Información

¿Cuál es la fórmula para calcular $ R_0 $ (número de reproducción básico)?

¿Cuál es la fórmula para calcular $ R_0 $ (número de reproducción básico)?



We are searching data for your request:

Forums and discussions:
Manuals and reference books:
Data from registers:
Wait the end of the search in all databases.
Upon completion, a link will appear to access the found materials.

¿Cuál es la fórmula matemática para $ R_0 $ y ¿qué representa cada variable?

He intentado buscar esto en vano.


$$ R_0 ∝ left ( frac { text {infección}} { text {contacto}} derecha) · left ( frac { text {contacto}} { text {tiempo}} derecha) · left ( frac { text {time}} { text {infección}} right) $$

Más específicamente:

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

dónde $ τ $ es la transmisibilidad (es decir, la probabilidad de infección dado el contacto entre un individuo susceptible e infectado), $ bar {c} $ es la tasa promedio de contacto entre individuos susceptibles e infectados, y $ d $ es la duración de la infecciosidad.

  • Notas sobre $ R_0 $ (2007)

Otras lecturas:

  • https://en.wikipedia.org/wiki/Basic_reproduction_number
  • Complejidad del número de reproducción básico (R0), Enfermedades Infecciosas emergentes (2019)
  • Teoría versus datos: cómo calcular R0?, PLoS One (2007)
  • El paquete R0: una caja de herramientas para estimar las cifras de reproducción de brotes epidémicos, BMC Medical Informatics and Decision Making (2012)

Aproximación del número de reproducción básico R 0 para enfermedades transmitidas por vectores con una población de vectores periódica

El propósito principal de este artículo es dar una fórmula aproximada que incluya dos términos para el número de reproducción básico R 0 de una enfermedad transmitida por vectores cuando la población de vectores tiene pequeñas fluctuaciones estacionales de la forma pag(t) = pag 0 (1 + ε cos (ωt - φ)) con ε ≪ 1. El primer término es similar al caso de una población vectorial constante pag pero con pag reemplazado por la población media de vectores pag 0. La corrección máxima debida al segundo término es (ε 2/8)% y siempre tiende a disminuir R 0. El número de reproducción básico R 0 se define a través del radio espectral de un operador integral lineal. Cuatro métodos numéricos para el cálculo de R 0 se comparan utilizando como ejemplo un modelo para la epidemia de chikungunya 2005/2006 en La Reunión. La fórmula aproximada y los métodos numéricos se pueden utilizar para muchos otros modelos epidémicos con estacionalidad.

Esta es una vista previa del contenido de la suscripción, acceda a través de su institución.


Fondo

En 2009, el nuevo virus de la influenza A / H1N1 se extendió rápidamente por todo el mundo [1]. En el documento de orientación de la Organización Mundial de la Salud [2] que detalla los parámetros epidemiológicos para determinar rápidamente después de la identificación de la enfermedad fueron: el período de incubación, es decir, el tiempo entre la infección y los síntomas el intervalo de serie, es decir, el tiempo entre la aparición de los síntomas en los casos primarios y secundarios y el tasa de reproducción inicial, es decir, el número medio de casos secundarios por caso primario. En una revisión sistemática de todos los artículos que presentan tales estimaciones para la pandemia de influenza H1N1 2009 [3], encontramos una gran variabilidad en los métodos utilizados para estimar los mismos parámetros.

Por lo tanto, las diferencias numéricas en las estimaciones comunicadas se debieron en parte al método elegido. La aplicación de todos los métodos en el mismo conjunto de datos ayudaría a comprender qué variación se debe al método, y esto se alentará si el código requerido se distribuye ampliamente. También vale la pena señalar que la variación sutil surge de la implementación real de los mismos métodos. Por ejemplo, la "tasa de crecimiento exponencial" inicial de la curva epidémica, utilizada en el método descrito por Wallinga & amp Lipsitch [4], se ha estimado mediante regresión lineal sobre la incidencia registrada [5], regresión de Poisson sobre los datos de incidencia [6] o renovación ecuaciones [7].

Es posible que los autores hayan proporcionado código para implementar sus métodos, pero aún no se ha hecho ningún esfuerzo para proporcionar a los usuarios finales un marco único, con un enfoque estandarizado que permita comparaciones fáciles. Para permitir comparaciones y proporcionar enfoques más estandarizados, desarrollamos un paquete R que implementa cinco métodos que fueron los más utilizados durante la pandemia de influenza H1N1 2009. Estos métodos son métodos "enchufables" que solo requieren datos que se registran comúnmente durante un brote (curva epidémica, intervalo de serie) y se han aplicado en una variedad de situaciones.

Después de recordar brevemente el principio de estos métodos, ilustramos su uso, proponemos algunas herramientas para examinar críticamente los resultados y finalmente discutir la aplicabilidad y las limitaciones.

Implementación

Recordamos y describimos la implementación de métodos para estimar la distribución del intervalo de serie y los números de reproducción en epidemias. También proponemos herramientas para explorar la sensibilidad de las estimaciones a los supuestos requeridos.

Definición de una distribución del tiempo de generación

El tiempo de generación es el lapso de tiempo entre la infección en un caso primario y un caso secundario. La distribución del tiempo de generación debe obtenerse del intervalo de tiempo entre todos los pares de infectados / infectantes [8]. Como no se puede observar directamente, a menudo se sustituye por la distribución de intervalo en serie que mide el tiempo entre la aparición de los síntomas. En nuestro paquete de software, la función "generation.time" se utiliza para representar una distribución discretizada del tiempo de generación. La discretización se realiza en la cuadrícula [0,0.5), [0.5, 1.5), [1.5, 2.5), etc.… donde la unidad es un intervalo de tiempo elegido por el usuario (hora, día, semana…). Se admiten varias descripciones: "empírica" ​​que requiere la especificación completa de la distribución, o distribuciones paramétricas tomadas entre "gamma", "lognormal" o "weibull". En el último caso, la desviación media y estándar debe proporcionarse en las unidades de tiempo deseadas.

También se proporciona una función ("est.GT") para estimar la distribución del intervalo en serie a partir de una muestra de intervalos de tiempo observados entre la aparición de los síntomas en los casos primarios y los casos secundarios por máxima probabilidad.

Estimación de los números de reproducción inicial

Las cifras de reproducción pueden estimarse en diferentes momentos durante una epidemia. A continuación, recordamos los métodos para estimar el número de reproducción "inicial", es decir, al comienzo de un brote, y para estimar el número de reproducción "dependiente del tiempo" en cualquier momento durante un brote, así como las hipótesis requeridas para la métodos. También se presentan las extensiones propuestas y las opciones implementadas en el software.

Tasa de ataque (AR)

En el modelo SIR clásico de transmisión de enfermedades, la tasa de ataque (AR: el porcentaje de la población eventualmente infectada) está relacionada con el número de reproducción básico [9], por R 0 = - log 1 - AR S 0 AR - 1 - S 0 donde S 0 es el porcentaje inicial de población susceptible. Los supuestos requeridos son mezcla homogénea, población cerrada y ninguna intervención durante el brote.

Crecimiento exponencial (EG)

Como resumen Wallinga & amp Lipsitch [4], la tasa de crecimiento exponencial durante la fase inicial de un brote puede vincularse a la tasa de reproducción inicial. La tasa de crecimiento exponencial, denotada por r, se define por el cambio per cápita en el número de casos nuevos por unidad de tiempo. Como los datos de incidencia tienen valores enteros, se indica una regresión de Poisson para estimar este parámetro [6, 10], en lugar de una regresión lineal de la incidencia registrada. El número de reproducción se calcula como R = 1 M - r donde M es la función generadora de momentos de la distribución del tiempo de generación (discretizada). Es necesario elegir un período de la curva epidémica en el que el crecimiento sea exponencial. Proponemos utilizar el estadístico R cuadrado basado en la desviación para guiar esta elección. No se asume la mezcla de la población.

Estimación de máxima verosimilitud (ML)

Este modelo, propuesto por White & amp Pagano [11], se basa en la suposición de que el número de casos secundarios causados ​​por un caso índice tiene una distribución de Poisson con el valor esperado R. Dada la observación de (norte 0, norte 1, …, norte T) casos incidentes en unidades de tiempo consecutivas, y una distribución de tiempo de generación w, R se estima maximizando la probabilidad logarítmica LL R = ∑ t = 1 T log e - μ t μ t N t N t! dónde μ t = RI = 1 t norte tI w I. Aquí nuevamente, la probabilidad debe calcularse en un período de crecimiento exponencial, y la medida de la desviación R-cuadrado puede usarse para seleccionar el mejor período. No se hace ninguna suposición sobre la mezcla de la población.

El enfoque asume que la curva epidémica se analiza desde el primer caso. Si este no es el caso, el número de reproducción inicial se sobrestimará, ya que los casos secundarios se asignarán a muy pocos casos índice: implementamos una corrección como se describe en Archivo adicional 1: Material complementario S1. También es posible contabilizar la importación de casos durante el curso de la epidemia.

Método bayesiano secuencial (SB)

Este método, aunque introducido como “bayesiano en tiempo real” por sus autores, permite más exactamente la estimación secuencial del número de reproducción inicial. Se basa en una aproximación al modelo SIR, según el cual la incidencia en el tiempo t + 1, norte(t + 1) tiene una distribución aproximada de Poisson con media norte(t)mi (γ(R - 1)) [12], donde 1 γ es la duración media del período infeccioso. El algoritmo propuesto, descrito en un marco bayesiano, comienza con un previo no informativo sobre la distribución del número de reproducción R. La distribución se actualiza a medida que se observan nuevos datos, utilizando 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. En otras palabras, la distribución previa para R utilizada en cada nuevo día es la distribución posterior del día anterior. En cada momento, la moda del posterior puede calcularse junto con el intervalo de densidad de probabilidad más alto. Como antes, el método requiere que la epidemia se encuentre en un período de crecimiento exponencial, es decir, no tiene en cuenta el agotamiento susceptible, utiliza implícitamente una distribución exponencial para el tiempo de generación y asume una mezcla aleatoria en la población.

Estimación de números de reproducción dependientes del tiempo (TD)

El método dependiente del tiempo, propuesto por Wallinga & amp Teunis [13], calcula los números de reproducción promediando todas las redes de transmisión compatibles con las observaciones. La probabilidad pag ijque el caso i con inicio en el momento ti fue infectado por el caso j con inicio en el momento tj se calcula como p i j = N i w t i - t j ∑ i ≠ k N i w t i - t k. Por tanto, el número de reproducción efectivo para el caso j es R j = ∑ I pag ij, y se promedia como R t = 1 N t ∑ t j = t R j en todos los casos con la misma fecha de inicio. El intervalo de confianza para Rt se puede obtener mediante simulación. Es posible la corrección para la estimación en tiempo real, cuando se tienen en cuenta casos secundarios aún no observados [14]. Es posible contabilizar los casos de importación durante el curso de la epidemia.


¿A cuántos más infectará cada persona enferma?

El número de reproducción, R0 para abreviar, describe cuántos casos adicionales de una enfermedad causará cada persona infectada durante su período infeccioso. Los números son un rango, porque dependen de una variedad de factores que varían de una situación a otra.

Enfermedad Número de reproducción R0
Ébola, 2014 1,51 hasta 2,53
Influenza H1N1, 2009 1,46 a 1,48
Influenza estacional 0,9 hasta 2,1
Sarampión 12 a 18
MERS alrededor de 1
Polio 5 a 7
SARS & lt1 a 2,75
Viruela 5 a 7
SARS-CoV-2 (causa COVID-19) 1,5 hasta 3,5

Cuando las agencias de salud pública están averiguando cómo lidiar con un brote, están tratando de reducir el R0 a menos de 1. Esto es difícil para enfermedades como el sarampión que tienen un R0 alto. Es especialmente desafiante para el sarampión en regiones densamente pobladas como India y China, donde R0 es más alto, en comparación con lugares donde la gente está más dispersa.

Para la pandemia de SARS en 2003, los científicos estimaron que el R0 original era de alrededor de 2,75. Uno o dos meses después, el R0 efectivo cayó por debajo de 1, gracias al tremendo esfuerzo que se hizo en las estrategias de intervención, incluidas las actividades de aislamiento y cuarentena.

Sin embargo, la pandemia continuó. Mientras que, en promedio, una persona contagiosa se transmite a menos de un individuo susceptible, ocasionalmente una persona transmite a decenas o incluso cientos de otros casos. Este fenómeno se llama superpropagación. Los funcionarios documentaron sucesos de super esparcidores varias veces durante la epidemia de SARS en Singapur, Hong Kong y Beijing.


Contenido

Las raíces del concepto básico de reproducción se pueden rastrear a través del trabajo de Ronald Ross, Alfred Lotka y otros, [29] pero su primera aplicación moderna en epidemiología fue por George Macdonald en 1952, [30] quien construyó modelos poblacionales de la propagación de malaria. En su trabajo, llamó a la cantidad tasa de reproducción básica y la denotó por Z 0 < displaystyle Z_ <0>>. Llamar tasa a la cantidad puede ser engañoso, en la medida en que "tasa" puede interpretarse erróneamente como un número por unidad de tiempo. Ahora se prefiere "número" o "proporción". [ cita necesaria ]

Tasa de contacto y período infeccioso Editar

Con periodos de latencia variables Editar

El período latente es el tiempo de transición entre el evento de contagio y la manifestación de la enfermedad. En casos de enfermedades con períodos de latencia variables, el número de reproducción básico se puede calcular como la suma de los números de reproducción para cada tiempo de transición a la enfermedad. Un ejemplo de esto es la tuberculosis (TB). Blower y coautores calcularon a partir de un modelo simple de TB el siguiente número de reproducción: [32]

Poblaciones heterogéneas Editar

El número de reproducción básico se puede estimar examinando cadenas de transmisión detalladas o mediante secuenciación genómica. Sin embargo, se calcula con mayor frecuencia utilizando modelos epidemiológicos. [35] Durante una epidemia, normalmente se conoce la cantidad de infecciones diagnosticadas N (t) < displaystyle N (t)> a lo largo del tiempo t < displaystyle t>. En las primeras etapas de una epidemia, el crecimiento es exponencial, con una tasa de crecimiento logarítmica.

Modelo simple Editar

Período infeccioso latente, aislamiento después del diagnóstico Editar

En este modelo, una infección individual tiene las siguientes etapas:

  1. Expuesto: un individuo está infectado, pero no presenta síntomas y aún no infecta a otros. La duración promedio del estado expuesto es τ E < displaystyle tau _> .
  2. Infeccioso latente: un individuo está infectado, no tiene síntomas, pero infecta a otros. La duración promedio del estado infeccioso latente es τ I < displaystyle tau _>. El individuo infecta a R 0 < displaystyle R_ <0>> a otros individuos durante este período. después del diagnóstico: se toman medidas para prevenir nuevas infecciones, por ejemplo, aislando a la persona infectada.

Aunque R 0 < displaystyle R_ <0>> no se puede modificar mediante vacunación u otros cambios en la susceptibilidad de la población, puede variar en función de una serie de factores biológicos, socioconductuales y ambientales. [27] También puede modificarse mediante el distanciamiento físico y otras políticas públicas o intervenciones sociales, [42] [27] aunque algunas definiciones históricas excluyen cualquier intervención deliberada para reducir la transmisión de enfermedades, incluidas las intervenciones no farmacológicas. [23] Y de hecho, si las intervenciones no farmacológicas se incluyen en R 0 < displaystyle R_ <0>> a menudo depende del artículo, la enfermedad y si se está estudiando alguna intervención. [27] Esto crea cierta confusión, porque R 0 < displaystyle R_ <0>> no es una constante, mientras que la mayoría de los parámetros matemáticos con subíndices "nada" son constantes.

Los métodos utilizados para calcular R 0 < displaystyle R_ <0>> incluyen la función de supervivencia, reordenando el valor propio más grande de la matriz jacobiana, el método de próxima generación, [45] cálculos a partir de la tasa de crecimiento intrínseca, [46] existencia de la equilibrio endémico, el número de susceptibles en el equilibrio endémico, la edad promedio de infección [47] y la ecuación de tamaño final. Pocos de estos métodos concuerdan entre sí, incluso cuando se parte del mismo sistema de ecuaciones diferenciales. [41] Incluso menos calculan realmente el número medio de infecciones secundarias. Dado que R 0 < displaystyle R_ <0>> rara vez se observa en el campo y generalmente se calcula mediante un modelo matemático, esto limita severamente su utilidad. [48]


¿Cuáles son los valores R0 y Re para el SARS-CoV-2?

El SARS-CoV-2, el coronavirus que ha causado la pandemia del covid-19, tiene un R0 estimado de alrededor de 2.63, dice el Equipo de Servicio de Evidencia COVID-19 de la Universidad de Oxford. Sin embargo, las estimaciones varían entre 0,4 y 4,6. Esto no es inusual, ya que R0 las estimaciones a menudo varían, con diferentes modelos y datos que se utilizan para calcularlo. Al sarampión, por ejemplo, se le ha asignado R0 valores comprendidos entre 3,7 y 203,03,2

El rmi también variará entre diferentes países y entre regiones. El primer ministro del Reino Unido, Boris Johnson, dijo el 10 de mayo que el Rmi en Inglaterra estaba actualmente "entre 0,5 y 0,9, pero potencialmente un poco menos de 1". En Escocia, el primer ministro Nicola Sturgeon dijo que estaba entre 0,7 y 1.

En Alemania, el Instituto Robert Koch informó el 9 de mayo que el Rmi había aumentado a 1,1 pocos días después de que el país comenzara a flexibilizar las medidas de bloqueo. El mismo efecto también se observó en Dinamarca cuando reabrió las escuelas primarias en abril: el Rmi aumentó de 0,6 a 0,9.


¿Por qué necesitamos una R menor que 1?

Este umbral, una R de 1, será cada vez más crucial en los próximos meses. Como explicó el gobierno del Reino Unido en el video que acompañó a su conferencia de prensa del 30 de abril, una cifra R que sea incluso ligeramente superior a 1 puede conducir rápidamente a un gran número de casos gracias al crecimiento exponencial.

Así es como funciona. Digamos que una enfermedad tiene una R de 1,5. Esto puede parecer una cifra manejable, pero un vistazo a las cifras demuestra rápidamente que no es el caso. Una R de 1,5 haría que 100 personas infectaran a 150, que a su vez infectarían a 225, que infectarían a 338. En tres rondas de infección, el número de personas con el virus se habría cuadriplicado a 438. Dado que los casos en todo el mundo ahora superan los 3,5 millones, esto ayuda a explicar por qué el nuevo coronavirus pudo propagarse tan rápidamente entre una población mundial sin inmunidad previa.

Por el contrario, una R de menos de 1 significa que el virus eventualmente desaparecerá; cuanto menor sea la R, más rápidamente sucederá. Una R de 0.5 significa que 100 personas infectarían solo a 50, quienes infectarían a 25, quienes infectarían 13. A medida que disminuya el número de casos y las personas enfermas mueran o se recuperen, el virus estará bajo control, siempre que la R puede mantenerse bajo.


Comprensión de las predicciones: ¿qué es R-cero?

En un brote, la cuestión de qué tan rápido se propaga un nuevo patógeno de un caso a varios es una pieza esencial del rompecabezas que los científicos intentan armar. Para responder a esta pregunta, los expertos utilizan modelos que proporcionan estimaciones, a partir de diferentes fuentes de información. El resultado de este complejo proceso de modelado es un número de reproducción básico, o R0, eso nos dice, en promedio, cuántas personas puede infectar una persona infectada.

¿Qué es R-nada?
R-nada (R0) es un valor que se puede calcular para las enfermedades transmisibles. Representa, en promedio, la cantidad de personas a las que se puede esperar que una sola persona infectada transmita esa enfermedad. En otras palabras, es un cálculo de la "capacidad de propagación" promedio de una enfermedad infecciosa.

¿Por qué es útil?
R0 proporciona información valiosa sobre la posible propagación de una enfermedad que los gobiernos locales, estatales y nacionales, así como las autoridades de salud pública, pueden utilizar para influir en la toma de decisiones para controlar mejor la enfermedad. Además, dado que se puede calcular para diversas enfermedades, nos permite contextualizar un brote con otros que hemos visto anteriormente, como SARS, MERS, Ébola, SIDA, gripe estacional, pandemia de gripe H1N1 2009, etc.

¿Cómo se calcula?
Hay tres factores principales que se utilizan para calcular R0. Son el período infeccioso de la enfermedad, el modo de transmisión y la tasa de contacto. Profundizaremos un poco más en cada uno.

Periodo infeccioso
Este es el tiempo que una persona infectada puede transmitir esa infección a otro humano: cuánto tiempo una persona con la enfermedad es contagiosa. Los períodos infecciosos más largos significan un R más alto0 valores.

Modo de transmisión
Así es como se transmite la enfermedad. Las infecciones transmitidas por el aire, como la gripe, se propagarán más rápidamente que las que requieren contacto físico para transmitirse, como el VIH o el Ébola. Por lo tanto, las infecciones transmitidas por el aire tienden a tener una R más alta0 valores.

Tasa de contacto
Esto se refiere a la cantidad de personas con las que se puede esperar que entre en contacto una persona con la enfermedad. Esta variable no es específica de una enfermedad como las dos primeras. Más bien se ve afectado por numerosos factores, incluida la ubicación y las medidas de salud pública vigentes, como cuarentenas o prohibiciones de viaje. Este factor es considerablemente modificable.

Fuentes de incertidumbre en R0 en el brote de 2019-nCoV

Periodo infeccioso
Esta variable es relativamente fija para una infección determinada, pero puede variar un poco de una persona a otra. Por ejemplo, una persona más joven, por lo demás sana, puede ser contagiosa durante menos tiempo que una persona mayor con problemas de salud subyacentes. En el caso de 2019-nCoV, tenemos estimaciones para el período infeccioso basadas en los casos iniciales, pero estos valores siguen siendo estimaciones. Esto también plantea el punto de que R0 es un promedio, y los valores a partir de los cuales se calcula, incluido el período infeccioso, también son promedios, lo que significa que puede haber una variabilidad considerable. Por ejemplo, cuando hay super difusores con una R alta0, esto será compensado por la mayoría de la población que realmente tiene un bajo R0.

Modo de transmisión
Esta variable también es relativamente fija para una infección determinada, pero de manera similar al período infeccioso, no estamos seguros exactamente cómo se propaga 2019-nCoV. Varios estudios preliminares sugieren que las gotas grandes en el aire, como las que se pueden producir a partir de la tos de una persona infectada, pueden transmitir la enfermedad, pero ha habido confusión sobre si las personas con 2019-nCoV son infecciosas antes de desarrollar síntomas. Por ejemplo, un artículo publicado en The New England Journal of Medicine el 30 de enero que documentaba evidencia de transmisión asintomática de 2019-nCoV ahora se ha informado que se basa en información defectuosa. Todavía estamos aprendiendo sobre este virus y cualquier R0 los valores producidos hasta ahora solo se pueden calcular en base a la información disponible.

Tasa de contacto
Aquí es donde las cosas comienzan a complicarse un poco. La tasa de contacto de un paciente infectado puede variar enormemente de una persona a otra y depende de numerosas variables, incluida la geografía, los patrones de viaje, las cuarentenas o prohibiciones de viaje, y la capacidad de un sistema de salud para identificar y aislar de manera efectiva a los pacientes infectados, por nombrar algunos. Este valor, a diferencia del período infeccioso o modo de transmisión, es altamente modificable. Tasas de contacto más altas significan R más alto0 valores, pero todos estos factores deben estimarse en función del contexto del brote. En el caso de 2019-nCoV, un artículo reciente en The Lancet estimó los volúmenes de viajes diarios y tuvo en cuenta las intervenciones de salud pública, como las cuarentenas, para producir sus estimaciones.

R0 de 2019-nCoV en contexto

R0 A menudo se representa gráficamente junto con la tasa de mortalidad de una enfermedad, como en este interactivo del NYT (desplácese hacia abajo) o en esta visualización. Esta es una forma útil de tener una idea tanto de la "capacidad de propagación" de una enfermedad como de su grado de letalidad, en comparación con otras, pero no está exenta de problemas. En esta etapa, la tasa de mortalidad de 2019-nCoV no se puede calcular con precisión porque no conocemos el número real de casos totales; por lo tanto, es una estimación basada en lo que sabemos hasta ahora, al igual que R0. Por lo tanto, tales gráficos brindan un contexto de dónde se encuentra el 2019-nCoV en comparación con otras enfermedades infecciosas, pero debemos tener en cuenta que el simple hecho de ver que el 2019-nCoV no parece ser tan fatal o propagable, no significa que la realidad del el brote se desarrollará de esa manera.

¿Qué significa todo esto?
Esto destaca la complejidad y variabilidad inherentes a los brotes. R0 Los valores pueden ser útiles para medir la gravedad del brote, pero una R alta0 El valor no garantiza una propagación mundial o una pandemia. Es un cálculo de un valor promedio que se basa en estimaciones de promedios. Cuando temprano R0 Se producen valores, deben circular con cuidado y orientación sobre cómo interpretarlos. Hemos visto alarma pública alrededor de R0 estimaciones con este brote actual, que es exactamente lo que deberíamos intentar evitar.


El número de reproducción básico (R 0) del sarampión: una revisión sistemática

El número de reproducción básico, R cero (R0), se define como el número medio de casos secundarios de una enfermedad infecciosa que surgen de un caso típico en una población totalmente susceptible, y puede estimarse en poblaciones si se puede tener en cuenta la inmunidad preexistente en el cálculo. R0 determina el umbral de inmunidad colectiva y, por tanto, la cobertura de inmunización necesaria para lograr la eliminación de una enfermedad infecciosa. Como R0 aumenta, se requiere una mayor cobertura de inmunización para lograr la inmunidad colectiva. En julio de 2010, un panel de expertos convocado por la OMS concluyó que el sarampión puede y debe erradicarse. A pesar de la existencia de una vacuna eficaz, las regiones han tenido un éxito variable en el control del sarampión, en parte porque el sarampión es una de las infecciones más contagiosas. Para el sarampión, R0 a menudo se cita como 12-18, lo que significa que cada persona con sarampión infectaría, en promedio, a 12-18 personas más en una población totalmente susceptible. Hicimos una revisión sistemática para encontrar estudios que informaran estimaciones rigurosas y determinantes del sarampión R0. Los estudios se incluyeron si eran una fuente primaria de R0, abordaron la inmunidad preexistente y tuvieron en cuenta la inmunidad preexistente en su cálculo de R0. Se realizó una búsqueda de bases de datos clave en enero de 2015, y se repitió en noviembre de 2016, y arrojó 10 883 citas únicas. Después de la selección de relevancia y calidad, 18 estudios cumplieron los criterios de inclusión, proporcionando 58 R0 estimados. Calculamos la mediana del sarampión R0 valores estratificados por covariables clave. Encontramos que R0 las estimaciones varían más que el rango frecuentemente citado de 12-18. Nuestros resultados destacan la importancia de que los países calculen R0 utilizando datos derivados localmente o, si esto no es posible, utilizando estimaciones de parámetros de entornos similares. Se necesitan datos adicionales y métodos de revisión acordados para fortalecer la base de pruebas para la modelización de la eliminación del sarampión.


Ver el vídeo: r0 Número Básico de Reproducción (Agosto 2022).