Identificare i diffusori nascosti della pandemia sulle reti di tracciamento dei contatti

Sep 18, 2023

Rapporti scientifici volume 13, numero articolo: 11621 (2023) Citare questo articolo

239 accessi

1 Altmetrico

Dettagli sulle metriche

I casi di infezione da COVID-19 sono aumentati a livello globale, causando devastazioni sia alla società che all’economia. Un fattore chiave che contribuisce alla diffusione sostenuta è la presenza di un gran numero di diffusori asintomatici o nascosti, che si mescolano tra la popolazione suscettibile senza essere rilevati o messi in quarantena. A causa della continua comparsa di nuove varianti virali, anche se i vaccini sono stati ampiamente utilizzati, l’individuazione di persone infette asintomatiche è ancora importante nel controllo dell’epidemia. Sulla base delle caratteristiche uniche delle dinamiche di diffusione del COVID-19, qui proponiamo un quadro teorico che cattura le probabilità di transizione tra diversi stati infettivi in ​​una rete e lo estende a un algoritmo efficiente per identificare individui asintotici. Troviamo che utilizzando equazioni di diffusione fisica pura, i diffusori nascosti di COVID-19 possono essere identificati con notevole precisione, anche con informazioni incomplete sulle reti di tracciamento dei contratti. Inoltre, il nostro quadro può essere utile per altre malattie epidemiche che presentano anche una diffusione asintomatica.

Poiché la pandemia di COVID-19 continua a diffondersi a ritmi rapidi1,2,3 e, secondo l’OMS, lo sviluppo di trattamenti farmacologici efficaci è ancora incerto, gli interventi non farmacologici come l’isolamento delle persone infettive attraverso la quarantena4,5 sono i più efficaci e possibilmente efficaci l’unico mezzo per contenere le continue epidemie, poiché riduce efficacemente la trasmissione da persona a persona 6. Tuttavia, a differenza di altre malattie infettive come la SARS e l’Ebola, il COVID-19 è unico in quanto gran parte della popolazione infetta è lieve o asintotica7. Anche alcune delle infezioni asintotiche non presentano alcun sintomo clinico fino all'autoguarigione8,9. Senza essere rilevata e successivamente messa in quarantena, la popolazione asintomatica (cioè i diffusori nascosti) sostiene inconsapevolmente la continua diffusione della malattia alla popolazione suscettibile10,11. Ciò rappresenta una sfida importante per l’efficace mitigazione della diffusione della pandemia. Inoltre, studi empirici hanno dimostrato che tali infezioni asintomatiche rappresentano un'ampia percentuale della popolazione12,13,14,15,16,17,18, fino all'80%18. Attualmente, la stima dei casi asintomatici viene effettuata attraverso uno screening esaustivo dei contatti stretti dei casi infetti noti nelle reti di tracciamento dei contatti17. Questo metodo non mirato richiede grandi quantità di risorse e richiede molto tempo, il che a sua volta porta a interventi inefficaci o ritardati per mettere in quarantena i casi asintomatici. D’altro canto, la combinazione di una rete di tracciamento dei contatti basata su app mobile19 e un quadro statistico20 mostra il potenziale per localizzare accuratamente gli spreader ad alto rischio21,22. Pertanto, è pertinente uno screening mirato nella rete di tracciamento dei contatti, in modo tale che gli individui asintomatici possano essere stimati con elevata precisione per l’intervento e la mitigazione della diffusione.

Qui incorporiamo le caratteristiche empiriche delle dinamiche di diffusione del COVID-19 in un processo markoviano, ovvero i vettori che rappresentano le diverse fasi dell’infezione e le probabilità di transizione ad esse associate. Incorporando il processo di transizione in una rete di tracciamento dei contatti che include i nodi (individui) infetti noti, sviluppiamo un metodo che prevede gli stati infettivi del resto della rete con elevata precisione. Combinando tali previsioni con la struttura della rete, ricaviamo quindi il potere di diffusione di ogni nodo tenendo conto sia del suo stato infettivo che della sua posizione specifica nella rete, in modo tale che lo screening degli asintomatici possa avere la priorità di conseguenza. L’efficacia del nostro metodo è convalidata da dati empirici provenienti da due reti di trasmissione COVID-19 a Singapore. Inoltre, nell’esperimento simulato di trasmissione COVID-19 della rete di tracciamento dei contatti, scopriamo che uno schema di screening progettato dal quadro computazionale proposto supera diverse linee di base di apprendimento automatico progettate in questo lavoro e lo screening casuale dei vicini infetti. Quest’ultimo è stato ampiamente utilizzato nelle prime epidemie di COVID-19 in Cina. Inoltre, anche nella situazione realistica di informazioni incomplete sulla rete di tracciamento dei contatti, con collegamenti mancanti o sottoreti costituite solo da contatti dei casi infetti, il nostro metodo mantiene un’elevata precisione. Pertanto il nostro metodo è altamente efficace nella stima dei casi asintomatici e può essere implementato in qualsiasi rete di tracciamento dei contatti costruita manualmente23,24 o attraverso mezzi tecnologici25 come Bluetooth26,27, GPS28 e tecnologie di check-in e check-out digitali (ad esempio codici QR sanitari29 ampiamente utilizzato in Cina).