Informace

Jaký je vzorec pro výpočet $ R_0 $ (základní reprodukční číslo)?


K čemu slouží matematický vzorec $ R_0 $ a co každá proměnná představuje?

Zkoušel jsem to hledat marně.


$$ R_0 ∝ left ( frac { text {infekce}} { text {contact}} right) · left ( frac { text {contact}} { text {time}} right) · left ( frac { text {time}} { text {infekce}} right) $$

Konkrétněji:

$$ R_0 = τ · bar {c} · d quad quad (1) $$

kde $ τ $ je přenosnost (tj. pravděpodobnost infekce při kontaktu mezi vnímavým a infikovaným jedincem), $ bar {c} $ je průměrná míra kontaktu mezi vnímavými a infikovanými jedinci a $ d $ je trvání infekčnosti.

  • Poznámky k $ R_0 $ (2007)

Další čtení:

  • https://en.wikipedia.org/wiki/Basic_reproduction_number
  • Složitost základního reprodukčního čísla (R.0), vznikající infekční choroby (2019)
  • Teorie versus data: Jak vypočítat R0?, PLoS One (2007)
  • Balíček R0: soubor nástrojů pro odhad reprodukčních čísel pro epidemická ohniska, lékařskou informatiku BMC a rozhodování (2012)

Přibližování základního reprodukčního čísla R. 0 u nemocí přenášených vektorem s periodickou populací vektorů

Hlavním účelem tohoto příspěvku je poskytnout přibližný vzorec zahrnující dva výrazy pro základní reprodukční číslo R. 0 onemocnění přenášeného vektorem, když vektorová populace má malé sezónní výkyvy formy p(t) = p 0 (1+ε cos (ωt - φ)) s ε ≪ 1. První člen je podobný jako v případě konstantní vektorové populace p ale s p nahrazen průměrnou populací vektorů p 0. Maximální korekce v důsledku druhého členu je (ε 2 /8)% a má vždy tendenci klesat R. 0. Základní reprodukční číslo R. 0 je definována prostřednictvím spektrálního poloměru lineárního integrálního operátoru. Čtyři numerické metody pro výpočet R. 0 jsou porovnány na příkladu modelu pro epidemii chikungunya 2005/2006 v La Réunion. Přibližný vzorec a numerické metody lze použít pro mnoho dalších epidemických modelů se sezónností.

Toto je náhled obsahu předplatného, ​​přístup prostřednictvím vaší instituce.


Pozadí

V roce 2009 se nový chřipkový virus A/H1N1 rychle rozšířil po celém světě [1]. V dokumentu s pokyny Světové zdravotnické organizace [2], který podrobně popisuje epidemiologické parametry, které lze rychle určit po identifikaci onemocnění, byly: inkubační doba, tj. Doba mezi infekcí a příznaky, sériový interval, tj. Čas mezi nástupem symptomů v primárních a sekundárních případech a poměr počáteční reprodukce, tj. průměrný počet sekundárních případů na primární případ. V systematickém přehledu všech článků prezentujících takové odhady pandemie chřipky H1N1 v roce 2009 [3] jsme zjistili vysokou variabilitu metod používaných k odhadu stejných parametrů.

Numerické rozdíly v uvedených odhadech byly proto částečně způsobeny zvolenou metodou. Aplikování všech metod na stejnou datovou sadu by pomohlo pochopit, jaké jsou v důsledku metody rozdíly, a to bude podporováno, pokud je požadovaný kód široce distribuován. Je také třeba poznamenat, že subtilní variace vyplývají ze skutečné implementace stejných metod. Například počáteční „exponenciální růstová rychlost“ epidemické křivky, použitá v metodě popsané Wallinga & amp Lipsitch [4], byla odhadnuta pomocí lineární regrese na zaznamenaný výskyt [5], Poissonovy regrese na incidenčních datech [6] nebo obnovy rovnice [7].

Autoři možná poskytli kód implementující jejich metody, ale zatím nebylo vyvinuto žádné úsilí, aby bylo koncovým uživatelům poskytnuto jedinečné rozhraní se standardizovaným přístupem umožňujícím snadné porovnávání. Aby bylo možné srovnání a poskytnout více standardizovaných přístupů, vyvinuli jsme balíček R implementující pět metod, které byly během pandemie chřipky H1N1 v roce 2009 nejčastěji používány. Tyto metody jsou metodami „plug-in“, které vyžadují pouze data, která jsou běžně zaznamenávána během ohniska (epidemická křivka, sériový interval) a která byla použita v různých situacích.

Poté, co jsme si krátce připomněli princip těchto metod, ilustrujeme jejich použití, navrhujeme některé nástroje pro kritické zkoumání výsledků a nakonec diskutujeme o použitelnosti a omezeních.

Implementace

Připomínáme a popisujeme implementaci metod pro odhad distribuce sériových intervalů a reprodukčních čísel v epidemiích. Navrhujeme také nástroje k prozkoumání citlivosti odhadů na požadované předpoklady.

Definování rozdělení času generace

Generační čas je časový posun mezi infekcí v primárním případě a sekundárním případě. Distribuce času generace by měla být získána z časové prodlevy mezi všemi páry infekční/infekční [8]. Protože to nelze přímo pozorovat, je často nahrazeno distribucí sériového intervalu, která měří čas mezi nástupem symptomů. V našem softwarovém balíčku je funkce ‘generation.time’ používána k reprezentaci diskretizované distribuce času generace. Diskretizace se provádí na síti [0,0,5), [0,5, 1,5), [1,5, 2,5) atd.… Kde je jednotkou uživatelem zvolený časový interval (hodina, den, týden…). Podporováno je několik popisů: „empirické“ vyžadující úplnou specifikaci rozdělení nebo parametrické rozdělení mezi „gama“, „lognormal“ nebo „weibull“. V druhém případě musí být průměr a standardní odchylka poskytnuty v požadovaných časových jednotkách.

K dispozici je také funkce („est.GT“) pro odhad distribuce sériových intervalů ze vzorku pozorovaných časových intervalů mezi nástupem symptomů v primárních případech a sekundárních případech podle maximální pravděpodobnosti.

Odhad počátečních reprodukčních čísel

Reprodukční čísla lze odhadnout v různých časech během epidemie. V následujícím textu si připomínáme metody pro odhad „počátečního“ reprodukčního čísla, tj. Na začátku ohniska, a pro odhad „časově závislého“ reprodukčního čísla kdykoli během ohniska, jakož i požadované hypotézy pro metody. Jsou také představena navrhovaná rozšíření a možnosti implementované v softwaru.

Attack rate (AR)

V klasickém modelu přenosu nemoci SIR je míra útoku (AR: procento populace nakonec infikované) spojena se základním reprodukčním číslem [9], podle R 0 = - log 1 - AR S 0 AR - 1 - S 0 kde S 0 je počáteční procento vnímavé populace. Požadovanými předpoklady jsou homogenní míchání, uzavřená populace a žádný zásah během ohniska nákazy.

Exponenciální růst (EG)

Jak shrnují Wallinga & amp Lipsitch [4], exponenciální rychlost růstu v rané fázi ohniska může být spojena s počátečním reprodukčním poměrem. Rychlost exponenciálního růstu, označená r, je definována změnou počtu nových případů za jednotku času na obyvatele. Jelikož jsou údaje o incidenci oceňovány celočíselnými hodnotami, je pro odhad tohoto parametru indikována Poissonova regrese [6, 10], nikoli lineární regrese zaznamenaného výskytu. Reprodukční číslo se vypočítá jako R = 1 M - r, kde M je funkce generující moment (diskretizované) distribuce času generace. V epidemické křivce je nutné zvolit období, během kterého je růst exponenciální. Navrhujeme použít k odchylce statistiku založenou na odchylce R na druhou. O míchání populace se nepředpokládá.

Odhad maximální pravděpodobnosti (ML)

Tento model, navržený společností White & amp Pagano [11], vychází z předpokladu, že počet sekundárních případů způsobených indexovým případem je Poissonův distribuovaný s očekávanou hodnotou R. Vzhledem k pozorování (N. 0, N. 1, …, N. T) případy incidentů v po sobě jdoucích časových jednotkách a rozdělení času generace w, R se odhaduje maximalizací log-pravděpodobnosti LL R = ∑ t = 1 T log e-μ t μ t N t N t! kde μ t = R. = 1 t N. t w . Zde opět platí, že pravděpodobnost musí být vypočítána na období exponenciálního růstu a pro výběr nejlepšího období lze použít R-kvadrát odchylky. O míchání populace se nepředpokládá.

Tento přístup předpokládá, že epidemická křivka je analyzována od prvního případu. Pokud tomu tak není, počáteční reprodukční číslo bude nadhodnoceno, protože sekundární případy budou přiřazeny příliš malému počtu případů indexu: implementovali jsme opravu, jak je popsáno v doplňkovém souboru 1: Doplňkový materiál S1. Je také možné účtovat dovoz případů v průběhu epidemie.

Sekvenční bayesiánská metoda (SB)

Tato metoda, přestože byla autory zavedena jako „bayesiánská“ v reálném čase, přesněji umožňuje sekvenční odhad počátečního reprodukčního čísla. Spoléhá se na přiblížení k modelu SIR, přičemž výskyt v čase t + 1, N.(t + 1) je přibližně Poissonovo rozdělení s průměrem N.(t)E (γ(R. - 1)) [12], kde 1 γ průměrné trvání infekčního období. Navrhovaný algoritmus, popsaný v bayesovském rámci, začíná neinformativním předchozím rozdělením reprodukčního čísla R. Distribuce je aktualizována, jak jsou pozorována nová data, pomocí P R | N 0,…, N t + 1 = P N t + 1 | R, N 0,…, N t P R | N 0,…, N t P N 0,…, N t + 1. Jinými slovy, předchozí distribuce pro R použitá v každém novém dni je pozdější distribuce z předchozího dne. V každém okamžiku může být režim zadního počítán společně s nejvyšším intervalem hustoty pravděpodobnosti. Jako dříve metoda vyžaduje, aby byla epidemie v období exponenciálního růstu, tj. Neodpovídá za náchylné vyčerpání, implicitně používá exponenciální rozdělení pro generační čas a předpokládá náhodné míchání v populaci.

Odhad časově závislých reprodukčních čísel (TD)

Časově závislá metoda, navržená Wallinga & amp Teunis [13], počítá reprodukční čísla zprůměrováním přes všechny přenosové sítě kompatibilní s pozorováními. Pravděpodobnost p ijže případ i s nástupem v čase ti byl infikován případem j s nástupem v čase tj. je vypočítán jako p i j = N i w t i - t j ∑ i ≠ k N i w t i - t k. Efektivní reprodukční číslo pro případ j tedy je R. j = ∑ p ij, a je zprůměrováno jako R t = 1 N t ∑ t j = t R j ve všech případech se stejným datem nástupu. Interval spolehlivosti pro Rt lze získat simulací. Oprava odhadu v reálném čase, kde jsou brány v úvahu dosud nepozorované sekundární případy, je možná [14]. V průběhu epidemie je možné účtovat případy dovozu.


Kolik dalších nakazí každý nemocný člověk?

Reprodukční číslo, zkráceně R0, popisuje, kolik dalších případů onemocnění si každá infikovaná osoba způsobí během svého infekčního období. Čísla jsou rozmezí, protože závisí na řadě faktorů, které se liší situace od situace.

Choroba Reprodukční číslo R0
Ebola, 2014 1,51 až 2,53
Chřipka H1N1, 2009 1,46 až 1,48
Sezónní chřipka 0,9 až 2,1
Spalničky 12 až 18
MERS kolem 1
Obrna 5 až 7
SARS & lt1 až 2,75
Neštovice 5 až 7
SARS-CoV-2 (způsobuje COVID-19) 1,5 až 3,5

Když agentury veřejného zdraví zjišťují, jak se vypořádat s ohniskem, snaží se snížit R0 na méně než 1. To je těžké u nemocí, jako jsou spalničky, které mají vysokou R0. Je to obzvláště náročné pro spalničky v hustě obydlených oblastech, jako je Indie a Čína, kde je R0 vyšší, ve srovnání s místy, kde jsou lidé více roztaženi.

V případě pandemie SARS v roce 2003 vědci odhadovali, že původní R0 je kolem 2,75. O měsíc nebo dva později efektivní R0 klesla pod 1, a to díky obrovskému úsilí, které šlo do intervenčních strategií, včetně izolace a karanténních aktivit.

Pandemie však pokračovala. Zatímco v průměru se infekční osoba přenesla na méně než jednoho vnímavého jedince, příležitostně se jedna osoba přenesla do desítek nebo dokonce stovek dalších případů. Tento jev se nazývá super šíření. Úředníci během epidemie SARS v Singapuru, Hongkongu a Pekingu několikrát dokumentovali události super rozmetadla.


Obsah

Kořeny základního reprodukčního konceptu lze vysledovat v díle Ronalda Rosse, Alfreda Lotky a dalších, [29] ale jeho první moderní aplikaci v epidemiologii provedl George Macdonald v roce 1952 [30], který sestrojil populační modely šíření malárie. Ve své práci nazval kvantitu základní reprodukční rychlostí a označil ji Z 0 < Displaystyle Z_ <0>>. Nazývání množství sazbou může být zavádějící, protože „sazba“ pak může být mylně interpretována jako číslo za jednotku času. Nyní je upřednostňováno „číslo“ nebo „poměr“. [ Citace je zapotřebí ]

Míra kontaktu a infekční období Upravit

S různými latentními periodami Upravit

Latentní období je čas přechodu mezi nákazou a projevem nemoci. V případě onemocnění s různou latentní dobou lze základní reprodukční číslo vypočítat jako součet reprodukčních čísel pro každou dobu přechodu do onemocnění. Příkladem je tuberkulóza (TBC). Blower a spoluautoři vypočítali z jednoduchého modelu TBC následující reprodukční číslo: [32]

Heterogenní populace Upravit

Základní reprodukční číslo lze odhadnout prozkoumáním podrobných přenosových řetězců nebo pomocí genomového sekvenování. Nejčastěji se však vypočítává pomocí epidemiologických modelů. [35] Během epidemie je obvykle znám počet diagnostikovaných infekcí v průběhu času. V raných fázích epidemie je růst exponenciální s logaritmickou rychlostí růstu

Jednoduchý model upravit

Latentní infekční období, izolace po diagnostice Upravit

V tomto modelu má individuální infekce následující fáze:

  1. Vystavený: jedinec je infikován, ale nemá žádné příznaky a ještě neinfikuje ostatní. Průměrná doba trvání exponovaného stavu je τ E < Displaystyle tau _> .
  2. Latentní infekční: jedinec je infikován, nemá žádné příznaky, ale nakazí ostatní. Průměrná doba trvání latentního infekčního stavu je τ I < Displaystyle tau _>. Během tohoto období jedinec nakazí další jedince. po diagnostice: jsou přijata opatření k prevenci dalších infekcí, například izolací infikované osoby.

Ačkoli R 0 < Displaystyle R_ <0>> nelze upravit očkováním nebo jinými změnami vnímavosti populace, může se lišit v závislosti na řadě biologických, sociálně behaviorálních a environmentálních faktorů. [27] Lze jej také upravit fyzickým distancováním a jinými zásahy do veřejné politiky nebo do společnosti, [42] [27] ačkoli některé historické definice vylučují jakýkoli záměrný zásah do omezení přenosu nemocí, včetně nefarmakologických zásahů. [23] A skutečně, zda jsou do farmakologie zahrnuty nefarmakologické intervence, často závisí na novinách, nemoci a na tom, co když se zkoumá jakákoli intervence. [27] To vytváří určitý zmatek, protože R 0 < Displaystyle R_ <0>> není konstanta, zatímco většina matematických parametrů s „nulovými“ dolními indexy jsou konstanty.

Metody použité k výpočtu zahrnují funkci přežití, přeuspořádání největší vlastní hodnoty jakobijské matice, metodu příští generace, [45] výpočty z vnitřní míry růstu, [46] existenci endemická rovnováha, počet náchylných k endemické rovnováze, průměrný věk infekce [47] a konečná velikostní rovnice. Některé z těchto metod spolu navzájem souhlasí, i když začínají se stejným systémem diferenciálních rovnic. [41] Ještě méně jich ve skutečnosti vypočítá průměrný počet sekundárních infekcí. Protože R 0 < Displaystyle R_ <0>> je v této oblasti pozorován jen zřídka a obvykle se vypočítává pomocí matematického modelu, je tím značně omezena jeho užitečnost. [48]


Jaké jsou R0 a Re pro SARS-CoV-2?

SARS-CoV-2, koronavirus, který způsobil pandemii covid-19, má odhadovanou R0 kolem 2,63, říká tým Evidence Service COVID-19 z Oxfordské univerzity. Odhady se však pohybují mezi 0,4 a 4,6. To není neobvyklé, protože R.0 odhady se často liší, přičemž pro jejich výpočet jsou použity různé modely a data. Například spalničkám byla přiřazena R0 hodnoty mezi 3,7 a 203,03,2

R.E se bude také lišit v různých zemích a regionech. Britský premiér Boris Johnson řekl 10. května, že R.E v Anglii bylo v současné době „mezi 0,5 a 0,9, ale potenciálně těsně pod 1“ Ve Skotsku první ministr Nicola Sturgeon řekl, že to bylo mezi 0,7 a 1.

V Německu Institut Robert Koch oznámil 9. května, že R.E vzrostl na 1,1 jen několik dní poté, co země začala zmírňovat blokovací opatření. Stejný efekt byl také zaznamenán v Dánsku, když v dubnu znovu otevřelo základní školy: R.E vzrostl z 0,6 na 0,9.


Proč potřebujeme R menší než 1?

Tato prahová hodnota - R 1 - bude v příštích několika měsících stále důležitější. Jak britská vláda vysvětlila ve videu, které doprovázelo její tiskový briefing 30. dubna, hodnota R, která je dokonce mírně nad 1, může díky exponenciálnímu růstu rychle vést k velkému počtu případů.

Zde je návod, jak to funguje. Řekněme, že nemoc má R 1,5. Může se to zdát jako zvládnutelný údaj, ale pohled na čísla rychle dokazuje, že tomu tak není. Při R 1,5 by 100 lidí nakazilo 150, kteří by zase nakazili 225, kteří by nakazili 338. Ve třech kolech infekce by se počet lidí s virem více než zčtyřnásobil na 438. Protože celosvětové případy nyní přesahují 3,5 milionů, to vysvětluje, proč se nový koronavirus dokázal tak rychle rozdělit mezi globální populaci bez předchozí imunity.

Naopak, R menší než 1 znamená, že virus nakonec zmizí - čím nižší R, tím rychleji se to stane. R 0,5 znamená, že 100 lidí by nakazilo pouze 50, kdo by nakazil 25, kdo by nakazil 13. Jak počet případů klesá a nemocní lidé buď zemřou nebo se uzdraví, virus bude pod kontrolou - dokud bude R lze držet nízko.


Porozumění předpovědím: Co je R-Naught?

Při vypuknutí epidemie je otázka, jak rychle se nový patogen šíří z jednoho případu na mnoho, základním dílem skládačky, kterou se vědci snaží sestavit. K zodpovězení této otázky používají odborníci modely, které poskytují odhady a čerpají z různých zdrojů informací. Výsledkem tohoto složitého modelovacího procesu je základní reprodukční číslo neboli R.0, to nám v průměru říká, kolik lidí může infikovaná osoba nakazit.

Co je R-naught?
R-null (R.0) je hodnota, kterou lze vypočítat pro přenosné choroby. Představuje v průměru počet lidí, u kterých lze očekávat, že jedna infikovaná osoba přenese tuto nemoc. Jinými slovy, je to výpočet průměrné „šíření“ infekční choroby.

Proč je to užitečné?
R.0 poskytuje cenný vhled do možného šíření nemoci, kterou mohou místní, státní a národní vlády a úřady pro veřejné zdraví využít při rozhodování o nejlepší kontrole. Vzhledem k tomu, že jej lze vypočítat pro různé nemoci, umožňuje nám kontextualizovat ohnisko s těmi, které jsme dříve viděli, jako jsou SARS, MERS, Ebola, AIDS, sezónní chřipka, pandemie chřipky H1N1 atd.

Jak se to počítá?
K výpočtu R se používají tři hlavní faktory0. Jsou to infekční období nemoci, způsob přenosu a rychlost kontaktu. Do každého se ponoříme trochu hlouběji.

Infekční období
Toto je doba, po kterou je infikovaná osoba schopna přenést tuto infekci na jiného člověka - jak dlouho je osoba s touto nemocí nakažlivá. Delší infekční období znamená vyšší R0 hodnoty.

Způsob přenosu
Tak se nemoc šíří. Vzdušné infekce, jako je chřipka, se budou šířit rychleji než ty, které vyžadují přenos fyzického kontaktu, jako je HIV nebo Ebola. Infekce přenášené vzduchem proto mívají vyšší R0 hodnoty.

Kontaktní sazba
To se týká počtu lidí, s nimiž lze očekávat kontakt s osobou s touto nemocí. Tato proměnná není specifická pro onemocnění jako první dvě. Je spíše ovlivněno řadou faktorů, včetně zavedených opatření týkajících se polohy a veřejného zdraví, jako jsou karantény nebo zákaz cestování. Tento faktor je značně modifikovatelný.

Zdroje nejistoty v R0 v ohnisku 2019-nCoV

Infekční období
Tato proměnná je pro danou infekci relativně pevná - ale může se poněkud lišit od člověka k člověku. Například mladší, jinak zdravý člověk může být infekční po kratší dobu než starší osoba se základním zdravotním stavem. V případě 2019-nCoV máme odhady infekčního období na základě počátečních případů, ale tyto hodnoty zůstávají odhady. Z toho také vyplývá, že R.0 je průměr a hodnoty, ze kterých se vypočítává, včetně infekčního období, jsou také průměry, což znamená, že může existovat značná variabilita. Například když existují superrozmetače s vysokým R0, to bude kompenzováno většinou populace s nízkým R0.

Způsob přenosu
Tato proměnná je také relativně pevná pro danou infekci, ale podobně jako v infekčním období si nejsme jisti přesně jak se šíří 2019-nCoV. Několik raných studií naznačuje, že velké vzdušné kapičky, jako je to, co může být způsobeno kašlem infikované osoby, mohou přenášet nemoc, ale došlo k nejasnostem ohledně toho, zda jsou lidé s 2019-nCoV infekční, než se u nich objeví příznaky. Například článek publikovaný v The New England Journal of Medicine 30. ledna, který dokumentuje důkazy o asymptomatickém přenosu 2019-nCoV, byl nyní údajně založen na chybných informacích. Stále se učíme o tomto viru a jakémkoli R.0 dosud vytvořené hodnoty lze vypočítat pouze na základě dostupných informací.

Kontaktní sazba
Tady se věci začínají trochu komplikovat. Míra kontaktu infikovaného pacienta se může velmi lišit od člověka k člověku a závisí na mnoha proměnných, včetně geografie, způsobu cestování, karantény nebo zákazu cestování a schopnosti zdravotnického systému účinně identifikovat a izolovat infikované pacienty, abychom jmenovali alespoň některé. Tato hodnota je na rozdíl od infekčního období nebo způsobu přenosu vysoce upravitelná. Vyšší kontaktní sazby znamenají vyšší R0 hodnoty, ale všechny tyto faktory musí být odhadnuty na základě kontextu ohniska. V případě 2019-nCoV nedávný článek v The Lancet odhadoval denní objemy cest a odpovídal za intervence v oblasti veřejného zdraví, jako jsou karantény, za účelem vytvoření jejich odhadů.

R.0 roku 2019-nCoV v kontextu

R.0 je často zobrazeno společně s úmrtností na nemoc, například v této interaktivní NYT (přejděte dolů) nebo v této vizualizaci. Je to užitečný způsob, jak získat představu o „šíření“ nemoci a o tom, jak je smrtelná, ve srovnání s ostatními, ale není bez problémů. V této fázi nelze úmrtnost 2019-nCoV přesně vypočítat, protože neznáme skutečný počet celkových případů-je to tedy odhad založený na tom, co víme nyní, podobně jako R0. Takové grafy tedy poskytují určitý kontext pro to, kde 2019-nCoV stojí ve srovnání s jinými infekčními chorobami, ale měli bychom poznamenat, že prosté zjištění, že 2019-nCoV se nezdá být tak fatální nebo rozložitelné, neznamená, že realita ohnisko se bude hrát tak.

Co to všechno znamená?
To zdůrazňuje inherentní složitost a variabilitu ohnisek. R.0 hodnoty mohou být užitečné při měření závažnosti ohniska, ale vysoké R0 hodnota nezaručuje celosvětové rozšíření ani pandemii. Jedná se o výpočet průměrné hodnoty, který je založen na odhadech průměrů. Když brzy R.0 hodnoty jsou vytvářeny, měly by být šířeny s péčí a pokyny, jak je interpretovat. Viděli jsme veřejný poplach kolem R.0 odhady s tímto aktuálním vypuknutím, což je přesně to, čemu bychom se měli snažit vyhnout.


Základní reprodukční číslo (R. 0) spalniček: systematický přehled

Základní reprodukční číslo, R null (R.0), je definován jako průměrný počet sekundárních případů infekčního onemocnění vyplývajících z typického případu u zcela vnímavé populace a lze jej odhadnout v populacích, pokud lze při výpočtu zohlednit již existující imunitu. R.0 určuje práh imunity stáda, a tedy pokrytí imunizace potřebné k dosažení eliminace infekčního onemocnění. Jako R.0 zvyšuje, k dosažení imunity stáda je zapotřebí vyšší imunizace. V červenci 2010 skupina odborníků svolaná WHO dospěla k závěru, že spalničky lze a měly by být vymýceny. Navzdory existenci účinné vakcíny mají regiony různé úspěchy v boji proti spalničkám, částečně proto, že spalničky jsou jednou z nejvíce nakažlivých infekcí. Pro spalničky, R.0 je často citován jako 12-18, což znamená, že každý člověk s spalničkami by v průměru nakazil 12-18 dalších lidí v naprosto náchylné populaci. Provedli jsme systematický přehled, abychom našli studie vykazující přísné odhady a determinanty spalniček R.0. Byly zahrnuty studie, pokud byly primárním zdrojem R.0, řešily již existující imunitu a při výpočtu R zohledňovaly již existující imunitu0. Prohledávání klíčových databází bylo provedeno v lednu 2015 a opakováno v listopadu 2016 a přineslo 10883 unikátních citací. Po screeningu relevance a kvality splnilo 18 studií inkluzní kritéria poskytující 58 R.0 odhady. Vypočítali jsme medián spalniček R0 hodnoty stratifikované podle klíčových kovariátů. Zjistili jsme, že R.0 odhady se liší více než často citovaný rozsah 12–18. Naše výsledky zdůrazňují důležitost zemí, které počítají R0 pomocí lokálně odvozených dat nebo, pokud to není možné, pomocí odhadů parametrů z podobných nastavení. K posílení důkazní základny pro modelování eliminace spalniček jsou zapotřebí další údaje a dohodnuté metody přezkoumání.


Podívejte se na video: JAK NEFUNGUJÍ AKTIVAČNÍ MEDITACE . Co očekávat, moje zkušenost a výsledky (Listopad 2021).