.1073/pnas. 2014564118 PMID: 33431650

16. Nakhaeizadeh M, Eybpoosh S, Jahani Y, Ahmadi Gohari M, Haghdoost AA, White L, et al. Въздействие на нефармацевтичните интервенции върху контрола на COVID-19 в Иран: Проучване с математическо моделиране. Мениджър на Int J Health Policy. Юни 2021 г. https://doi.org/10.34172/ijhpm.2021.48 PMID: 34273920

17. План за готовност при пандемичен грип. Световна здравна организация; 2015–03. Достъпно от https://apps.who.int/iris/handle/10665/44123.

18. Глобален план на СЗО за готовност за грип: ролята на СЗО и препоръки за национални мерки преди и по време на пандемии. Световна здравна организация; 2005. Достъпно от https://apps. СЗО. int/iris/handle/10665/68998.

19. Egger M, Johnson L, Althaus C, Sch¨oni A, Salanti G, Low N, et al. Разработване на насоки на СЗО: Време е официално да се включат доказателства от проучвания за математическо моделиране. F1000 Изследвания. 2017 08; 6:1584. https://doi.org/10.12688/f1000research.12367.2 PMID: 29552335

20. Panovska-Griffiths J, Kerr C, Waites W, Stuart R. В Математическото моделиране като инструмент за вземане на политически решения: Приложения към пандемията COVID-19; 2021 г.

21. Huang CY, Sun CT, Hsieh Jl, Lin H. Симулиране на SARS: епидемиологично моделиране в малкия свят и оценки на политиките за обществено здраве. Вестник за изкуствени общества и социална симулация. 2004 10;7.

22. Jiang S, Wang K, Li C, Hong G, Zhang X, Menglin Shan и др. Математически модели за разработване на оптимална ерадикация на вируса на ебола. Вестник по транслационна медицина. 2017 06;15.

23. Rizzo C, Lunelli A, Pugliese A, Bella A, Manfredi P, Tomba G, et al. Сценарии за разпространение и контрол на грипна пандемия в Италия. Епидемиология и инфекция. 2008 03; 136:1650-7. https://doi.org/10. 1017/S095026880800037X PMID: 18272019

24. Vargas-De-Le´on C. Моделиране на стратегии за контрол на епидемии от грип A H1N1: SIR модели. Revista Mexicana de F´ısica S. 2012 01; 58:37–43.

25. Tang B, Wang X, Li Q, Bragazzi N, Tang S, Xiao Y, et al. Оценка на риска от предаване на 2019-nCov и отражението му върху интервенциите за обществено здраве. Вестник по клинична медицина. 2020 01. https://doi.org/10.3390/jcm9020462 PMID: 32046137

26. Tang B, Bragazzi N, Li Q, Tang S, Xiao Y, Wu J. Актуализирана оценка на риска от предаване на новия коронавирус (2019-nCov). Моделиране на инфекциозни болести. 2020 02;5.

27. Yang H, Lombardi Junior L, Castro F, Yang A. Математическо моделиране на предаването на SARS CoV-2-Оценка на въздействието на изолацията в щата Сао Пауло (Бразилия) и блокирането в Испания, свързано със защитни мерки относно епидемията от CoViD-19. ПЛОС ЕДНО. 2021 06; 16:e0252271.

28. Esposito D, Dipierro G, Sonnessa A, Santoro S, Pascazio S, Pluchinotta I. Стратегии за епидемично разузнаване, управлявани от данни, базирани на цифрови технологии за проследяване на близостта в борбата срещу COVID-19 в градовете. Устойчивост. 2021 01; 13:644.

29. Foppa I. В: Kermack WO и McKendrick AG: Основен принос към математическата теория на епидемиите (1927); 2017. стр. 59–87.

30. Kermack WO, McKendrick AG. Приноси към математическата теория на епидемиите-II. проблемът с ендемичността. Бюлетин по математическа биология. 1991 г.; 53 (1): 57–87. Достъпен от: https://www. sciencedirect.com/science/article/pii/S0092824005800412.

31. Kerr CC, Stuart RM, Mistry D, Abeysuriya RG, Rosenfeld K, Hart GR, et al. Covasim: Базиран на агент модел на динамика и интервенции на COVID-19. PLOS изчислителна биология. 2021 07; 17(7):1–32. Достъпно от: https://doi.org/10.1371/journal.pcbi.1009149 PMID: 34310589

32. Omar OAM, Alnafisah Y, Elbarkouky RA, Ahmed HM. Детерминистично и стохастично моделиране на COVID-19 с оптимизирани ежедневни ваксинации в Саудитска Арабия. Резултати Phys. Септември 2021 г.; 28:104629. https://doi.org/ 10.1016/j.rinp.2021.104629 Epub 2021, 2 август. PMID: 34367890; PMCID: PMC8327613.

33. Fumanelli L, Ajelli M, Manfredi P, Vespignani A, Merler S. Извеждане на структурата на социалните контакти от демографски данни при анализа на разпространението на инфекциозни болести. PLoS изчислителна биология. 2012 09; 8:e1002673. https://doi.org/10.1371/journal.pcbi.1002673 PMID: 23028275

34. Prem K, Zandvoort Kv, Klepac P, Eggo RM, Davies NG, за математическото моделиране на инфекциозни болести COVID-19 Working Group C, et al. Проектиране на матрици за контакти в 177 географски региона: Актуализация и сравнение с емпирични данни за ерата на COVID-19. PLOS изчислителна биология. 2021 07; 17(7):1–19. Достъпно от: https://doi.org/10.1371/journal.pcbi.1009098 PMID: 34310590

35. Местно население по възраст, пол и семейно положение към 01.01.2019 г.; Достъпно от: https://demo. истат. то/.

36. Вируси на грип тип А.; 2017. Достъпно от: https://www.cdc.gov/flu/avianflu/influenza-a-virussubtypes.htm.

37. Calabr'o G, et al. Оценка на оценката на здравните технологии (HTA) за четиривалентна антигрипна ваксина: Fluad Tetra; 2021. Достъпно от: https://www.ijph.it/hta-vaccino-antinfluenzalequadrivalente-adiuvato-fluad-tetra.

38. Flahault A, Letrait S, Blin P, Hazout S, M´enar´es J, Valleron AJ. Моделиране на грипната епидемия от 1985 г. във Франция. Статистика в медицината. 1988 11; 7:1147–55. https://doi.org/10.1002/sim.4780071107 PMID: 3201040

39. Longini I, Nizam A, Xu S, Ungchusak K, Hanshaoworakul W, Cummings D, et al. Съдържащи пандемичния грип в източника. Наука (Ню Йорк, Ню Йорк). 2005 09; 309:1083–7. https://doi.org/10.1126/ science.1115717 PMID: 16079251

40. Ferguson N, Cummings D, Cauchemez S, Fraser C, Riley S, Meeyai A, et al. Стратегии за ограничаване на възникваща грипна пандемия в Югоизточна Азия. Природата. 2005 10; 437: 209-14. https://doi.org/10. 1038/nature04017 PMID: 16079797

41. Meier CR, Napalkov PN, Wegmu¨ller Y, Jefferson T, Jick H. Проучване на базата на населението на честотата, рисковите фактори, клиничните усложнения и употребата на лекарства, свързани с грипа в Обединеното кралство. Eur J Clin Microbiol Infect Dis. 2000 ноември; 19 (11): 834–842.

42. Sessa A, Costa B, Bamfi F, Bettoncelli G, D'Ambrosio G. Честотата, естествената история и свързаните с тях резултати от грипоподобно заболяване и клиничен грип в Италия. Fam Pract. 2001 декември; 18 (6): 629–634.

43. Esposito S, Cantarutti L, Molteni C, Daleno C, Scala A, Tagliabue C, et al. Клинични прояви и социално-икономическо въздействие на грипа сред здрави деца в общността. Журналът на инфекцията. 2011 03; 62: 379-87. https://doi.org/10.1016/j.jinf.2011.02.015 PMID: 21414357

44. Perrotta D, Bella A, Rizzo C, Paolotti D. Онлайн наблюдение с участие като допълнителен инструмент към сентинелните лекари за наблюдение на грипоподобни заболявания в Италия. ПЛОС ЕДНО. 2017 01; 12:e0169801. https://doi.org/10.1371/journal.pone.0169801 PMID: 28076411

45. Териториална информационна система за здраве и благосъстояние. Достъпно от: https://www.istat.it/it/archivio/ 14562.

46. ​​Kissling E, Nunes B, Robertson C, Valenciano M, Reuss A, Larrauri A, et al. I-MOVE многоцентрово проучване за контрол на случаите от 2010/11 до 2014/15: Има ли в рамките на сезона отслабване на ефективността на тип/подтип ваксина срещу грип с увеличаване на времето след ваксинацията? Евро наблюдение. 2016 април; 21 (16).

47. Rosano A, Bella A, Gesualdo F, Acampora A, Pezzotti P, Marchetti S, et al. Проучване на въздействието на грипа върху повишената смъртност във всички възрасти в Италия през последните сезони (2013/14-2016/17 сезони). Int J Infect Dis. 2019 ноември; 88: 127-134. https://doi.org/10.1016/j.ijid.2019.08.003 PMID: 31401203

48. Алън Б, Лефанци С, Рей Дж. ODEPACK++: рефакторинг на библиотеката LSODE Fortran за използване в софтуерната архитектура на високоефективни компоненти на CCA; 2004. стр. 109–119.

49. Napoli C, Fabiani M, Rizzo C, Barral M, Oxford J, Cohen J, et al. Оценка на сценариите на пандемия от грип при хората в Европа. Евро наблюдение. 2015 февруари; 20(7):29–38. https://doi.org/10.2807/1560-7917. es2015.20.7.21038 PMID: 25719965