Informace

Očekávaný počet kousnutí komára (za noc)?


Představte si, že spíte sami ve své ložnici a v místnosti je (ženský) komár, který se chce živit vaší krví. Četl jsem zde, komár se vás bude snažit stále kousat a krmit, dokud nebude mít plné břicho.

Otázka: Jaký je předpokládaný počet případů, kdy vás komár kousne, pokud se mu aktivně nevyhnete? (Například v případě, že jste spali). Domnívám se však, že se to může lišit u druhů komárů.

Zejména přemýšlím o strategiích, jejichž cílem je minimalizovat počet kousnutí komárů: bylo by možné nechat komára jednou kousnout a sát krev, dokud se plně nenakrmí?


Kolikrát může komár kousnout?

Při vaší snaze zbavit se komárů je důležité se o nich dozvědět co nejvíce, abyste vytvořili cílený plán, jak se jich zbavit. Jednou z otázek, kterými si mnoho lidí není jistých, je, kolikrát může komár kousnout.

Typicky jsou to ženské komáři, kteří kousnou, aby dostali krevní jídlo, a to se provádí v časných nočních hodinách. Kolikrát mohou kousnout, závisí na tom, zda jsou přerušeni nebo ne. Pokud si plně vezmou krevní jídlo, je pravděpodobné, že další jídlo nebudou potřebovat. Poté dva až tři dny odpočinou, snesou vajíčka a poté celý proces zahájí znovu.

Pokud je komár při užívání krevního jídla přerušen, pravděpodobně se přesune k jiné osobě, aby kousla, nebo se jednoduše vrátí ke stejné osobě, kterou předtím kousl. Bude to dělat, dokud nebude mít břicho plné krve. V tomto stavu je obvykle velmi snadné objevit komára s roztaženým břichem, které má červenou barvu.

Skutečnost, že komáři mohou kousat více než jednou, znamená, že pokud jsou infikováni parazity, jako je malárie, jeden komár má potenciál infikovat více než jednu osobu, pokud se neustále přeruší při získávání krevního pokrmu. O to větší je důvod, proč byste měli vynaložit velké úsilí na to, abyste se ujistili, že jsou řádně ovládány.


Předpovídání rizika nemocí přenášených komáry v proměnlivých prostředích

Malárie zůstává jednou z největších hrozeb pro globální zdraví a nakazí více lidí než kdykoli předtím. Malárie, která se omezuje hlavně na tropické oblasti Afriky, Asie a Střední Ameriky, zasahuje Afriku nejvíce, přičemž chudoby zasažené země subsaharské Afriky představují 90% celosvětových infekcí malárií. Navzdory pokračujícímu úsilí bojovat s nemocí — kontrolou populace komárů, omezením kontaktu s lidmi a rozvojem prevence a léčby drog#krize se stále zhoršuje.

Primárními proměnnými ovlivňujícími riziko infekce jsou míra kousnutí lidí a podíl infekčních komárů. Tyto dva faktory jsou často považovány za pozitivně korelované, což znamená, že pokud se procento infekčních komárů zvýší, zvýší se i rychlost kousání člověka. Ale v nové studii David Smith, Jonathan Dushoff a F. Ellis McKenzie tento předpoklad zpochybňují. Pomocí přístupu matematického modelování ke zkoumání relativních příspěvků těchto dvou faktorů v různých zemích a ročních obdobích autoři ukazují, že tyto faktory nejsou v pozitivní korelaci. Jejich výpočty ve skutečnosti ukazují, že míra pokousání lidí a podíl infekčních komárů vrcholí v různých časech a na různých místech.

Jejich výsledky modelování naznačují, že standardní metrika pro odhad rizika infekce — počet případů, kdy infekční komár uštkne osobu za den, nazývaná entomologická míra očkování (EIR) —, je při zohlednění proměnlivých podmínek chybná. Použití průměrného EIR k odhadu průměrného rizika infekce v proměnných prostředích generuje zkreslené odhady, protože neexistuje přímá korelace mezi EIR a podílem nakažených lidí.

Distribuce lidí a vhodné stanoviště pro larvy komárů se v celé krajině liší. A hustota populací komárů se sezónně mění, stoupá a klesá se změnami srážek, teploty a vlhkosti. Časové a prostorové rozdíly v populacích komárů ovlivňují míru uštknutí lidmi, počet infekčních komárů a riziko infekce. Aby pochopili, jak tyto prostorově a časově vyvolané variace populací komárů formují epidemiologii lidské infekce, vyvinuli Smith a kolegové soubor matematických modelů, které vypočítávají relativní dopad různých parametrů, aby určili, které faktory kde a kdy nejvíce ovlivňují riziko infekce je nejvyšší.

Nejprve vyhodnotili, jaké faktory ovlivňují primární složky EIR: rychlost kousání u lidí a podíl infekčních komárů. Podle očekávání model předpovídá, že kolísání hustoty komárů ovlivní EIR změnou rychlosti kousání člověka. Čím více lidí je pokousáno, tím více lidí se následně nakazí, více komárů se živí infikovanými lidmi, a tak se stávají infekčními. Pouze dospělí komáři přenášejí infekci, takže jak populace komárů stárne, podíl infekčních komárů se zvyšuje. V období sucha se rodí málo komárů, a proto zatímco lidská rychlost kousání a EIR klesají, podíl infekčních komárů se zvyšuje.

Protože populace komárů jsou nejhustší v blízkosti chovných lokalit — kde mladší komáři převyšují počet dospělých —, míra kousnutí člověka a počet kousnutí infekčními komáry na osobu za den odráží posuny v hustotě komárů, nikoli v poměru infekčních komárů. Model předpovídá, že rychlost kousání člověka je nejvyšší krátce poté, co vrcholy hustoty populace komárů, typicky buď v blízkosti chovných míst, nebo tam, kde je hustota lidí nejvyšší. Podíl infekčních komárů na druhé straně odráží věk populace komárů: vrcholí tam, kde se nacházejí starší komáři — dále od míst rozmnožování — a když populace klesá.

Podle Smitha a kolegů mapováním stanovišť larev proti místnímu riziku infekcí přenášených komáry lze vyvinout epidemiologické modely pro předpovídání rizika pro místní populace. Jejich výsledky poukazují na to, že matematické modely mohou úředníkům veřejného zdravotnictví pomoci vypočítat riziko infekčních chorob v heterogenních prostředích, tj. Když jsou dobře charakterizovány vektorová ekologie a parametry přenosu, podmínky reálného světa —. Jakýkoli plán prevence a kontroly šíření infekcí způsobených komáry by zjevně prospěl, kdyby byla věnována pozornost demografii a chování komárů.


Vajíčka proti komárům

V závislosti na konkrétním druhu samice komára snáší vajíčka jednotlivě nebo v připojených skupinách nazývaných vory. Vejce jsou umístěna buď přímo na povrch stojaté vody, podél jeho okrajů, do stromových děr nebo do jiných oblastí, které jsou náchylné k záplavám způsobeným deštěm, zavlažováním nebo záplavami. U některých druhů se vajíčka mohou líhnout během několika dnů po snesení, přičemž přesný čas závisí na teplotě. Pokud je však vajíčko vyloženo z vody a podléhá občasným záplavám, může embryo několik let spát, dokud nejsou splněny ideální podmínky přirozeného líhnutí. Komáři často přezimují ve stadiu vajíčka, ale některé druhy mohou přezimovat také jako larvy nebo dospělí.


Abstraktní

Sítě ošetřené insekticidy jsou v popředí programů kontroly malárie a přestože se procento domácností v subsaharské Africe, které vlastnily sítě, zvýšilo ze 3% v roce 2000 na 53% v roce 2012, mnoho dětí na malárii nadále umírá. Potenciální dopad ITN na snížení přenosu malárie je omezený v důsledku nekonzistentního nebo nevhodného používání, jakož i fyzického rozpadu účinnosti. Většina matematických modelů pro přenos malárie předpokládala pevnou míru účinnosti pro síťové postele, což může přeceňovat dopad sítí na kontrolu malárie. Vyvíjíme model šíření malárie, který zachycuje pokles účinnosti ITN v důsledku fyzického a chemického rozpadu a také lidského chování jako funkce času. Provádíme analýzy nejistoty a citlivosti, abychom identifikovali a seřadili parametry, které hrají zásadní roli v přenosu malárie. Tyto analýzy ukazují, že základní reprodukční číslo R.0, a infekční lidská populace je nejcitlivější na pokrytí sítě postelí a na rychlost kousání komárů. Naše výsledky ukazují existenci zpětné bifurkace pro případ, kdy je účinnost ITN v čase konstantní, což se vyskytuje u určitého rozsahu parametrů a je charakterizováno vysokou úmrtností na malárii u lidí. Tento výsledek znamená, že přináší R.0 méně než jedna nestačí k eliminaci malárie, ale ke zvládnutí této choroby bude nutné vyvinout další úsilí. V případě, kdy se účinnost ITN v průběhu času snižuje, určujeme úrovně pokrytí potřebné ke kontrole malárie pro různé účinnosti ITN a demonstrujeme, že ITN s delší životností dosahují lepší účinnosti při kontrole malárie. Dospěli jsme k závěru, že programy kontroly malárie by se měly zaměřit na zvýšení pokrytí sítí typu bed-net, čehož lze dosáhnout zlepšením vzdělávání o malárii a zvýšením distribuce této sítě v endemických oblastech malárie.


Výsledek

Dynamika epidemie

Ve srovnání se základním modelem, naivní na před-symptomatickou infekčnost a změnou pohyblivosti způsobenou nemocí, model zahrnující oba parametry předpovídal zvýšení pravděpodobnosti výskytu ohniska DENV o 37% (z 39,5% na 76,0%) (tabulka 3) . Ve srovnání se základním modelem zvýšily pravděpodobnost vypuknutí onemocnění pouze modely zahrnující změnu mobility způsobenou nemocí nebo předběžnou symptomatickou infekčnost (tabulka 3). V simulacích, kde k vypuknutí nákazy nedošlo, se infekce rozšířila pouze na několik lidí (<1% populace), než přenos viru přestal. U simulací vedoucích k epidemiím mělo zahrnutí pre-symptomatické infekčnosti minimální vliv na parametry, jako je čas do dosažení vrcholu infekce, délka epidemie nebo kolik jedinců bylo infikováno (tabulka 3). Přidání symptomatické redukce mobility k základnímu scénáři mělo malý vliv na to, kdy epidemie dosáhla vrcholu nebo jak dlouho trvala, došlo však k 5,2% snížení špičkového přenosu (tabulka 3). Toto snížení bylo kompenzováno účtováním infekčnosti v pre-symptomatickém období (obr. 2).

Pro každý scénář a pro každý časový krok se vypočítá (hlavní) průměrný podíl infikovaných hostitelů a (vložený) průměrný podíl kumulativních infekcí. Průměry se vypočítávají ze všech simulačních běhů, kde došlo k vypuknutí, se standardními odchylkami zahrnutými ve stínovaných stužkách. Výchozí scénář je scénář bez změny mobility a bez před symptomatického období.

Další přenos

Na úrovni populace distribuce dalšího přenosu (R.) hodnoty mírně vzrostly, když byla do modelu bez nich přidána snížení mobility způsobená nemocí (z průměrné ± SD 5,4 ± 5,1 až 5,9 ± 4,8 infekce) (tabulka 4 a obrázek S3). Na individuální úrovni vedly modely zahrnující změnu mobility ke snížení významu přenosu z domova mimo domov symptomatickými jedinci (snížení R. u primárních a sekundárních kousnutí -62%, respektive -17%) na úkor zvýšení relevance jejich domova (zvýšení R. pro primární a sekundární kousnutí 40%, respektive 32%) (tabulka 4 a obr. 3). Zatímco domácí prostředí hrálo klíčovou roli v primárních infekcích (obr. 3A), většina sekundárních infekčních kousnutí přispívajících k přenosu se objevila v jiných domech (obr. 3B).

(A) poskytuje další přenos primárních kousnutí vyskytujících se doma (červená) a v jiných domech (modrá), a to bez (vlevo) i (vpravo) včetně změny pohybu. [zleva doprava: R.norma(Domov), R.norma(jiné domy), R.hnutí(Domov), a R.hnutí(jiné domy)] (B) poskytuje další přenos sekundárních kousnutí v domě primárně infikovaného jedince (červený) a v jiných domech (modrý).

GAMy přizpůsobené odhadům jednotlivých úrovní R.hnutí umožnilo porozumět mechanismu, kterým změna mobility ovlivňuje další přenos. U jednosměrných GAM skóre vhodnosti kousání (které odpovídá atraktivitě kousání, vyhýbavému chování a obrannému chování) a počet komárů doma před expozicí vysvětlilo 32,3% respektive 27,7% odchylky, zatímco procento kousnutí očekávané doma před expozice vysvětlila pouze 9,3% odchylky (tabulka S5). Zvýšení dalšího přenosu bylo nejlépe vysvětleno pomocí GAM zahrnující vhodnost kousání jednotlivce a počet komárů v jejich domě a jejich interakci (tabulka S5 a obrázek S4). Zvýšení skóre vhodnosti pro bitování z 0 na 1 pouze zvýšilo předpověď R.hnutí o 5 nových infekcí, když byl doma nízký počet komárů (např. 1–3 komáři), ve srovnání se zvýšením o 30 nových infekcí u osob s vysokou hustotou komárů (např. 40–50 komárů) doma (obr. 4) . V univariačních GAM pro dva hlavní parametry, včetně změny mobility (R.hnutí) dramaticky vzrostla vysvětlená % odchylka ve srovnání s modely, které ji vylučují (R.norma) (od 13,6% do 27,7% pro počet komárů doma a od 37,7% do 67,1% pro skóre vhodnosti pro kousání) (tabulky S4 a S5). Zahrnutím proměnné pro celkový počet komárů ve všech domech jednotlivá navštívená předexpozice (jejich prostor aktivity) nezlepšila vhodnost GAM (tabulka S4).

Predikované hodnoty dalšího přenosu založené na vhodnosti kousání a počtu komárů doma před expozicí, prezentované jako tepelná mapa s vrstevnicemi.

Změny mobility způsobené nemocemi mohou buď zvýšit, nebo snížit příspěvek jednotlivce k dalšímu přenosu. GAM byly přizpůsobeny procentní změně dalšího přenosu vyplývající ze všech kousnutí komáry (R.rel_change) a pouze z kousnutí doma (R.rel_change(Domov)). Pro obě metriky nejlepší GAM zahrnoval vhodnost kousání, procento kousnutí doma, jejich nelineární interakci a počet komárů doma (tabulka S6). Pro R.rel_change došlo pouze k 3,0% ztrátě odchylky vysvětlené při použití univariačního GAM s procentem kousnutí, u nichž se předpokládá, že se vyskytnou doma před expozicí (od 83,6% do 80,6%) (tabulka S6). Když se očekávané procento kousnutí vyskytlo doma před expozicí pod 61%, došlo k předpokládanému snížení dalšího přenosu, zatímco u osob s vyšším než 61% kousnutí očekávaných doma před expozicí došlo k nárůstu dalšího přenosu, když byla mobilita (obr. 5A). Významnou výjimkou z tohoto monotónně rostoucího účinku bylo mírné zvýšení dalšího přenosu u těch, kteří dostali svá preexpoziční sousta téměř výhradně doma (obr. 5A). Při zkoumání procentuální změny v dalším přenosu pouze z primárních kousnutí doma (R.rel_change(Domov)), většina odchylek byla vysvětlena v modelu s očekávanými procenty kousnutí doma před expozicí a skóre vhodnosti kousání (tabulka S6). Procentní změna dalšího přenosu z primárních kousnutí doma byla předpovězena jako pozitivní u všech jedinců, přičemž největší procentní nárůst byl u jedinců s nízkým skóre vhodnosti pro kousání a u malého procenta kousnutí se očekávalo, že se objeví doma před expozicí (obr. 5B) .

(A) Předpokládaná procentní změna v dalším přenosu (R.rel_change) na základě procenta kousnutí očekávaných doma před expozicí. (B) Předpokládaná procentní změna dalšího přenosu z primárních kousnutí doma R.rel_change(Domov)) na základě vhodnosti kousání a procenta kousnutí očekávaných doma před expozicí, prezentováno jako tepelná mapa s obrysy.

Kontakty člověka a komára během nemoci

Na úrovni populace byl počet očekávaných kontaktů s komáry rozložen podobně pro každý dílčí stupeň infekčnosti: dříve (I.1), během (I2 –Já4) a poté (I.5) došlo ke změnám mobility (tabulka S7 a obrázek S5). Při zkoumání změny očekávaných kontaktů jednotlivce v každé podskupině infekčnosti během změny symptomatické mobility však 57% jedinců mělo pokles očekávaného kontaktu a 38% došlo k nárůstu (obr. S6 a S7). Během prvních tří dnů po nástupu symptomů byla průměrná změna v očekávaných kontaktech u jedinců, kteří obdrželi horních 20% a dolních 80% očekávané expozice před komáry, pokles o 13%, respektive 17,5% (tabulka 5). Dále z těch jedinců, kteří obdrželi nejlepších 20% očekávaných kontaktů s komáry před expozicí, 24% mělo dostatečně velký pokles kontaktů s komáry v prvních třech dnech po nástupu symptomů, aby již nebyli mezi 20%, když byli symptomatičtí (S5 Obr.)

Procentní změnu očekávaných kontaktů komárů od preexpozice do prvních tří dnů po nástupu symptomů nejlépe vysvětlila GAM zahrnující skóre vhodnosti pro kousání, procento kousnutí očekávané doma před expozicí, počet komárů doma před expozicí a interakce mezi vhodností kousání a procentním kousnutím doma, což vysvětlovalo 93,4% odchylky (tabulka S8). Model s pouhým termínem pro procenta kousnutí očekávaných doma před expozicí však dokázal vysvětlit 92,1% odchylky (tabulka S8). Vliv procentního kousnutí doma na procentní změnu očekávaných kontaktů s komáry byl velmi podobný účinku na procentní změnu dalšího přenosu, kdy u osob s méně než 55% kousnutí doma před expozicí došlo k předpokládanému poklesu kontaktů komárů během první tři dny nemoci a u osob s více než 55% bylo předpovězeno zvýšení kontaktů s komáry (obr. S8). U jedinců, kteří nedostali žádné zo svých kousnutí doma před expozicí, se očekávalo největší procento poklesu, zatímco u těch, kteří dostali asi 90% svých kousnutí doma před expozicí, došlo k největšímu procentuálnímu nárůstu (obr. 8). Pokud byla změna očekávaných kontaktů komárů zkoumána spíše jako hrubá hodnota než jako procentní změna, byly všechny tři proměnné a interakce mezi počtem komárů doma a procentem kousnutí doma potřeba k poskytnutí přesné předpovědi a vysvětlení velkého množství odchylka (tabulka S8).

Analýzy citlivosti

U scénáře, kde pouze 30% případů zaznamenalo příznaky (a změnu symptomatické mobility), měly očekávané hodnoty a relativní změny pro další přenos a kontakty člověka s komáry podobnou dynamiku jako v případě výše, kde byli všichni jedinci symptomatičtí (tabulky S9 – S15 a obr. S9 – S13). Ve scénáři, kdy symptomatičtí jedinci úplně nezastavili mobilitu první tři dny symptomů, jsme viděli podobnou, i když méně intenzivní dynamiku, jako jsou výše (tabulky S16 – S22 a tabulky S14 – S18). Toto uvolnění pravidel mobility v prvních dnech symptomů však omezilo význam domácnosti v dalším přenosu. Když byla mobilita zastavena ve dnech 1–3, došlo ke 40% zvýšení očekávaného dalšího přenosu z primárních kousnutí doma, ve srovnání s 30% nárůstem s částečnou mobilitou ve dnech 1–3 symptomů (tabulky 3 a S16 a S18 obr. ). Podobně pokles očekávaného dalšího přenosu z kousnutí v jiných rezidenčních lokalitách byl 62% bez mobility ve dnech 1–3 a 48% s částečnou mobilitou (tabulky 3 a S16 a S18 obr). Vzhledem k této snížené roli domácnosti v případě částečné mobility v prvních třech dnech symptomů by nejlépe vyhovující GAM pro predikci změn v dalším přenosu a změnách kontaktů s komáry mohly vysvětlit menší odchylku než jejich protějšky výše (S17 – S19 a Tabulky S22). Bez ohledu na to jsme stále viděli stejné prediktorové proměnné/redukované modely s největším příspěvkem k vysvětlení výsledků v případech s částečnou a žádnou pohyblivostí během 1–3 dnů po nástupu symptomů (tabulky S17 – S19 a S22).


Metody

Systematický přehled.

Dataset 1 uvádí přehled literatury provedený podle pokynů PRISMA (CRD42016047459) a provedený za účelem stanovení biologicky realistických parametrů pro Anopheles vektory se živí lidmi uvnitř nebo v posteli. Další údaje poskytla Eritrea s laskavým svolením Národního programu kontroly malárie. V některých případech se aktivita komárů odhaduje z údajů v publikovaných článcích (uvedeno v datové sadě S1). Systematický přehled je uveden na obr. 1 a zahrnutá data jsou uvedena v sadě dat S1.

PMI spustil od roku 2007 kampaně vektorového řízení IRS ve 22 afrických zemích. Datová sada 2 se skládá ze zpráv na úrovni zemí PMI. V některých případech tyto zprávy poskytují údaje o podílu nebo počtu komárů krmících se uvnitř nebo venku po celou noc. Ve většině případů se na těchto sentinelových místech provádějí také testy biologických testů s rozlišovací dávkou za účelem testování fyziologické odolnosti vůči insekticidům používaným v sítích nebo sprejích. V těchto zprávách nejsou žádné údaje o lidské aktivitě. Proto se předpokládá, že lidské chování je konzistentní mezi lokalitami a po celý rok a je reprezentováno studiemi zahrnutými v systematickém přehledu. Pomocí údajů o aktivitě komárů PMI z Nigérie a Libérie bylo možné vypočítat měsíční odhady podílu kousnutí komárů ulovených uvnitř nebo v posteli pro konkrétní sentinelová místa (Příloha SI, Obr. S3). Studie komárů s méně než 30 komáry během všech vzorkovacích nocí nebyly do analýz zahrnuty.

Odhad podílu kousnutí komárů uvnitř a v posteli.

Pokusy o krmení komárů lze měřit pomocí vnitřních nebo venkovních světelných pastí (27) nebo pomocí přistávacích úlovků (55). Předpokládá se, že počet komárů chycených do pasti během hodinového období představuje počet komárů pokoušejících se živit se lidmi za stejné období. Při absenci údajů se nepředpokládá, že by došlo k uštknutí během hodin, během nichž nebyly kousky komára odebrány vzorky. Surová data jsou převedena na podíl všech kousnutí komárů během 24 hodin, které byly pořízeny uvnitř [označeno λ(t)] nebo mimo [označeno λÓ(t)] v hodinu (t) pomocí λ h (t) = S u m o f B i t e s a t h o u r (t) f o r l o c a t i o n (i n s i d e o r o u t s i d e) S u m o f b i t e s f o r a l l h o u r s f o r b o t h l o c a t i o n s, [1]

kde dolní index h indikuje, zda se kousnutí odebírá uvnitř (h = 1) nebo venku (h = 0) (23).

Podíl kousnutí komárů na člověka uvnitř (ϕ) a podíl kousnutí komárů na člověka v posteli (ϕB) se vypočítají následovně (23): Φ I = ∑ tp I (t) λ I (t) ∑ t ((1 - p I (t)) λ o (t) + PI (t) λ I (t) ), [2]

kde, p(t) je podíl lidí uvnitř za hodinu (t), λ(t) je rychlost kousání uvnitř za hodinu (t), a λÓ(t) je rychlost kousání venku za hodinu (t). Podobně Φ B = ∑ t P B (t) λ I (t) ∑ t ((1 - p I (t)) λ o (t) + p I (t) λ I (t)), [3]

kde pB(t) označuje podíl lidí v posteli za hodinu (t). Tato opatření jsou shromažďována na dobrovolnících (nebo pastích) bez osobní vektorové kontroly a představují tedy maximální podíl kousnutí, kterým lze zabránit pomocí LLIN nebo IRS. Celkový podíl kousnutí odebraných, když jsou lidé uvnitř, je vypočítán modelem podle pokrytí zásahem a úrovně odolnosti vůči insekticidům.

Tři studie měly dostatek dat o lidech a komářích shromážděných současně na stejném místě, aby je bylo možné odhadnout ϕ a ϕB (19, 27, 28). Abychom zachytili nejistotu napříč studiemi, kde se data neshodují, pro každý ze 132 datových souborů o chování komárů ze systematického přehledu a 128 datových souborů o chování komárů ze zpráv PMI: ϕ a ϕB jsou vypočítány pro všechny možné kombinace lidské vnitřní p a v posteli pB data. Medián ϕ a ϕB jsou odhadovány z těchto rozsahů (tabulka 1). Pouze 2 místa v metaanalýze zaznamenala odhady v postupných časových bodech: Tokoli a Lokohouè v Beninu měly údaje za roky 2008, 2009 a 2011 (12, 34).

Statistická analýza.

Logistické regresní modely byly vybaveny pro prozkoumání časových trendů v průměrném (a mediánu) podílu kousnutí komárů pořízených uvnitř (ϕ) a v posteli (ϕB). Byly zahrnuty pouze údaje, kde bylo při odběru vzorků zaznamenáno více než 30 komárů (celkem během všech vzorkovacích nocí). Země byla zahrnuta jako náhodný efekt, aby se zohlednila možná rozsáhlá prostorová heterogenita (Příloha SI(Tabulka S1, model A). Standardní lineární regrese byla použita k 1) vysvětlení variací v době, kdy lidé šli spát nebo vstávali ráno pomocí údajů od Beale et al. (29), 2) identifikovat země s výrazně odlišnými odhady ϕ a ϕB (Příloha SI(Tabulka S1, model B) a 3) zkoumají souvislost mezi úrovní fyziologické rezistence vůči pyretroidům [měřeno pomocí biologických testů diskriminační dávky podle Světové zdravotnické organizace nebo center pro kontrolu a prevenci nemocí (4)] a mírou aktivity komárů uvnitř (ϕ). Ve všech analýzách druhy komárů Anopheles hancocki, Anopheles melas, a Anopheles nili byly seskupeny pod jedním druhovým názvem „jiný“, protože o těchto druzích bylo jen málo údajů. Vizuální kontrola modelových reziduálních grafů neukázala žádnou odchylku od homoscedasticity nebo normality. Význam (P hodnoty) byl vypočítán pomocí testů pravděpodobnostního poměru a je uveden v Příloha SI, Tabulky S1 a S2. Veškerá analýza byla provedena za použití statistického softwaru R (56) s použitím balíčku lme4 (57).

Bayesovský přístup byl použit k testování asociace mezi zbytkovým výkonem MAP a podílem kousnutí komárů zachyceným uvnitř přizpůsobením regrese s gama distribucí. Všechny funkce byly osazeny metodami Hamiltonian Monte Carlo (58 ⇓ –60). Byly inicializovány čtyři řetězce, aby se vyhodnotila konvergence 1 000 iterací, z nichž prvních 500 bylo vyřazeno jako spálení. Následná distribuce parametrů byla poté odvozena z 2 000 iterací a následné kontroly byly provedeny pomocí shinystan (verze 1.0.0, ref. 61) a vizuálně potvrzeno, že překrývá data (Dataset S1).

Vztah mezi relativní účinností LLIN a kousáním komárů, když jsou lidé v posteli (ϕB).

Relativní účinnost čisté postele byla odhadnuta ze středních reziduálních grafů účinnosti LLIN odhadovaných v letech 2000 až 2015 v celé Africe podle MAP (úplné podrobnosti viz odkaz 1). Tyto grafy ukazují rozdíl mezi odhadovanou účinností LLIN (dané kovarianty, jako je pokrytí LLIN a základní endemičnost přítomná v geostatistickém modelu) a pozorovanou prevalencí malárie. Hodnoty gt1 označují oblasti, kde bylo pozorováno větší snížení prevalence, než bylo předpovězeno. Nezpracovaná data jsou uvedena v Příloha SIObr. S5 a odhady skóre účinnosti byly vytvořeny pro jednotlivé studie komárů tím, že se průměrný odhad odhadl kolem předpovědí souřadnic studie (za předpokladu, že byl prozkoumán poloměr 10 km, byly také prozkoumány 5 km a 50 km a poskytly podobné vzorce). Odhady podílu kousnutí přijatých na lůžku byly regresovány za předpokladu distribuce gama pro vysvětlení zbytku pro čistou účinnost (počet dat = 108). Model byl použit pomocí hamiltonovské metody Monte Carlo (58–60 ° C), zahřátí bylo 500 iterací a z každého ze 4 řetězců bylo odebráno dalších 500 vzorků. Průměrný lineární prediktor byl odhadnut na 1,80 a parametr rozptylu na 0,72.

Odhad dopadu na veřejné zdraví.

K prozkoumání dopadu změny se používá zavedený model dynamiky přenosu malárie (23, 26, 30) ϕ a ϕB na predikcích EIR, prevalenci malárie (měřeno u dětí ve věku 2 až 10 let) a klinickém výskytu. Struktura modelu byla publikována komplexně jinde (např. Viz doplňkové informace v odkazech 47 a 62). Pro přehlednost nastíníme důležité předpoklady a strukturu modelu specificky spojenou s implementací LLIN a IRS v tomto modelu (Příloha SI).


Řešíte více kousnutí hmyzu než obvykle? Komáři jsou letos v létě v Marylandu trojnásobkem jejich normálního počtu.

Populace hmyzu vyvolávajícího svědění se v Marylandu rozmnožily-v mnoha oblastech až třikrát více, než kolik jich bylo na začátku léta-kvůli nedávným bouřím a záplavám, které jim poskytly dostatek vody k rozmnožování.

To znamená, že kousače kotníků jsou ještě obtížnější než obvykle a potenciálně také větší hrozbou pro veřejné zdraví.

Zdravotní úředníci pravidelně testují komáry v regionu na známky západonilského viru, Ziky a dalších nemocí, které lze přenášet z člověka na člověka kousnutím škůdce.

Tyto viry mohou způsobit zvracení, vyrážku, nevolnost a v nejhorších případech i smrt. Virus Zika může být přenesen z těhotných žen na jejich děti a způsobit závažné vrozené vady. Na tato onemocnění neexistují žádné vakcíny.

"Nemoci přenášené komáry mohou způsobit řadu zdravotních problémů, včetně infekce, která se může rozšířit do mozku," řekla komisařka pro zdraví města Baltimore Dr. Leana S. Wen.

"Jsou to nemoci, které mohou být smrtelné," řekl Wen, "ale lze jim předcházet" praktikami, jako je nošení dlouhého rukávu ve špičce dne, používání repelentu a zbavování stojaté vody.

Virus Zika byl přenesen pouze na Marylandery, kteří cestovali do jiných zemí.

Podle Centra pro kontrolu a prevenci nemocí se v USA v letech 2004 až 2016 ztrojnásobily nemoci způsobené kousnutím komárů, klíšťat a blech.

V letošním roce nejsou v Marylandu žádné zprávy o nemocech přenášených komáry, ale to neznamená, že nepřicházejí, řekl David Crum, veterinární lékař z Marylandského ministerstva zdravotnictví. Sezóna komárů trvá do října.

"Dělám si starosti, protože to byl velmi vlhký a teplý rok," řekl Crum. "Komáři se v tomto prostředí chovají dobře, takže to může mít za následek vyšší populaci, ale ne vždy to souvisí s vyšším výskytem chorob." Budeme muset počkat a uvidíme. "

Mnoho larev komárů, které se začaly objevovat minulý měsíc, dokonce roky čekaly na povodňové vody na jaře, řekl Brian Prendergast, manažer programu kontroly komárů na ministerstvu zemědělství Marylandu.

Jejich příchod nebyl pro Prendergasta překvapením po rekordně vlhkém květnu Marylandu a nejmokřejším červnu Baltimoru za poslední tři roky. Některé odrůdy komářích vajíček potřebují k vylíhnutí takové vlhké podmínky.

V podmínkách mají posádky práci přesčas, aby postřikli sousední ulice napříč regionem Baltimore pesticidy a aby z východního pobřeží vyprášili zabijáka proti komárům ze vzduchu o několik měsíců dříve, než je obvyklé.

"Deště udeřily v polovině května, a tak asi týden poté jsme začali vidět, jak se počet komárů zvyšuje," řekl Prendergast. "Očekávali jsme spoustu komárů, a to jsme skutečně našli."

Výsledkem je spousta svědivých kousnutí komárů. Ale tato kousnutí jsou svým způsobem jen začátek životního cyklu stoupající populace hmyzu.

Kousají pouze samičky komárů, protože k produkci vajíček potřebují bílkovinu nacházející se v krvi. A z asi 60 druhů komárů v Marylandu se jen asi polovina živí lidmi.

Of those, many are “floodwater mosquitoes” — varieties that lay hundreds of eggs at a time in soil that is prone to flooding. The eggs can sit dormant for years, Prendergast said, just waiting for a surge of rainwater.

That’s what came this spring to hatch them.

More than 8 inches of rain fell across the region in May, and in areas such as Ellicott City and Catonsville, 15 inches of rain or more within a monthlong period, causing devastating flooding. An additional 5 inches fell in June at Baltimore-Washington International Thurgood Marshall Airport.

If those dormant mosquito eggs were embers of a fire, the flooding rains were like gasoline.

State officials monitor mosquito populations using cylindrical traps that lure the insects with a light and then suck them in with a fan. They leave the trap out overnight, and if there are at least 24 female mosquitoes inside by morning, the mosquito control program gets to work spraying the area with pesticide.

In some areas, as many as 150 females have crowded traps in a single night, Prendergast said. Most mosquitoes are active from about two hours before dusk until dawn.

Luckily, he said, the booming numbers don’t include too many of the most notorious of mosquito species, the Asian tiger, known for its persistence and aggression, even during the day.

Asian tiger mosquitoes breed most commonly in plastic garden containers, buckets, cans and flower vases. So while the increased precipitation means more of those objects hold puddles for the mosquitoes to breed in, it does not have as much of an impact on their numbers as it does on floodwater varieties whose eggs might collect for years before hatching.

“Whatever is collecting rainfall in people’s yards can, and is, flooded in every single year,” Prendergast said. “Maybe it’s two times as bad. But it’s always an issue.”

To reduce mosquito numbers, the state program sprays a pesticide known as permethrin from the back of a pickup truck or, on the Eastern Shore, from the air. It kills mosquitoes on contact and thus must be deployed at night, when mosquitoes are active, and only when their populations boom.

The state budget for mosquito control is $2.7 million.

Pesticide is sprayed at a rate of 0.8 of an ounce per acre, which Prendergast called “a very low amount of material.” According to the National Pesticide Information Center, permethrin is not known to cause cancer or affect hormone systems. It can remain on plants for several weeks, and if it gets into lakes or streams, it can remain in sediment for more than a year. It is considered highly toxic to fish and bees, but low in toxicity to birds, according to the center.

The spraying is, in part, aimed at reducing the nuisance of pesky insects, but also to prevent the spread of disease.

“It’s a very robust nuisance control program, but it’s not strictly a nuisance control program,” Prendergast said. “It’s much less likely someone is going to contract a disease if they live in an area that’s regularly sprayed.”

Even amid the spraying, officials urge residents to use any of four insect repellents found to be safe and effective on mosquitoes: DEET, oil of lemon eucalyptus, Picaridin and IR3535.

Prendergast emphasized the importance of emptying any yard containers in which Asian tiger mosquitoes breed.


Outdoor biting by Anopheles mosquitoes on Bioko Island does not currently impact on malaria control

Pozadí: There have been many recent reports that the rate of outdoor biting by malaria vectors has increased. This study examined the impact this might have on malaria transmission by assessing the association between exposure to outdoor bites and malaria infection on Bioko Island, Equatorial Guinea.

Methods: Responses to questions about time spent outside the previous night from a malaria indicator survey were combined with human landing catch measurements of hourly rates of outdoor and indoor biting for the whole island to estimate the number of outdoor and indoor bites received by each survey respondent. The association between RDT measured malaria infection status of individuals and outdoor bites received was investigated.

Výsledek: The average number of bites received per person per night was estimated as 3.51 in total, of which 0.69 (19.7%) would occur outdoors. Malaria infection was not significantly higher in individuals who reported spending time outside between 7 pm and 6 am the previous night compared to those not spending time outside in both adults (18.9% vs 17.4%, p = 0.20) and children (29.2% vs 27.1%, p = 0.20). Malaria infection in neither adults (p = 0.56) nor in children (p = 0.12) was associated with exposure to outdoor bites, even after adjusting for confounders.

Závěry: Malaria vector mosquitoes in Bioko do bite humans outdoors, and this has the potential to reduce the effectiveness of vector control. However, outdoor biting is currently not a major factor influencing the malaria burden, mainly because more than 95% of the population are indoors during the middle of the night, which is the peak biting period for malaria vector mosquitoes. The majority of resources should remain with control measures that target indoor biting and resting such as LLINs and IRS.


Podívejte se na video: Zabíjení komárů spacím pytlem (Listopad 2021).