I luoghi “superdiffusori” del virus SARS-CoV-2

L'analisi dei dati raccolti dai telefoni cellulari per tracciare i contatti umani nei diversi luoghi della città offre l’opportunità per creare un modello che descrive i rischi di infezione e spiegare le disparità nel contagio.

Big data e semplici modelli matematici utilizzati per tracciare la diffusione di COVID-19 nelle città

Comprendere le dinamiche dell’infezione da SARS-CoV-2 potrebbe aiutarci a limitarne la diffusione. L'analisi dei dati raccolti dai telefoni cellulari per tracciare i contatti umani nei diversi luoghi della città offre l’opportunità per creare un modello che descrive i rischi di infezione e spiegare le disparità nel contagio.

Uno studio recente pubblicato su Nature presenta un metodo innovativo che, combinando dati epidemiologici e dati sugli spostamenti umani ricavati dai cellulari, permette di costruire un modello matematico che consente di generare e, in una certa misura, di testare ipotesi su dove il virus viene trasmesso, su come nascono le disparità razziali e socio-economiche nelle infezioni COVID-19 e su quanto possano essere efficaci le diverse misure di controllo del contagio.
Il modello è stato costruito dai ricercatori dell'Università di Stanford e della Northwestern University, che hanno utilizzato i dati di 98 milioni di persone raccolti tra marzo e maggio nelle città degli Stati Uniti per mappare gli spostamenti delle persone. Hanno analizzato dove sono andate, quanto tempo si sono fermate nei vari posti, quante altre persone sono state in quegli stessi posti, da quali quartieri provenivano. Hanno poi combinato queste informazioni con i dati sul numero di casi e con quelli sulla diffusione del virus per creare un modello che descrivesse il rischio di infezione.
Questo modello prevede che una piccola minoranza di posti (POI, points of interest) rivestano il ruolo di “superdiffusori” determinando la grande maggioranza delle infezioni. Secondo l’analisi di questo studio, ad esempio, se a Chicago i ristoranti fossero stati riaperti a pieno regime, avrebbero generato quasi 600.000 nuove infezioni, il triplo rispetto ad altri luoghi. Lo studio ha anche rilevato che circa il 10% dei locali esaminati rappresentava l'85% delle infezioni previste. Questo tipo di dati molto dettagliati «ci mostra dove c'è vulnerabilità», ha detto Eric Topol, dello Scripps Research Translational Institute (non coinvolto nello studio). «Allora quello che bisogna fare è concentrarsi nei posti dove serve farlo».

L'assunto chiave di Chang et al. è che il tasso di probabilità che le persone si infettino dipende dai luoghi che visitano e da come questo cambia nel tempo. In questo modello, i luoghi in cui le persone si fermano più a lungo e che sono più affollati comportano un rischio maggiore rispetto ai luoghi in cui le persone si fermano per meno tempo e che sono meno affollati. Questo modello di base è eccezionalmente semplice, ma la struttura dei cambiamenti comportamentali della popolazione nel tempo è fornita dai dati dettagliati sulla mobilità.
In un commento pubblicato su Nature, Marc Lipsitch e Kevin Ma della Harvard T.H. Chan School of Public Health, hanno scritto che esistono pochi dati epidemiologici per valutare l’efficienza dei vari interventi atti a frenare l'infezione. Per cui questi modelli matematici, hanno detto, possono fungere da punto di partenza per guidare le decisioni politiche atte a minimizzare la diffusione del contagio.
In una simulazione, la riduzione della capacità massima di luoghi precisi dell'area metropolitana di Chicago ha ridotto di oltre l'80% le nuove infezioni previste. E poiché i limiti di capacità massima hanno avuto un impatto principalmente solo sul numero di accessi che si verificano di solito nelle ore di punta, i ristoranti hanno perso solo il 42% degli avventori.
La riduzione della capacità massima, ha suggerito lo studio, può essere più efficace di misure meno mirate per contenere il virus, offrendo al tempo stesso un vantaggio economico. Non è necessario un lockdown per tenere a bada il virus. Le mascherine, il distanziamento sociale e la riduzione della ricettività di luoghi precisi possono giocare un ruolo importante nel tenere la situazione sotto controllo.
Il modello di Chang e colleghi prevede che le infezioni in luoghi come ristoranti, palestre e luoghi di culto hanno un ruolo sproporzionatamente grande nel far aumentare i tassi di infezione, corroborando i risultati degli studi epidemiologici. I luoghi mancanti dall'analisi di Chang e dei colleghi dimostrano alcuni dei limiti di questo lavoro. I bambini, gli anziani e le persone in carcere sono sottorappresentati nei set di dati, per cui non è stato possibile fare illazioni sul ruolo delle scuole, delle case di cura e delle carceri nella trasmissione dell’infezione. Modelli che incorporano sia dati sulla mobilità sia fonti di dati epidemiologici tipici, come le indagini sociali, potrebbero aiutare a colmare questa lacuna.

Il lavoro di Chang e dei suoi colleghi approfondisce anche la nostra comprensione delle possibili cause delle disparità osservate nei casi COVID-19 per livello di reddito. Combinando il loro modello di mobilità con i dati del censimento demografico, gli autori hanno identificato due possibili motivi principali. Il primo è che i quartieri a basso reddito, che tendono ad avere un numero maggiore di lavoratori in prima linea, hanno avuto una riduzione complessiva della mobilità durante i periodi di lockdown inferiore rispetto ai quartieri a reddito più elevato, una conclusione condivisa da altri studi. Il secondo possibile motivo è che, in molti tipi di ambienti, i locali visitati da persone provenienti da quartieri a basso reddito tendono ad essere più affollati di quelli visitati da persone provenienti da aree a reddito più elevato. Questo tipo di osservazione è possibile solo grazie all'alto livello di dettaglio sulle dimensioni dei locali e sull'occupazione nei dati analizzati da Chang e dai colleghi.

"Sono necessari ulteriori test di modelli", hanno scritto Ma e Lipsitch nel loro articolo, "ma date le sfide nella raccolta e nell'interpretazione di altri tipi di dati rilevanti, questi risultati potrebbero avere un ruolo prezioso nel guidare le decisioni politiche su come riaprire la società in modo sicuro e minimizzare i danni causati dalle misure di contenimento".

 

Fonti: Chang, S., Pierson, E., Koh, P.W. et al. Mobility network models of COVID-19 explain inequities and inform reopening. Nature (2020). https://doi.org/10.1038/s41586-020-2923-3
Ma KC, Lipsitch M. Big data and simple models used to track the spread of COVID-19 in cities. Nature. 2020 Nov 10. doi: 10.1038/d41586-020-02964-4. Epub ahead of print. PMID: 33173216.
Brown KV. Covid Superspreader Risk Is Linked to Restaurants, Gyms, Hotels. Bloomberg. November 10, 2020

Esanum is an online network for approved doctors

Esanum is the medical platform on the Internet. Here, doctors have the opportunity to get in touch with a multitude of colleagues and to share interdisciplinary experiences. Discussions include both cases and observations from practice, as well as news and developments from everyday medical practice.

Esanum ist ein Online-Netzwerk für approbierte Ärzte

Esanum ist die Ärzteplattform im Internet. Hier haben Ärzte die Möglichkeit, mit einer Vielzahl von Kollegen in Kontakt zu treten und interdisziplinär Erfahrungen auszutauschen. Diskussionen umfassen sowohl Fälle und Beobachtungen aus der Praxis, als auch Neuigkeiten und Entwicklungen aus dem medizinischen Alltag.

Esanum est un réseau en ligne pour les médecins agréés

Esanum est un réseau social pour les médecins. Rejoignez la communauté et partagez votre expérience avec vos confrères. Actualités santé, comptes-rendus d'études scientifiques et congrès médicaux : retrouvez toute l'actualité de votre spécialité médicale sur esanum.