Aviso: Esta página é uma tradução automática da página original em inglês. Por favor note uma vez que as traduções são geradas por máquinas, não tradução tudo será perfeita. Este site e suas páginas da Web destinam-se a ler em inglês. Qualquer tradução deste site e suas páginas da Web pode ser imprecisas e imprecisos no todo ou em parte. Esta tradução é fornecida como uma conveniência.

Modelagem causal dinâmica para a projecção futura da pandemia COVID-19

O início da pandemia da doença 2019 do coronavirus (COVID-19) causada pelo coronavirus 2 da Síndrome Respiratória Aguda Grave (SARS-CoV-2) causou sobre 4,85 milhão mortes no mundo inteiro. A maioria de cientistas concordam em todo o mundo que o método o mais eficaz para terminar a pandemia actual é com a vacinação.

Conseqüentemente, a procura para uma vacina apropriada contra SARS-CoV-2 conduzido à revelação de diversos candidatos vacinais. Estas vacinas submeteram-se a vários círculos dos ensaios clínicos antes que puderam ser administrado em grande escala aos seres humanos.

Em conseqüência do desenrolamento vacinal no Reino Unido, muitos escolheram abandonar medidas de controle da saúde pública tais como o social que afasta-se e queveste. Assim, a situação actuais no Reino Unido fornece uma experiência natural a outros países para a avaliação de suas próprias intervenções públicas.

Estudo: Uma projecção de doze-mês ao setembro de 2022 da epidemia Covid19 no Reino Unido usando um modelo causal dinâmico. Crédito de imagem: NicoElNino/Shutterstock.com

Um estudo novo publicado no medRxiv* do server da pré-impressão utiliza a modelagem causal dinâmica (DCM) para prever os efeitos de deixar a varredura SARS-CoV-2 através de uma população pela maior parte vacinada. DCM combina modelos epidemiológicos com a modelagem comportável a nível da população. Conseqüentemente, as previsões de DCM poderiam fornecer uma linha de base para outros países que os ajudariam a monitorar os efeitos de suas medidas de controle da saúde pública.

Sobre o estudo

O estudo actual envolveu DCM que teve determinadas vantagens, porque estes modelos poderiam continuamente assimilar dados assim como alterar os parâmetros modelo tais como mudanças em se afastar social, no transmissibility do vírus, e na cobertura vacinal. O modelo igualmente fornece projecções e avaliações atualizadas, inteiramente é descrito, inclui todos os dados suscetíveis, expor, contaminados, removidos (SEIR) padrão, assim como incorpora interacções entre variáveis.

Os modelos padrão de SIER dependem da escolha dos parâmetros, que exige suposições, visto que o modelo de DCM é suposição-livre. O modelo é bastante exacto em modelar as fases passadas da pandemia, assim como em prever o que acontecerá se tudo continua como era.

Os dados igualmente incluídos actuais do estudo da saúde pública Inglaterra (PHE) e a avaliação da infecção COVID-19 do escritório de estatísticas nacionais (ONS). Diversas suposições são feitas no estudo, tal como o lockdown re-não serão impor, nenhum esforço da mitigação ocorrerá nas escolas, nenhuma variação nova do vírus elevararia apesar de poucas limitações de curso e beiras porosas, e a variação alfa é 50% mais transmissível do que a variação original quando a variação do delta for 50% mais transmissível do que a variação alfa.

O estudo igualmente envolveu a avaliação da eficácia vacinal a respeito da transmissão, da parogenicidade, da mortalidade, e da protecção da infecção. Para isso, as avaliações prévias derivadas do ONS estudam e a mortalidade do estudo de PHE foi exigida. As vacinas diferentes usadas no Reino Unido até o 15 de setembro de 2021, incluído (Moderna) as vacinas ChAdOx1, BNT162b2, e mRNA1273, que compreenderam 53%, 45%, e 3%, respectivamente, de todas as vacinas distribuídas durante todo o Reino Unido.

Três encenações diferentes foram apresentadas no estudo. O primeiro (NPI1) forneceu projecções os parâmetros da linha de base, o segundo (NPI2) melhorou a identificação, teste, traço, sistema do isolado e do apoio (FTTIS) de 30 a 50%, e o terço (NPI3) melhorou o sistema de FTTIS por 80 por cento.

Resultados do estudo

Os resultados do estudo actual indicaram que as vacinas eram altamente eficazes em reduzir a mortalidade e a morbosidade; contudo, não eram s eficaz em reduzir a transmissão. O modelo sugeriu que a perda de imunidade ocorresse em 284 dias, que era similar aos resultados do estudo do ONS. Conseqüentemente, as doses de impulsionador das vacinas podem ser exigidas.

O modelo igualmente previu que apesar das vacinações eficazes, o Reino Unido poderia esperar uma outra onda significativa de COVID-19 que poderia conduzir a 3 milhão casos da síndrome post-COVID-19, 150.000 admissões de hospital, e 300 milhão testes adicionais. Se junto com a vacinação outras protecções sanitárias públicas do abrandamento foram empregadas, a possibilidade de uma onda futura poderia ser eliminada.

Além disso, a ausência de controlo de fronteiras e de poucas limitações de curso permitirá que as variações novas entrem e invadam no Reino Unido. Isto impactaria o sistema adversamente já sobrecarregado da saúde. Também, a falta de protecções sanitárias públicas conduzirá à emergência das variações futuras que reintroduziriam mais lockdowns restritivos.

Projecções da curva epidémica BRITÂNICA - taxa de incidência, casos diariamente confirmados, e incidência de Covid longo aos março ou setembro de 2022.

Conclusão

Conseqüentemente, as lições para outros países são bastante claras. Nenhum país deve unicamente depender da vacinação para impedir a propagação mais adicional de SARS-CoV-2.

Além disso, o abrandamento de protecções sanitárias públicas tem diversos impactos negativos que incluem sobrecarregar o sistema de saúde outra vez, a emergência de variações vacina-resistentes, e os custos econômicos significativos devido a um grande número casos. Assim, junto com a vacinação, as protecções sanitárias públicas devem ser continuadas a impedir todas as epidemias COVID-19 mais adicionais.

observação *Important

o medRxiv publica os relatórios científicos preliminares que par-não são revistos e, não devem conseqüentemente ser considerados como conclusivos, guia a prática clínica/comportamento saúde-relacionado, ou tratado como a informação estabelecida.

Journal reference:
Suchandrima Bhowmik

Written by

Suchandrima Bhowmik

Suchandrima has a Bachelor of Science (B.Sc.) degree in Microbiology and a Master of Science (M.Sc.) degree in Microbiology from the University of Calcutta, India. The study of health and diseases was always very important to her. In addition to Microbiology, she also gained extensive knowledge in Biochemistry, Immunology, Medical Microbiology, Metabolism, and Biotechnology as part of her master's degree.

Citations

Please use one of the following formats to cite this article in your essay, paper or report:

  • APA

    Bhowmik, Suchandrima. (2021, October 10). Modelagem causal dinâmica para a projecção futura da pandemia COVID-19. News-Medical. Retrieved on December 07, 2021 from https://www.news-medical.net/news/20211010/Dynamic-causal-modeling-for-future-projection-of-the-COVID-19-pandemic.aspx.

  • MLA

    Bhowmik, Suchandrima. "Modelagem causal dinâmica para a projecção futura da pandemia COVID-19". News-Medical. 07 December 2021. <https://www.news-medical.net/news/20211010/Dynamic-causal-modeling-for-future-projection-of-the-COVID-19-pandemic.aspx>.

  • Chicago

    Bhowmik, Suchandrima. "Modelagem causal dinâmica para a projecção futura da pandemia COVID-19". News-Medical. https://www.news-medical.net/news/20211010/Dynamic-causal-modeling-for-future-projection-of-the-COVID-19-pandemic.aspx. (accessed December 07, 2021).

  • Harvard

    Bhowmik, Suchandrima. 2021. Modelagem causal dinâmica para a projecção futura da pandemia COVID-19. News-Medical, viewed 07 December 2021, https://www.news-medical.net/news/20211010/Dynamic-causal-modeling-for-future-projection-of-the-COVID-19-pandemic.aspx.