Projecte Arbocat

Sobre ArboCat:

Els brots recurrents d’arbovirus a regions endèmiques del món representen una amenaça greu de propagació potencial a entorns no exposats (naïve), on la població no ha experimentat una exposició immunològica.

La manca d’exposició prèvia i l’expansió geogràfica en curs de les poblacions de vectors viables han impulsat la implementació d’estratègies preventives a les àrees més vulnerables a la importació de la malaltia.

Catalunya rep una gran quantitat de viatgers tant del Sud-est asiàtic com del Carib, i entre el 2015 i el 2018 s’han confirmata la Xarxa de Vigilància Epidemiològica de Catalunya de l’ASPCAT 700 casos d’arbovirosi importada (sumant els casos de dengue, chikungunya i zika) a centres d’atenció primària, serveis d’atenció al viatger en l’àmbit de la salut pública i hospitals generals. Donada la gran proporció d’infeccions asimptomàtiques que presenten aquestes malalties, l’amenaça de brots autòctons augmenta en aquelles àrees que, donades les seves condicions ambientals i sociodemogràfiques particulars, poden ser-hi més susceptibles. Obtenir un coneixement acurat de quines són aquestes àrees i ciutats es converteix, per tant, en un afer prioritari.

ArboCat és una nova plataforma per a la predicció de brots autòctons d’arbovirus, implementada per a Catalunya amb resolució a nivell de municipis (948 municipis). ArboCat està formada per tres sub-models que proporcionen estimacions de les taxes d’importació i el nombre reproductiu bàsic (R0) i que ajusten un model compartimental estocàstic que proporciona el temps de generació.

ArboCat proporciona simulacions del risc de brots autòctons i les corbes epidèmiques per als escenaris de canvis socioeconòmics i climàtics, tant presents com futurs.

El model d’importació assumeix que els brots s’originen a partir de la importació de casos infecciosos, i com a resultat genera una taxa d’importació de casos a nivell de tot Catalunya, així com la probabilitat específica de cada municipi de rebre la següent importació. Per tal de calcular aquests taxes, el model té en compte dades històriques sobre els arbovirus, i predictors sociològics que inclouen, entre d’altres, el nombre d’habitants del municipi, els índexs de pobresa, els índexs d’educació, les medicions relatives a les assegurances sanitàries, etc.

Amb aquesta informació, i després d’identificar variables predictives rellevants (mitjançant mètodes com la selecció inversa o l’AIC) podem generar les taxes de simulació a partir d’un marc predictiu bayesià – MaxEnt.

Els mètodes de màxima entropia són formes molt generals de predir les distribucions de probabilitat a partir de restriccions dels seus moments. Aquests mètodes poden predir les distribucions d’abundància relativa en funció de la quantitat d’individus, les espècies i l’energia total del sistema. També prediuen la composició de la comunitat al llarg dels gradients ecològics, en funció dels trets, les distribucions d’espècies basades en covariables ambientals i les associacions en xarxes tròfiques.

El nombre reproductiu bàsic, R0, pot definir-se com el nombre de casos generats, de mitjana, per un únic cas durant el curs del seu període infecciós, en una població que d’altra banda no estava infectada. Aquesta mesura és útil perquè ajuda a determina si una malaltia infecciosa pot propagar-se per una població o no. Si R0 < 1 la infecció s’acabarà extingint a llarg termini. Però si R0 > 1 la infecció podrà propagar-se per la població.

Després d’haver generat aquests dos paràmetres (risc d’importació i R0) podem simular els brots utilitzant un model compartimental de tipus SEIR.

Els models compartimentals són una tècnica emprada per simplificar la modelització matemàtica de les malalties infeccioses. La població es divideix en compartiments, i s’assumeix que tots els individus del mateix compartiment presenten les mateixes característiques. En els models SEIR, la població es divideix en quatre compartiments: S (susceptibles); E (Exposats); I (Infectats) i R (Recuperats). Per a moltes infeccions importants (com els arbovirus), existeix un període d’incubació significatiu durant el qual l’individu ha estat infectat però encara no té capacitat d’infectar. Durant aquest període, l’individu es situa al compartiment E.

Arbocat fa servir un Procés de Ramificació de Markov per al SEIR per tal de modelitzar els brots. Les simulacions s’inicien amb un únic cas importat. L’evolució temporal està governada per les probabilitats diàries dels individus infectats de progressar cap als estats E, I, R. El model té en compte d’una forma explícita el seguiment dels casos importats i autòctons, així com dels casos notificats i dels no-notificats. De forma no explícita, el model té en compte el seguiment de les dinàmiques dels mosquits (ajust del temps de generació per a la transició E-I). El diagrama següent resumeix tot el procés:

El període de generació medeix la duració mitjana des de l’aparició inicial dels símptomes fins a l’exposició subseqüent d’un cas secundari. Correspon a la suma del període E i de la meitat del període I. Ajustem el període I a les estimacions de disseminació viral del virus DENV humà, i a continuació ajustem el període E per tal que la suma E+I s’adigui a l’interval de sèrie estimat per al DENV. D’aquesta manera, el model proporciona uns períodes temporals realistes per als brots.

ArboCat permet calcular el Risc d’Expansió Epidèmica utilitzant un criteri per a la classificació dels brots com a epidèmies (per exemple, més de 10 transmissions autòctones), i d’aquesta manera els experts en salut pública poden dissenyar desencadenants de monitorització a través de l’estimació de la probabilitat d’epidèmia donat el nombre de casos observats en un municipi. A més a més, mitjançant la simulació de diferents escenaris per al càcul d’R0 (canvi climàtic, sobreproliferació de vectors, projeccions econòmiques i el seu impacte en les variables socioeconòmiques de la població) és possible simular futurs escenaris d’epidèmia.

La plataforma ArboCat proporciona un conjunt d’eines per a l’anàlisi epidemiològica de brots arbovírics simulats. En línia amb aquesta idea, en funció dels paràmetres inicials introduïts al model compartimental estocàstic SEIR, és possible simular diferents escenaris i obtenir distribucions de probabilitat i corbes de dinàmica temporal per als estadis inicials del brot.

ArboCat és un projecte que evoluciona contínuament.

S’hi incorporaran i carregaran actualitzacions de forma automàtica, amb l’objectiu de millorar la qualitat de les prediccions. La nostra col·laboració internacional amb la Universitat de Texas a Austin, així com els nostres socis locals (ASPCat, CREAF, VHIR, xarxa interdisciplinar PICAT) garanteixen un desenvolupament prometedor de millores futures en l’habilitat i la capacitat de la plataforma per tal d’identificar les amenaces per a la salut pública causades per les infeccions arbovíriques en un món canviant.