Corona Vírus ( -nCoV ) Atualizando dados da Universidade Johns Hopkins | TVFORENSE.com Televisão via Internet

SAÚDE PÚBLICA Atualização 31 de janeiro: Modelando o risco de expansão de 2019-nCoV   Por Lauren Gardner,  31 de janeiro de 2020   Colaboradores Este trabalho está sendo liderado por Lauren Gardner na Universidade Johns Hopkins  CSSE , em colaboração ...

corona, vírus, pandemia, epidemia, contágio, mortes

Corona Vírus ( -nCoV ) Atualizando dados da Universidade Johns Hopkins

Publicado por: admin
04/02/2020 09:36:51
Divulgação
Divulgação

SAÚDE PÚBLICA

Atualização 31 de janeiro: Modelando o risco de expansão de 2019-nCoV

 

Por Lauren Gardner,  31 de janeiro de 2020

 

Colaboradores

Este trabalho está sendo liderado por Lauren Gardner na Universidade Johns Hopkins  CSSE , em colaboração com Aleksa Zlojutro e David Rey no  rCITI  na UNSW Sydney, e Ensheng Dong na JHU  CSSE . Na JHU, desenvolvemos anteriormente um painel interativo que mapeia o surto em tempo real e escrevemos um  blog.

 

Implementação do modelo

Este trabalho se baseia em nossa análise anterior, publicada em 26 de janeiro. Implementamos um modelo publicado anteriormente que integra a dinâmica e o controle de surtos em uma ferramenta de apoio à decisão para mitigar pandemias de doenças infecciosas no início de um surto através do controle de fronteiras para avaliar o 2019 epidemia de -nCoV. Uma ferramenta de simulação de epidemia de metapopulação estocástica é usada para simular a dinâmica global de surtos, e o mecanismo de controle de fronteira considerado é a triagem de passageiros na chegada aos aeroportos (triagem de entrada), usada para identificar indivíduos infectados ou em risco. Uma descrição detalhada do modelo é fornecida no final desta seção.

 

Nosso modelo de metapopulação é baseado em uma rede global de populações locais, no nível da cidade, conectadas por arestas representando viagens aéreas de passageiros entre cidades. Em cada nó da rede, modelamos localmente a dinâmica de surtos usando um modelo compartimental de tempo discreto Susceptible Exposed-Infected-Recovered (SEIR). Os volumes mensais de viagens de passageiros da IATA para todas as rotas de conexão de pares de aeroportos (incluindo escalas) são usados ​​para construir as arestas ponderadas. Os parâmetros SEIR são definidos com base em um período de incubação de 5 dias, que se alinha com um período estimado de 5,2 dias em uma publicação recente da NEJM . A taxa de contato efetiva em nosso modelo corresponde a um número reprodutivo 2, que se alinha com uma estimativa do Imperial CollegeLondres, relatando um intervalo entre 1,5 e 3,5, e a recente publicação da NEJM , que estimou um R0 médio de 2,2. Definimos o período de recuperação para cinco dias. Assumimos que os casos iniciais de 2019-nCoV estejam presentes apenas em Wuhan e que nenhum controle de fronteira seja contabilizado. Os resultados do modelo apresentados são baseados em uma média de 250 execuções.

 

Resultados

Os resultados apresentados nesta análise baseiam-se no total de 100 casos de 2019-nCoV relatados fora da China continental em 29 de janeiro. Especificamente, estimamos o número esperado de casos na China continental no final de janeiro, bem como a distribuição global dos viajantes infectados.  

 

Acreditamos que o número real de casos de 2019-nCoV na China continental provavelmente seja muito maior do que o relatado até o momento. Especificamente, estimamos que existam cerca de 58.000 casos cumulativos de 2019-nCoV na China continental até o final de janeiro (em 31 de janeiro, os casos relatados são próximos a 12.000). Essa estimativa está de acordo com nossa análise anterior em 25 de janeiro, que estimou a proporção de casos relatados para os estimados em cerca de 10%. É provável que parte dessa discrepância se deva a atrasos nos relatórios. No entanto, o número substancialmente maior de casos estimados sugere que a maioria dos casos pode ser leve (ou assintomática), não requer assistência médica e, portanto, não é relatada. Além disso, com base nessa análise, acreditamos que o surto começou em novembro, e já havia centenas de casos humanos de 2019-nCoV em Wuhan no início de dezembro. Os versos estimados confirmados em janeiro são apresentados na Figura 1.

 

 
Figura 1. Casos estimados vs. relatados de casos de 2019-nCoV globalmente.

 

Além de inferir o tamanho atual do surto, o modelo fornece o número esperado de (os 100) casos importados que chegam a cada aeroporto globalmente (com base nos destinos finais de viagem dos viajantes). Ao agregar isso em todos os aeroportos de um país / região, podemos estimar o número total de casos importados em cada país / região. O risco de importação no nível do país é ilustrado no mapa da Figura 2, com as tonalidades mais escuras equivalendo a um risco de importação mais alto e o contorno vermelho indicando o conjunto de países que relatam casos em 31 de janeiro. 

Figura 2. Mapa de calor dos países / regiões com maior risco de casos importados de 2019-nCoV, 31 de janeiro

 

A Figura 3 abaixo mostra como o número estimado de casos importados que chegam em cada país / região em comparação com o número real de casos relatados de 2019-nCoV em cada país. Os resultados da simulação estão alinhados com o número de casos relatados de viagens aéreas fora da China continental durante o estágio emergente da epidemia. Em 31 de janeiro, 24 países, excluindo a China continental, relataram pelo menos um caso relacionado a viagens, com a lista de países afetados consistente com nosso ranking. Alguns dos casos relatados (representados pelas barras laranja) foram adquiridos localmente em seus respectivos países / regiões (por exemplo, EUA, Alemanha, Japão, Vietnã), o que explica parcialmente a discrepância com nossas estimativas de risco relacionadas a viagens.

 

Figura 3. Lista de países / regiões com número estimado de casos importados vs. número relatado de casos de 2019-nCoV (em 31 de janeiro)  

 

Apresentamos ainda os resultados no nível do aeroporto (com base no destino final da viagem), para identificar o conjunto de cidades fora da China continental com maior risco de surto. A Figura 4 ilustra o conjunto de cidades nos EUA com maior risco de 2019-nCoV com base no número esperado de viajantes infectados que chegam nos aeroportos da cidade, e os contornos vermelhos destacam os estados que já relataram casos. O conjunto de aeroportos em risco fora da China continental é ilustrado nas Figuras 5, com o risco primário representado no sudeste da Ásia. Apenas um subconjunto de aeroportos dos EUA está listado entre os 100 melhores do mundo. Esses resultados são consistentes com nossa análise anterior em 25 de janeiro. Embora muitas dessas cidades já tenham relatado casos, elas devem estar preparadas para casos adicionais a serem relatados nos próximos dias,

Figura 4. Mapa das cidades dos EUA de maior risco com base na probabilidade de viajantes que chegam de 2019-nCoV

 

Figura 5. Mapa dos aeroportos com maior risco de viajantes que chegam de 2019-nCoV fora da China continental.

 

Limitações

Existem várias suposições e limitações de modelagem que devem ser observadas em relação a essas estimativas.

 

Ainda há incerteza sobre a transmissão de 2019-nCoV. Os parâmetros para o número reprodutivo e o período de incubação escolhidos para esta análise estão alinhados com as melhores estimativas até o momento. Há menos conhecimento sobre a duração do período de recuperação, que pode ser maior que os cinco dias especificados nesta análise. Mais dados nos ajudarão a ajustar nossas estimativas.

 

A transmissão da infecção de indivíduos assintomáticos durante o período de incubação, como foi confirmado recentemente , não é considerada nesta análise. Portanto, é provável que o número de casos notificados fora da China aumente nos próximos dias, especialmente nas cidades identificadas como de maior risco nesta análise. 


O modelo é responsável apenas pelas viagens aéreas de passageiros e exclui a mobilidade dentro e entre as cidades por outros modos de transporte. Portanto, o risco de disseminação entre regiões conectadas por modos alternativos de viagem é subestimado. Isso é mais aplicável à disseminação na China, o que estamos subestimando.


Os parâmetros SEIR usados ​​para modelar o surto dentro de cada cidade são determinísticos. No entanto, a propagação de viajantes infectados que se deslocam entre cidades é modelada estocamente.


A triagem de passageiros de chegada nos aeroportos e a proibição total de viagens aéreas implementada em Wuhan em 23 de janeiro não são contabilizadas nesta análise. Portanto, provavelmente estamos superestimando o número de casos exportados de Wuhan durante os últimos dias de nossa simulação. No entanto, é improvável que isso tenha impacto na classificação relativa dos destinos.


Nenhum mecanismo de controle local (profilaxia, vacinas, fechamento de escolas, esforços de quarentena) nas cidades é contabilizado. Assim, presume-se que o R0 seja constante ao longo do tempo e em todos os locais. É provável que R0 seja altamente variável entre os locais e menor do que era no início do surto, devido a mudanças no comportamento do indivíduo. Além disso, algumas estimativas de R0 mais altas, com base nos estágios iniciais do surto, provavelmente superestimarão neste momento. Por esse mesmo motivo, podemos estar superestimando o crescimento do surto na última semana e, portanto, superestimando o total de casos.


Estamos usando os dados de viagens de 2015, porque esses são os dados completos mais recentes (aeroporto a aeroporto) que tínhamos disponíveis no laboratório. 

 

Referências:

Zlojutro, A, Rey, D e L Gardner *. (2019) “Otimizando políticas de controle de fronteiras para mitigação global de surtos”. Relatórios Científicos 9: 2216. DOI https://doi.org/10.1038/s41598-019-38665-w (link de código aberto) https://rdcu.be/bniOs

 

Fonte: Universidade Johns Hopkins

Imagens de notícias

Tags:

Compartilhar

A Carne é Fraca