ارزیابی سناریوهای اپیدمی آنفولانزای 2021/22 در ایتالیا در طی شیوع SARS-CoV{3}}

خلاصه

استراتژی‌های کاهش جهانی برای مقابله با تهدید ناشی از SARS-CoV-2 کاهش قابل توجهی در شدت آنفلوانزای فصلی 2020/21 ایجاد کرده است که ممکن است منجر به کاهش ایمنی طبیعی جمعیت برای فصل آتی آنفلوانزای 2021/22 شود. برای پیش‌بینی شیوع ویروس آنفولانزا در ایتالیا و تأثیر اقدامات پیشگیری و کنترل، ما یک مدل مستعد-در معرض-عفونی-حذف شده (SEIR) ساختار سنی ارائه می‌کنیم که شامل نقش الگوهای اختلاط اجتماعی و تأثیر طبقه‌بندی سن است. استراتژی‌های واکسیناسیون و مداخلات غیردارویی (NPIs) مانند تعطیلی مدارس، قرنطینه جزئی، و همچنین اتخاذ تجهیزات حفاظت فردی و رعایت بهداشت دست. ما متوجه شدیم که کمپین‌های واکسیناسیون با پوشش استاندارد می‌تواند باعث کاهش قابل توجه شیوع بیماری در فصول متوسط ​​آنفلوانزا شود و پذیرش NPIs را غیرضروری کند. با این حال، در صورت اپیدمی های فصلی شدید، پوشش استاندارد واکسیناسیون به اندازه کافی در مبارزه با اپیدمی موثر نخواهد بود، بنابراین به این معنی است که ترکیبی با پذیرش NPIs برای مهار بیماری ضروری است. از طرف دیگر، نتایج ما نشان می‌دهد که افزایش پوشش واکسیناسیون نیاز به اتخاذ NPI را کاهش می‌دهد، در نتیجه اثرات اقتصادی و اجتماعی که NPI ممکن است ایجاد کنند محدود می‌کند. نتایج ما نیاز به پاسخگویی به اپیدمی آنفولانزا از طریق تقویت پوشش واکسیناسیون را برجسته می کند.

فواید سیستانچ برای مردان - تقویت سیستم ایمنی بدن

1. معرفی

مبارزه جهانی با تهدید ناشی از بیماری سندرم حاد تنفسی-کرونا ویروس{1}} (SARS-CoV-2، که بیشتر به عنوان COVID-19 [1] شناخته می‌شود) منجر به اجرای گسترده مداخلات غیردارویی (NPIs) مانند قرنطینه نسبی، فاصله گذاری اجتماعی (به عنوان مثال، اجتناب از تجمعات جمعی، بستن مکان‌های تفریحی عمومی و مدارس)، و همچنین استفاده از تجهیزات حفاظت شخصی (PPE) و رعایت مکرر بهداشت دست. این مداخلات همچنان نقش مهمی در ایمنی بهداشت عمومی ایفا خواهند کرد زیرا انواع جدید کووید-19 در آینده پدید می‌آیند.

فواید سیستانچ برای مردان - تقویت سیستم ایمنی بدن

برای مشاهده محصولات Cistanche Enhance Immunity اینجا را کلیک کنید

【بیشتر بخواهید】 ایمیل:cindy.xue@wecistanche.com / Whats App: 0086 18599088692 / Wechat: 18599088692

اتخاذ این اقدامات از ماه های اول سال 2020 کاهش قابل توجهی در شدت بیماری های شبه آنفولانزای فصلی (ILI) در طول فصل 2020/21 ایجاد کرده است [2-4]، با اعدادی که شناسایی شده مشابه موارد گزارش شده در طول فصل است. -دوره های فصلی آنفولانزای فصلی (آنفولانزا) مانند کووید{7}} یک بیماری تنفسی بسیار عفونی است که عمدتاً از طریق هوا (قطره‌ها و آئروسل‌ها) منتقل می‌شود و می‌تواند عوارض جدی برای سلامتی ایجاد کند. در یک سال معمولی، شیوع جهانی ILI بین 5 تا 10 درصد برای بزرگسالان و بین 20 تا 30 درصد برای کودکان متغیر است، که از این تعداد تخمین زده می‌شود 3 تا 5 میلیون نفر شدید هستند که منجر به حدود 250،{15}} تا 500 می‌شود. ، 000 مرگ و میر ناشی از آنفولانزا [5]. اگرچه اقدامات کنترل کووید{20}} به جلوگیری از شیوع آنفولانزا در طول فصل 2020/21 کمک کرد [6]، کاهش شدت ILI ممکن است به معنای کاهش ایمنی جمعیت برای فصل 2021/22 باشد، زیرا اکثر افراد مبتلا به این بیماری هستند. بیش از یک سال در معرض ILI قرار نگرفته است [7، 8]. این امر آسیب پذیرترین افراد را در معرض خطر بیماری جدی قرار می دهد. با توجه به این موضوع، واکسیناسیون آنفولانزا می‌تواند نقش کلیدی در محدود کردن انتشار عفونت آنفلوانزای فصلی، و همچنین در جلوگیری از سیستم‌های مراقبت بهداشتی که قبلاً تحت فشار هستند، ایفا کند [9، 10]. مطالعات اخیر نشان داده است که شیوع کووید{30} باعث افزایش پایبندی به واکسیناسیون آنفولانزا شده است و به بالاترین پوشش در کمپین واکسیناسیون 2020/21 رسیده است [11-13]. علاوه بر این، تعداد زیادی از مطالعات نشان داده اند که NPI ها اثرات قابل توجهی بر گسترش اپیدمی های هوابرد دارند [14-16]. با توجه به تداوم تأثیر همه‌گیری کووید{37}} و غیرقابل پیش‌بینی بودن ویروس آنفولانزا، بررسی سناریوهای اپیدمی آنفولانزای مورد انتظار برای فصل آینده 2021/22 با در نظر گرفتن تأثیر شرایط فعلی به موقع است. NPI ها و استراتژی های واکسیناسیون آنفولانزا برای حمایت از تصمیم گیری فردی و سیاست گذاری در مبارزه با اپیدمی آنفولانزا. با ارائه پیش‌بینی‌هایی در مورد توزیع ILI در طبقات مختلف سنی، به مقامات اجازه داده می‌شود تا برنامه‌های آمادگی برای پاسخ به یک شیوع احتمالی همه‌گیری را توسعه دهند [17، 18].

همانطور که توسط مطالعات اخیر پیشنهاد شده است (به عنوان مثال، [19، 20])، توسعه رویکردهای ریاضی برای مدل سازی پویایی اپیدمی و تأثیر اقدامات کنترل و پیشگیری می تواند ابزاری برای ارزیابی و مقایسه اثربخشی اقدامات مختلف بهداشت عمومی فراهم کند. برای کنترل بیماری و می تواند یک عمل ضروری برای استنباط اطلاعات ارزشمند برای سیاست گذاران بهداشت عمومی در نظر گرفته شود [21]. اگرچه محدودیت‌هایی در مدل‌سازی موقعیت‌های زندگی واقعی وجود دارد، اما از مدل‌های ریاضی برای توصیف پویایی بیماری‌های قبلی مانند ویروس ابولا [22]، آنفولانزا [23، 24] و COVID{7}} [25- استفاده شده است. 28]. هدف این مقاله بررسی طیف گسترده ای از سناریوهای اپیدمی آنفولانزا برای فصل 2021/22 در ایتالیا با در نظر گرفتن تأثیر اقدامات کنترل و پیشگیری منفرد و چندگانه در گسترش بیماری برای شدت های مختلف فصلی است. ویژگی‌های سناریوهای اپیدمی از طریق یک مدل اپیدمیولوژیک مستعد در معرض عفونی-بازیابی شده قطعی ساختار یافته سنی (SEIR) ارزیابی می‌شوند، که به طور مناسب برای مدل‌سازی مناسب اختلاط اجتماعی با ساختار سنی و تأثیر اقدامات کنترل و پیشگیری گسترش یافته است. بررسی این سناریوها برای سیاست‌گذاران برای استنباط تأثیر اقدامات اجرایی و ارزیابی اینکه آیا استراتژی‌های کمپین واکسیناسیون برای کاهش موفقیت‌آمیز بار سلامت عمومی نیاز به بازنگری دارند، بسیار مهم است. ساختار مقاله به شرح زیر است: بخش 2 مدل اپیدمیولوژیک SEIR و سناریوهای بررسی شده را توصیف می کند. نتایج در بخش 3 و به دنبال آن بحث در بخش 4 ارائه شده است. در نهایت، اظهارات پایانی در بخش 5 ترسیم شده است.

گیاه سیستانچ سیستم ایمنی را افزایش می دهد

2. مواد و روشها 2.1. مدل اپیدمی

ما یک مدل محفظه قطعی با ساختار سنی بر اساس مدل شناخته شده SEIR [29, 30]، که در ابتدا به عنوان یک مدل اپیدمی برای توصیف پویایی یک بیماری عفونی در یک همگن و خوب معرفی شد، توسعه دادیم. جمعیت مختلط در میان رویکردهای مختلف توسعه یافته در گذشته (به عنوان مثال، [31، 32])، مدل‌سازی ریاضی مبتنی بر سیستم‌های دینامیکی بخش اغلب می‌تواند اطلاعات ضروری در مورد پویایی اپیدمی ارائه دهد، به‌ویژه در مواردی که عدم قطعیت زیادی در تأثیر پیشگیری و پیشگیری وجود دارد. اقدامات کنترلی برای مهار شیوع بیماری ما مدل کلاسیک SEIR را از طریق معرفی ساختار سنی و ادغام الگوهای اختلاط اجتماعی گسترش می‌دهیم (به عنوان مثال، [33، 34])، بنابراین فرض اختلاط همگن در گروه‌های سنی جمعیت را تسهیل می‌کنیم. اختلاط اجتماعی جمعیت با ساختار سنی در مدل ما از طریق استفاده از یک مدل واقعی از الگوهای اختلاط محاسبه شده از داده‌های جمع‌آوری شده اجتماعی-جمعیت‌شناختی جمعیت ایتالیا [33] (به بخش 2.2 مراجعه کنید) به دست می‌آید. ما جمعیت را به چهار طبقه تقسیم می کنیم: نوزادان (0-4 سال)، کودکان (5-14 سال)، بزرگسالان (15-64 سال) و سالمندان (65 سال). بر اساس سرشماری جمعیت ایتالیا که در 1 ژانویه 2019 به روز شده است، کل جمعیت بین طبقات سنی مختلف توزیع شده است [35].

مدل ما شامل تأثیر محدودیت‌های حرکتی بر اختلاط جمعیت با مقیاس‌بندی ماتریس‌های تماس با ساختار سنی است (به بخش 2.2 مراجعه کنید). علاوه بر این، این مدل با در نظر گرفتن موارد متوسط، به عنوان افراد آلوده که نیاز به درمان توسط پزشکان عمومی (GP) یا در اتاق‌های اورژانس (ER) دارند و موارد تهدید کننده زندگی که نیاز به بخش مراقبت ویژه دارند، بین شدت مختلف بیماری برای افراد آلوده تمایز قائل می‌شود. درمان (ICU) ما ویژگی‌های آنفولانزای فصلی را بدون تمایز بین زیرگروه‌های خاص ویروس آنفولانزا بررسی می‌کنیم. با این حال، همانطور که در زیر توضیح داده شد، پارامترهای مدل با میانگین‌گیری ویژگی‌های اپیدمیولوژیک دو زیرگروه ویروس آنفلوانزا، یعنی H1N1 و H3N2، که زیرگروه‌های اصلی ایجاد آنفولانزای فصلی هستند، محاسبه می‌شوند [36].

ما جمعیتی متشکل از افراد را فرض می‌کنیم که به هفت بخش متقابلاً منحصر به فرد زیر برای هر طبقه سنی i=1 تقسیم شده‌اند. . .،4، 1. مستعد (Si): افراد قادر به آنفولانزا، 2. در معرض (Ei): مستعدی که در معرض افراد مسری (در معرض و آلوده) قرار گرفته اند و می توانند آلوده شوند، 3. آلوده (Ii): آلوده افراد، 4. GP/ER تحت درمان (Gi): افراد آلوده تحت درمان توسط پزشکان عمومی یا در اورژانس، 5. ICU تحت درمان (Ti): افراد آلوده که نیاز به مراقبت های پزشکی حیاتی در ICU دارند، 6. بهبود یافته (Ri): افراد خارج شده از پویایی اپیدمی با بهبودی یا دریافت واکسن، 7. متوفی (Di): افرادی که به دلیل آنفولانزا از دنیا می روند. ما طبقات سنی بسته را بدون تولد و مرگ طبیعی در نظر می گیریم، به طوری که تعداد جمعیت Ni در کلاس سنی i مجموع افراد در تمام بخش های آن طبقه سنی در طول زمان t است (یعنی Ni ¼ Si ðtÞ þ Ei ðtÞ þ Ii ðtÞ þ Gi ðtÞ þ Ti ðtÞ þ Ri ðtÞ þ Di ðtÞ). ما فرض می‌کنیم که احتمال عفونت مجدد افراد بهبودیافته ناچیز است و ایمنی مادام‌العمر در برابر آنفولانزا را پس از بهبودی تضمین می‌کند. انتقال افراد بین بخش‌های مختلف توسط سیستمی از هفت معادله دیفرانسیل معمولی مدل‌سازی می‌شود، که تکامل جمعیت را برای هر طبقه سنی i=1، توصیف می‌کند. . .,4 در طول زمان t، به عنوان مثال،

که در آن حروف بزرگ نشان دهنده متغیرهای حالت (Si، Ei، Ii، Gi، Ti، Ri، Di) معرفی شده در بالا و Mij نشان دهنده ماتریس تماس است (به بخش 2.2 مراجعه کنید)، که به عنوان میانگین تعداد تماس های روزانه بین یک فردی در کلاس سنی I با فردی در کلاس سنی j، جایی که i، j=1،. . .، 4. حروف کوچک نشان‌دهنده نرخ انتقال و کسر افراد در حال حرکت بین بخش‌های مختلف است که به شرح زیر تعریف می‌شود: • i احتمال انتقال بیماری است (به بخش 2.4 مراجعه کنید) در یک تماس بین افراد مستعد در کلاس I و a. فرد مسری (در معرض یا آلوده). ما فرض می کنیم که یک فرد در معرض می تواند ویروس را در مراحل اولیه قبل از ایجاد علائم منتقل کند، همانطور که توسط تحقیقات اپیدمیولوژیک تایید شده است (به عنوان مثال، [36]). • pi حساسیت به عفونت است که از [37]، فصل 6، شکل 2 گرفته شده است. • σ نشان دهنده سرعتی است که افراد با آن از قرار گرفتن در معرض به عفونی حرکت می کنند، در حالی که نرخ انتقال از محفظه افراد آلوده به بخش های GP/ER تحت درمان، ICU تحت درمان یا بهبودی است. مقادیر آنها مربوط به زمان انکوباسیون tσ=σ-1 و زمان بهبودی t=-1 است که به ترتیب برابر با 1.5 و 4 روز فرض شده است [38-40] ; • ai به کسری از افراد آلوده که توسط پزشکان عمومی یا در اتاق های اورژانس درمان می شوند، اشاره دارد، در حالی که bi کسری از افراد آلوده است که به مراقبت های ویژه در ICU نیاز دارند. مقادیر مرجع این پارامترها از [41-44] گرفته شده است. • ci پوشش واکسیناسیون است که به عنوان کسری از افراد مستعد واکسیناسیون تعریف می شود. مقادیر مرجع برای سرفصل پوشش واکسیناسیون، از [45] گرفته شده است (به بخش 2.3 مراجعه کنید). • i(t) تکامل زمانی اثربخشی واکسن است که با تجزیه و تحلیل نتایج گزارش شده در [46] محاسبه می شود (به بخش 2.3 مراجعه کنید). • μi میزان مرگ و میر است، با مقادیر مرجع μref، من از [47] گرفته شده است. مقادیر مرجع پارامترهای مدل در جدول 1 نشان داده شده است. نمودار جریان سهام نشان دهنده نحوه حرکت افراد در داخل محفظه ها در شکل 1 نشان داده شده است. ادغام معادلات 1-7 با استفاده از ضریب متغیر با ارزش واقعی استاندارد دیفرانسیل معمولی انجام می شود. حل معادله بر اساس کتابخانه LSODE Fortran ODEPACK{35}} [48]. شرایط اولیه زیر (یعنی در t=0) را برای متغیرهای حالت فرض می‌کنیم: Si({41}})=Ni−1000, Ii(0)=1000، در حالی که بقیه متغیرهای حالت تهی هستند. ما شبیه‌سازی اپیدمی را در یک دوره زمانی 100 روزه اجرا می‌کنیم، که می‌توان آن را یک دوره نماینده برای مدت زمان همه‌گیری آنفولانزای فصلی در نظر گرفت.

شکل 1. طرح مدل. طرح گرافیکی نشان دهنده جریان افراد در بین محفظه ها

2.2. ماتریس تماس

مدل ما تأثیر الگوهای اختلاط اجتماعی را با استفاده از ماتریس های تماس ارائه شده توسط [33] مربوط به جمعیت ایتالیا در بر می گیرد (به معادلات 1 و 2 مراجعه کنید). ماتریس ها به صورت عددی با توجه به ساختار سنی در نظر گرفته شده در مدل ما مقیاس بندی شده اند. همانطور که در [33] نشان داده شده است، ماتریس تماس Mij به عنوان ترکیبی خطی از چهار ماتریس تماس مربوط به الگوهای اختلاط مورد انتظار در محیط‌های فیزیکی مختلف (خانه، مدرسه، محل کار و در جامعه عمومی) محاسبه می‌شود، به عنوان مثال،

که در آن K ضرایب تعیین‌شده با تنظیم ترکیب خطی [33] است و δK نشان‌دهنده عوامل اصلاحی است که در اینجا برای مدل‌سازی پذیرش NPI معرفی شده‌اند (به بخش 2.4 مراجعه کنید). برای هدف کار ما از آنجایی که تأثیر NPI ها در پویایی اپیدمی مختص محیط است، ما ضرایب K ترکیب خطی را با تجزیه و تحلیل داده های ارائه شده توسط [33] محاسبه می کنیم. ضرایب به دست آمده عبارتند از H=0.29، S=0.17، W=0.24 و G=0.3. این ضرایب با توجه به تأثیر مورد انتظار NPI اتخاذ شده در الگوهای اختلاط، همانطور که در بخش توضیح داده شده است، مقیاس بندی می شوند. 2.4. شکل 2 ماتریس های تماس مربوط به تنظیمات مختلف اجتماعی را به همراه ماتریس تماس کلی اتخاذ شده در این کار نشان می دهد.

جدول 1. پارامترهای مدل

شکل 2. ماتریس های تماس. ماتریس های تماس برای جمعیت ایتالیایی در محیط های اجتماعی مختلف (عنوان بالای هر پانل را ببینید). سمت راست ترین پانل، کل ماتریس تماس را نشان می دهد که به عنوان یک ترکیب خطی از ماتریس های تنظیم خاص به دست آمده است [33].

2.3. واکسیناسیون

تکامل زمانی اثربخشی واکسیناسیون آنفولانزا (i(t)، به معادلات 1 و 6 مراجعه کنید) با تجزیه و تحلیل مقادیر میانگین اثربخشی واکسن دو زیرگروه آنفولانزا H3N2 و H1N1 که در [46] گزارش شده است، محاسبه می‌شود. به طور مفصل، [46] اثربخشی واکسن زیرگروه خاص آنفلوانزا را بر اساس زمان از زمان واکسیناسیون در بین تمام سنین و به طور خاص برای افراد 65 سال و بالاتر مدلسازی کرد (خطوط نقطه چین را در شکل 3 ببینید). با توجه به پراکندگی داده‌های ارائه‌شده توسط [46]، ما مدل‌های رگرسیون مختلفی را برای یافتن بهترین تابع برازش با محاسبه متریک مربع R تنظیم‌شده برای اندازه‌گیری خوبی برازش آزمایش کرده‌ایم. در نتیجه، ما دو تابع برازش چند جمله‌ای درجه چهارم را با R2 تنظیم‌شده ~0.99 محاسبه می‌کنیم (به خطوط چین در شکل 3 مراجعه کنید)، که به صورت زیر بیان می‌شود:

با در نظر گرفتن ساختار سنی مدل اپیدمی ارائه شده در این مقاله، ما تکامل زمان اثربخشی واکسن را برای افراد کمتر از 65 سال فرض می‌کنیم.

شکل 3. تکامل زمانی اثربخشی واکسن. نقاط نشان دهنده تکامل زمانی اثربخشی واکسن در طول زمان از زمان واکسیناسیون در بین تمام سنین و برای افراد بالای 65 سال گزارش شده در [46] است. خطوط چین نشان دهنده توابع برازش حداقل مربعات داده ها با چند جمله ای های مرتبه چهارم هستند.

2.4. کالیبراسیون مدل و توصیف سناریوها

این مدل بر اساس توزیع سنی تعداد تجمعی موارد ILI در طول فصل 2018/19 در ایتالیا، که در فصل 6 [37] گزارش شده است، کالیبره شده است (شکل 1 را ببینید). این روش از کالیبراسیون آزمون و خطا برای استنباط احتمال انتقال ref، I استفاده می کند که تعداد کل افراد آلوده را در طبقات سنی مختلف در پایان اپیدمی بازتولید می کند. مدل حاصل از این پس به عنوان مدل مرجع نامیده می شود. همانطور که قبلا ذکر شد، هدف تجزیه و تحلیل ما بررسی طیف گسترده ای از سناریوها به منظور استنباط تاثیر اقدامات کنترل و پیشگیری در تکامل اپیدمی، با در نظر گرفتن شدت متفاوت آنفلوانزای فصلی است. به منظور تعریف وقوع بالقوه آنفولانزا از نظر شدت فصلی، ما تجزیه و تحلیل انجام شده توسط [49] را در نظر می گیریم، که بر اساس بررسی ادبیات و نظر گروهی از کارشناسان، شش سناریو محتمل را انتخاب کردند. که اثرات احتمالی شیوع آنفولانزا را ترکیب می کند. از شش سناریوی انتخاب شده در [49]، ما فرض می کنیم که مدل مرجع، کالیبره شده بر روی آنفلوانزای فصلی 2018/19، مربوط به سناریوی B نشان داده شده در [49] است (شکل 2 را ببینید). از نظر شدت، مدل مرجع را یک فصل متوسط ​​فرض می کنیم. ما دو سناریو اضافی را برای شدت فصل در نظر می گیریم، یعنی، فصل خفیف و شدید، که فرض می شود به ترتیب با سناریوهای A و E در [49] مرتبط هستند. شدت فصل با تغییر احتمال انتقال i و نرخ مرگ و میر μi با توجه به مقادیر مرجع ref، I و μref، I مدل‌سازی می‌شود (جدول 1 را ببینید). با در نظر گرفتن حمله بالینی و نرخ مرگ و میر در سناریوهای ارائه شده در [49]، ما فرض می کنیم که فصل خفیف با نیمی از احتمال انتقال و همان میزان مرگ و میر با توجه به سناریوی مرجع مشخص می شود، یعنی خفیف، i.=0.5 ref، i و μmild، i=μref، i. فصل شدید با احتمال انتقال 50% بیش از احتمال سناریوی مرجع مشخص می شود، در حالی که نرخ مرگ و میر سه برابر بزرگتر از مقدار مرجع، یعنی شدید، i=1 فرض می شود. 5 ref, i و μsevere, i=3 μref, i. علاوه بر این، تجزیه و تحلیل ما مجموعه‌ای از سناریوها را با هدف بررسی تأثیر محدودیت‌های اجتماعی بر اختلاط جمعیت با مقیاس‌بندی ماتریس‌های تماس تعیین‌شده در تنظیمات بر این اساس بررسی می‌کند (به بخش 2.2 مراجعه کنید). این اقدامات به شرح زیر است: 1. تعطیلی مدارس: کاهش مخاطبین در مدرسه به میزان 50٪، یعنی δS=0.5، 2. قرنطینه نسبی: کاهش تماس در مدرسه، محل کار و در جامعه عمومی به 20% یعنی δS=δW=δG=0.2. هنگامی که غیر از این مشخص نشده است، δK برابر با مقادیر واحد، با K=1، در نظر گرفته می شود. . .، 4. علاوه بر این، ما دو سناریو اضافی را برای استنباط تأثیر پوشش واکسیناسیون مختلف (VC) با توجه به مورد مرجع بررسی می‌کنیم (ci=سرآشپز، من، که از این پس به عنوان پوشش استاندارد نامیده می‌شود، به جدول 1 مراجعه کنید)، یعنی: 1 . no VC: ci=0 برای i=1،. . .,4; 2. VC بهبود یافته: پوشش 40٪ برای افراد کمتر از 65 سال، ci=0.4 برای i=1،2،3 و c4=سرآشپز،4 (به جدول 1 مراجعه کنید) . در نهایت، ما یک سناریوی اضافی را برای مدل‌سازی تأثیر پذیرش PPE و رعایت بهداشت دست در نظر می‌گیریم، که انتظار می‌رود نقش مهمی در محدود کردن گسترش بیماری‌های موجود در هوا داشته باشد (به عنوان مثال، [15]). در این زمینه، [14] کاهش قابل توجهی 75 درصدی در میزان ILI به دلیل اتخاذ PPE و رعایت بهداشت دست مشاهده شد. بنابراین، تأثیر این اقدامات با کاهش احتمال انتقال 75٪ با توجه به مورد مرجع، یعنی PPE-hygiene, i=0.25 ref, i.

فواید سیستانچ - تقویت سیستم ایمنی

3. نتایج

در این بخش، نتایج شبیه‌سازی‌های دینامیکی اپیدمی را برای مجموعه سناریوهایی که در بالا توضیح داده شد، ارائه می‌کنیم (به بخش 2.4 مراجعه کنید). این تحلیل با هدف استنباط اثربخشی اقدامات کنترل و پیشگیری در کاهش اپیدمی انجام شده است. به منظور توصیف پیامد گسترش اپیدمی در سناریوهای مختلف، ما بر روی تکامل زمانی و تعداد تجمعی افراد آلوده و فوت شده با توجه به تعداد افراد در پایان اپیدمی تمرکز خواهیم کرد. لازم به یادآوری است که پایان اپیدمی ها صدمین روز پس از شروع همه گیری در نظر گرفته می شود. مزیت کلیدی این رویکرد تجزیه و تحلیل روند نسبی تکامل اپیدمی در میان سناریوهای مختلف به منظور پی بردن به تاثیر NPI های مختلف و استراتژی های کمپین واکسیناسیون و مقایسه اثر هر اقدام از نظر کاهش تعداد است. افراد مبتلا و فوت شده

3.1. تاثیر واکسیناسیون

شکل 4 تکامل زمانی تعداد کل افراد آلوده را با توجه به تعداد جمعیت برای سه سناریو مختلف نشان می‌دهد که با VC متفاوت مشخص می‌شوند، با در نظر گرفتن سه شدت متفاوت فصل مورد بررسی (به بخش 2.4 مراجعه کنید). روزهای اول پس از شیوع اپیدمی با افزایش افراد مبتلا مشخص می شود که با شدت فصل افزایش می یابد و با افزایش پوشش واکسیناسیون کاهش می یابد. تکامل زمانی کسر افراد آلوده در زمان‌های مختلف به اوج خود می‌رسد و نرخ کاهش متفاوتی را پس از اوج نشان می‌دهد. به طور مفصل، فصول ملایم (نگاه کنید به پانل سمت چپ شکل 4) با یک تکامل زمانی محدود اپیدمی مشخص می شود که پس از حدود 20 روز از شروع اپیدمی ناپدید می شود، به جز در مورد بدون VC، که در آن تعداد افراد آلوده افراد برای رسیدن به اوج نسبت به سایر سناریوها به زمان بیشتری نیاز دارند. در مورد فصول متوسط ​​و شدید (نگاه کنید به پانل مرکزی و سمت راست شکل 4)، تعداد افراد آلوده پس از حدود 70 تا 80 روز از شروع همه گیری ها به مقادیر صفر کاهش می یابد. بنابراین، واکسیناسیون به شدت بر تکامل زمانی کلی اپیدمی‌ها تأثیر می‌گذارد و منجر به کاهش چشمگیر هم در زمان رسیدن به اوج و هم در تعداد افراد آلوده می‌شود.

شکل 4. تأثیر واکسیناسیون بر تکامل زمانی اپیدمی. تکامل زمانی اپیدمی ها برای VC و شدت آنفولانزای مختلف: (سمت چپ) خفیف، (مرکز) متوسط ​​و (راست) فصل شدید. لطفاً توجه داشته باشید که مقیاس بندی محور y در بین هر پانل متفاوت است و افسانه در پانل سمت راست نشان داده شده است.

به منظور ارزیابی اثر کلی واکسیناسیون، ما کسر تجمعی افراد مبتلا و فوت شده را در پایان اپیدمی برای هر طبقه سنی محاسبه می‌کنیم. جدول 2 کسر افراد مبتلا و متوفی را با تغییر VC و شدت فصل برای هر طبقه سنی نشان می دهد. با میانگین کسری از افراد آلوده و فوت شده برای هر طبقه سنی در سناریوهای شدت سه فصل، عدم واکسیناسیون منجر به افزایش کسری از افراد آلوده (متوفی) به میزان 1.6 (~1.5) برای سن می شود. کلاس � 14 سال، ضریب ~2.4 (~2.2) برای افراد 15-64 ساله و ضریب ~6.3 (~5.7) در میان سالمندان با توجه به مورد VC استاندارد. افزایش VC منجر به کاهش کسری از افراد آلوده (متوفی) با ضریب 24.8 (~2{0.7) برای افراد کمتر از 5 سال، ضریب ~35.7 (~36) می شود. برای افراد 5 تا 14 ساله، ضریب ~23.3 (~22.3) برای افراد با سن در محدوده 15-64 سال و ضریب ~1.6 (~1.7) در میان سالمندان با توجه به مورد VC استاندارد. همانطور که انتظار می رود، تاثیر واکسیناسیون استاندارد برای افراد مسن (سن 65 سال) قوی تر است، به طور متوسط ​​در سه سناریو شدت فصل 88٪ از جمعیت آلوده و فوت شده با توجه به سناریوی بدون واکسیناسیون کاهش می یابد. کاهش افراد غیر مسن مبتلا و متوفی به مقادیر ~73% برای افراد 15-64 ساله و ~55% برای نوزادان و کودکان می رسد. این به دلیل پوشش نسبتاً بزرگتر واکسیناسیون برای افراد مسن است (جدول 1 را ببینید). علاوه بر این، افزایش VC منجر به کاهش بیشتر کسری از جمعیت آلوده و کاهش یافته در بین تمام رده‌های سنی در محدوده بین 92% تا 97% نسبت به موارد بدون واکسیناسیون می‌شود. با محاسبه کسر تجمعی در تمام طبقات سنی، تکامل فصل خفیف اپیدمی با VC استاندارد، نتایج مشابهی را در بین تمام رده‌های سنی در مقایسه با گروهی با پوشش افزایش‌یافته نشان می‌دهد، با کسر تجمعی افراد آلوده در حدود ~0.{{{ 55}}8% و ~0.06% به ترتیب با پوشش استاندارد و تقویت شده (خطوط صورتی و آبی را در پانل سمت چپ شکل 4 ببینید). برای فصول متوسط، پوشش استاندارد منجر به کاهش آلودگی تا 87% می‌شود، بنابراین کسر تجمعی افراد آلوده از ~ 67% (در صورت عدم پوشش) به 8.6% نسبت به کل جمعیت کاهش می‌یابد. با افزایش پوشش، کسر آلوده تا 0.72٪ کاهش می یابد.

در طول فصول شدید، پوشش استاندارد باعث کاهش عفونت تا 47٪ می شود. به طور جزئی، کسر تجمعی افراد آلوده از ~84% (در صورت عدم پوشش) به ~44% از کل جمعیت کاهش می یابد، در حالی که پوشش افزایش یافته کاهش بیشتری را تا ~6.4% ایجاد می کند.

جدول 2. تأثیر واکسیناسیون بر کسر تجمعی افراد مبتلا و فوت شده.

3.2. تاثیر NPI ها

در این بخش، تأثیر پذیرش NPIهای منفرد را در کاهش شیوع بیماری با توجه به واکسیناسیون در فصول متوسط ​​و شدید، با در نظر گرفتن تأثیر ترکیبی NPI و واکسیناسیون، مقایسه می‌کنیم. شکل 5 تکامل زمانی کل کسر افراد آلوده را در طول یک فصل آنفولانزای متوسط ​​برای VC های مختلف و پذیرش NPI های مختلف نشان می دهد. با مقایسه تحولات مختلف اپیدمی به دلیل اتخاذ یک NPI واحد (خطوط در هر پانل شکل 5)، می توان متوجه شد که اوج آلودگی در زمان های مختلف پس از شروع همه گیری و در کل به اوج می رسد. مدت زمان انتشار بیماری در سناریوهای مختلف تغییر می کند. یک VC استاندارد منجر به کاهش اوج عفونت به سمت مقداری مشابه با اوج عفونت در صورت عدم پوشش با اتخاذ قفل و بهداشت دست PPE می شود (خطوط آبی و آبی روشن را در پانل سمت چپ مقایسه کنید. با خط قرمز در پانل مرکزی شکل 5).

شکل 5. تأثیر NPIها بر تکامل زمانی یک فصل آنفولانزای متوسط ​​برای VCهای مختلف. تکامل زمانی اپیدمی ها در طول یک فصل متوسط ​​شامل اثرات NPI های مختلف (خطوط در هر پانل) و واکسیناسیون با (سمت چپ) بدون، (مرکز) استاندارد و (راست) پوشش افزایش یافته است. لطفاً توجه داشته باشید که مقیاس بندی محور y در بین هر پانل متفاوت است و افسانه در پانل سمت راست نشان داده شده است.

جدول 3. تأثیر NPI برای VC های مختلف بر کسر تجمعی افراد مبتلا و فوت شده در طول یک فصل آنفولانزای متوسط

علاوه بر این، تأثیر افزایش VC مشابه اثر ایجاد شده توسط واکسیناسیون استاندارد و تعطیلی مدارس است (خط قرمز روشن در پانل مرکزی را با خط قرمز در پانل سمت راست شکل 5 مقایسه کنید). جدول 3 ساختار سنی افراد مبتلا و متوفی با NPI و VC متفاوت را در طول یک فصل آنفولانزای متوسط ​​نشان می دهد. شکل 6 تکامل زمانی کل کسر افراد آلوده را در طول یک فصل آنفولانزای شدید برای VC های مختلف و پذیرش NPI های مختلف نشان می دهد. به طور مشابه، در مورد فصل آنفلوانزای متوسط ​​که در شکل 6 نشان داده شده است، اوج آلودگی در زمان‌های مختلف پس از شروع اپیدمی‌ها به دست می‌آید و مدت زمان کلی گسترش بیماری در سناریوهای مختلف تغییر می‌کند. در صورت عدم پوشش (به پانل سمت چپ شکل 6 مراجعه کنید)، اتخاذ PPE، بهداشت دست و قفل کردن جزئی منجر به کاهش بیشتر پیک عفونت نسبت به تولید شده توسط VC استاندارد می‌شود (به پنل چپ و مرکزی مراجعه کنید. از شکل 6)، برخلاف آنچه برای فصل متوسط ​​آنفلوانزا مشاهده شد. علاوه بر این، تأثیر افزایش VC مشابه اثر حاصل از ترکیب واکسیناسیون استاندارد و اتخاذ PPE و بهداشت دست است (خط آبی روشن در پانل مرکزی را با خط قرمز در پانل سمت راست شکل مقایسه کنید. 6). علاوه بر این، در صورت عدم پوشش استاندارد، شکل‌های 5 و 6 نشان می‌دهند که NPIها در به تعویق انداختن اوج اپیدمی مفید هستند، در حالی که در مورد VC افزایش یافته، پذیرش NPI بر زمان‌بندی اپیدمی‌ها تأثیری ندارد. جدول 4 میزان کاهش کلی شیوع بیماری های همه گیر با NPI ها و VC های مختلف را برای رده های سنی مختلف در طول فصل آنفولانزای شدید نشان می دهد.

شکل 6. تأثیر NPI ها بر تکامل زمانی یک فصل آنفولانزای شدید برای VC های مختلف. تکامل زمانی اپیدمی ها در طول یک فصل شدید شامل اثرات NPI های مختلف (خطوط در هر پانل) و واکسیناسیون با (سمت چپ) بدون، (مرکز) استاندارد و (راست) پوشش افزایش یافته است. لطفاً توجه داشته باشید که مقیاس بندی محور y در بین هر پانل متفاوت است و افسانه در پانل سمت راست نشان داده شده است.

جدول 4. تأثیر NPIها برای پوشش واکسیناسیون مختلف در طول فصل شدید آنفولانزا

4. بحث

با میانگین گیری نتایج مربوط به سه مورد VC برای فصول آنفلوانزای متوسط ​​(شدید)، تأثیر تعطیلی مدارس منجر به کاهش کسری از جمعیت مبتلا و فوت شده به میزان 2.3 (~1.5) برای افراد کمتر از سن می شود. 5 سال، ضریب ~2.8 (~1.7) برای افراد 5-14 ساله، ضریب ~1.7 (~1.4) برای افراد با سن در محدوده 15-64 سال و هرگونه کاهش در میان سالمندان در مورد سناریو بدون پذیرش از هر NPI علاوه بر این، قرنطینه نسبی گسترش اپیدمی های متوسط ​​(شدید) آنفلوانزای فصلی را با کاهش کسری از افراد مبتلا و فوت شده به میزان 73 (~12) برای افراد کمتر از 5 سال کاهش می دهد، یک عامل ~107 (~23) برای افراد افراد 5 تا 14 ساله، ضریب ~28 (~10) برای افراد با سن در محدوده 15-64 سال و ضریب ~2.3 (~1.7) در میان سالمندان مربوط به این سناریو بدون پذیرش هیچ گونه NPI.

در نهایت، اتخاذ PPE و رعایت بهداشت دست در طول یک فصل آنفولانزای متوسط ​​(شدید) منجر به کاهش افراد مبتلا و فوت شده به میزان 1.7 (~1.2) برای افراد کمتر از 4 سال، یک عامل ~14 می شود. (~7) برای افراد 5 تا 14 ساله، ضریب ~13 (~8) برای افراد با سن در محدوده 15-64 سال، و ضریب ~3.5 (~2.3) در میان سالمندان مربوط به سناریوی بدون فرزندخواندگی از هر NPI بنابراین، با در نظر گرفتن هر رده سنی، قرنطینه نسبی موثرترین اقدام در مهار این همه گیری، به ویژه برای افراد کمتر از 64 سال است. در مقابل، PPE و بهداشت دست، موثرترین NPI برای افراد مسن برای همه موارد با شدت فصل هستند. با در نظر گرفتن کل جمعیت بدون در نظر گرفتن رده های سنی، نتایج ما نشان می دهد که اتخاذ PPE و رعایت بهداشت دست موثرترین NPI از نظر کاهش عفونت و مرگ در فصول متوسط ​​آنفلوانزا در غیاب واکسیناسیون هستند که باعث کاهش می شوند. از افراد آلوده (متوفی) ~ 79٪ (~ 71٪) در مورد سناریو بدون پذیرش NPI و واکسیناسیون. در مقابل، تعطیلی مدارس منجر به کاهش 22٪ (~3.5٪) موارد آلوده (متوفی) می شود.

با این حال، همانطور که در بخش ذکر شد. 3.1، تأثیر واکسیناسیون با پوشش استاندارد منجر به کاهش ~87٪ (~95٪) از کل افراد آلوده (متوفی) در مورد سناریو بدون هیچ گونه واکسیناسیون و NPI می شود. بنابراین، در صورتی که پوشش واکسیناسیون استاندارد در مورد سناریویی که واکسیناسیون انجام نمی شود و با اتخاذ NPIها، صرف نظر از ماهیت NPI، به دست آید، کاهش شیوع بیماری بیشتر است. افزایش پوشش واکسیناسیون با محدود کردن موارد افراد آلوده (متوفی) تا 98٪ (~97٪) در مورد تعداد افراد آلوده در مواردی که کمپین های واکسیناسیون انجام نمی شود، شیوع بیماری را کاهش می دهد. بنابراین، در صورت فصل متوسط ​​آنفلوانزا، کمپین های واکسیناسیون حداقل با پوشش استاندارد، اتخاذ NPI را غیر ضروری می کند. با این حال، در هر دو مورد شدت آنفولانزا، کاهش بیشتر افراد مبتلا (متوفی) تا 99٪ (~ 100٪) هنگامی که واکسیناسیون استاندارد با پذیرش NPI ترکیب می شود، صرف نظر از اینکه کدام نوع NPI اتخاذ شده است، حاصل می شود.

در مورد فصول شدید آنفولانزا و عدم واکسیناسیون، PPE و رعایت بهداشت دست همچنان مؤثرترین NPIها از نظر کاهش کل افراد مبتلا و فوت شده هستند، مشابه مورد فصل آنفلوانزای متوسط. به طور جزئی، اتخاذ PPE و رعایت بهداشت دست باعث کاهش تعداد افراد آلوده (متوفی) تا حدود 65٪ (~41٪) می شود، در حالی که قرنطینه نسبی منجر به کاهش تا ~63٪ (~21٪) می شود. در مورد سناریوی بدون پذیرش NPI. این نتایج تأیید می کند که PPE و بهداشت دست اقدامات ارزشمندی برای کاهش شیوع بیماری بدون نیاز به مداخله انبوه مانند قفل کردن هستند. همانطور که در بخش ذکر شد. 3.1 یک پوشش استاندارد واکسیناسیون در فصل آنفولانزای شدید منجر به کاهش افراد مبتلا (متوفی) تا 47٪ (~69٪) می شود، در حالی که واکسیناسیون تقویت شده باعث کاهش افراد مبتلا (متوفی) تا ~ 92٪ (~84٪) می شود. ). بنابراین، در صورت فصل شدید آنفلوانزا، افزایش پوشش واکسیناسیون برای جلوگیری از پذیرش NPI ضروری است. در نهایت، با ترکیب واکسیناسیون استاندارد (تقویت‌یافته) با پذیرش NPIs، شاهد کاهش بیشتر اپیدمی در محدوده بین ~ 77٪ (~ 95٪) و ~ ~ 99٪ (~ 99٪) برای افراد آلوده و در افراد آلوده هستیم. محدوده بین 85% (~90%) و ~100% (~100%) برای افراد متوفی، صرف نظر از ماهیت NPI اتخاذ شده.

5. نتیجه گیری

هدف اصلی این مقاله تلاش برای پاسخ به این سوال است که چگونه استراتژی های بهداشت عمومی اتخاذ شده در حال حاضر در برابر انواع سناریوهای مورد انتظار آنفولانزا در فصل آینده 2021/22 موثر هستند. بررسی این سناریوها برای ارزیابی پذیرش آگاهانه‌تر NPIها و احتمالاً بازنگری در کمپین‌های واکسیناسیون اتخاذ شده در حال حاضر برای جلوگیری از گسترش اپیدمی با اجرای کمپین‌های واکسیناسیون مناسب و مداخلات اجتماعی مورد نیاز است.

گیاه سیستانچ سیستم ایمنی را افزایش می دهد

برای این هدف، ما یک مدل SEIR با ساختار سنی ایجاد کرده‌ایم که شامل مدل‌سازی اقدامات پیشگیری و کنترل، و همچنین تأثیر الگوهای اختلاط اجتماعی و تکامل زمانی اثربخشی واکسن در پویایی همه‌گیری است. ما یک تجزیه و تحلیل بروز کامل برای سه سناریو مختلف از شدت آنفلوانزای فصلی را تحت چندین استراتژی مداخله فرضی دولت (به عنوان مثال واکسیناسیون و NPI) ارائه می‌کنیم. بر اساس نتایج این مطالعه، کمپین‌های واکسیناسیون با پوشش استاندارد تأثیر قابل‌توجهی بر گسترش بیماری در فصل متوسط ​​آنفلوانزا ایجاد می‌کند و اتخاذ NPIs را غیرضروری می‌کند. برعکس، NPIها در صورت اپیدمی های فصلی شدید، که در آن پوشش استاندارد واکسیناسیون به اندازه کافی در مبارزه با بیماری موثر نخواهد بود، ضروری هستند. در این مورد، ترکیب واکسیناسیون با پوشش استاندارد و NPIs منجر به مهار قابل توجه بیماری می شود. با این حال، نتایج ما نشان می‌دهد که افزایش پوشش واکسیناسیون نیاز به اتخاذ NPI را کاهش می‌دهد، بنابراین اثرات اقتصادی و اجتماعی که NPI ممکن است ایجاد کنند محدود می‌کند. با احتساب تمام پیامدهای اپیدمی بررسی شده در این مقاله، می توان نتیجه گرفت که در حالی که NPI های بررسی شده در کاهش انتقال و کاهش بار مراقبت های بهداشتی موثر هستند، واضح است که یک کمپین واکسیناسیون با پوشش مناسب تنها راه برای مهار اپیدمی است. این رویکرد از برخی عدم قطعیت‌ها رنج می‌برد که ممکن است بر نتیجه ما تأثیر بگذارد. اولاً، این مدل جمعیتی را بدون مهاجرت، تولد، یا مرگ و میر ناشی از عللی غیر از اپیدمی فرض می‌کند و پس از بهبودی، مصونیت از بیماری را در نظر می‌گیرد. در مورد اختلاط اجتماعی، این مدل بر اساس ماتریس‌های تعامل اجتماعی خاص تنظیم شده توسط [33] است که به چهار محیط اجتماعی مرتبط است (به بخش 2.2 مراجعه کنید. پذیرش NPIهایی که اختلاط اجتماعی را به دلیل محدودیت‌های تحرک عمومی محدود می‌کنند (به عنوان مثال، تعطیلی مدارس و قرنطینه جزئی) از طریق یک رویکرد تغییر مقیاس مدل سازی شده است (به بخش 2.4 مراجعه کنید).

با این حال، این رویکرد ممکن است ساده باشد زیرا پایبندی افراد به چنین محدودیت هایی را در نظر نمی گیرد. با دسترسی به داده های مربوط به ردیابی تماس برای موارد تایید شده و با انجام بررسی های عمومی در مقیاس بزرگ، مدل اختلاط اجتماعی اتخاذ شده در این مقاله می تواند بهبود یابد. علاوه بر این، مدل عوامل تصادفی را در نظر نمی گیرد، که می تواند به شدت بر پویایی اپیدمی در مراحل اولیه و نهایی، زمانی که تعداد کمی از افراد آلوده وجود دارد، تأثیر بگذارد [23].

منابع

1. سازمان WH. بیماری همه گیر کروناویروس (COVID-19). موجود در: https://www.who.int/ emergencies/diseases/novel-coronavirus-2019.

2. Soo R، Chiew CJ، Ma S، Pung R، Lee V. کاهش بروز آنفلوانزا تحت اقدامات کنترل COVID{1}}، سنگاپور. بیماری های عفونی در حال ظهور. 2020 04؛ 26.

3. Zhang T، Wang Q، Xie Y، Peng Z، Zheng J، Qin Y، و همکاران. تأثیر شیوع و مداخلات COVID{1}} بر آنفولانزا در چین و ایالات متحده. ارتباطات طبیعت 2021 05؛ 12.

4. سازمان WH. خلاصه FluNet. سازمان بهداشت جهانی؛ 2020. از: https://www.who.int/tools/ flunet/flunet-summary.

5. سازمان WH. استراتژی جهانی آنفلوانزا 2019-2030. سازمان بهداشت جهانی؛ 2019. موجود از https://www.who.int/publications/i/item/9789241515320.

6. Cowling B، Ali S، Ng T، Tsang T، Li J، Fong MW، و همکاران. ارزیابی تأثیر مداخلات غیردارویی علیه کووید{2}} و آنفولانزا در هنگ کنگ: یک مطالعه مشاهده ای. بهداشت عمومی Lancet. 2020; 5:e279–e288.

7. Solomon D، Sherman A، Kanjilal S. آنفلوانزا در دوران COVID{1}}. جاما. 2020 08؛ 324.

8. لی کیوئون، جلال هاور، راویوتا جاناتان ام، کراولند مری جی، زیمرمن ریچارد کی، برک دونالد اس، و همکاران، برآورد تأثیر فعالیت کم آنفلوآنزا در سال 2020 بر ایمنی جمعیت و فصول آنفلوانزای آینده در ایالات متحده، تالار گفتگوی باز بیماریهای عفونی، جلد 9، شماره 1، ژانویه 2022، ofab607، https://doi.org/10.1093/ofid/ofab607 PMID: 35024374

9. Rondy M، el Omeiri N، Thompson M، Levˆeque A، Moren A، Sullivan S. اثربخشی واکسن‌های آنفولانزا در پیشگیری از بیماری شدید آنفولانزا در میان بزرگسالان: یک مرور سیستماتیک و متاآنالیز مطالعات مورد شاهدی با طرح تست منفی. مجله عفونت. 2017 09؛ 75.

10. Reina J. واکسیناسیون آنفلوانزا در زمان SARS-CoV{2}}. Medicina Cl´ınica (نسخه انگلیسی). 2020 12؛ 156.

11. گلدمن RD و همکاران. گروه بین المللی مطالعه نگرش والدین (COVIPAS) COVID{1}}. تمایل به واکسینه کردن کودکان در برابر آنفولانزا پس از همه‌گیری بیماری کرونا 2019. J Pediatr. ژانویه 2021; 228:87-93.e2. https://doi.org/10.1016/j.jpeds.2020.08.005 Epub 2020 Aug 7. PMID: 32771480; PMCID: PMC7410815.

12. Bertoni L، Roncadori A، Gentili N، Danesi V، Massa I، Nanni O، و همکاران. چگونه همه‌گیری کووید{1}} نگرش واکسیناسیون آنفولانزا را در میان یک کارمند خدمات بهداشتی مرکز سرطان ایتالیا تغییر داده است؟ واکسن هوم ایمونوتر. اکتبر 2021 ص. 1-6.

13. Di Pumpo M، Vetrugno G، Pascucci D، Carini E، Beccia V، Sguera A، و همکاران. آیا کووید{1}} یک انگیزه واقعی برای واکسیناسیون آنفولانزا است؟ بگذارید اعداد برای خودشان صحبت کنند. واکسن ها. 2021; 9 (3). در دسترس از: https://www.mdpi.com/2076-393X/9/3/276.

14. Aiello AE، Perez V، Coulborn RM، Davis BM، Uddin M، Monto AS. ماسک صورت، بهداشت دست و آنفولانزا در بزرگسالان جوان: یک کارآزمایی مداخله تصادفی PLoS One. ژانویه 2012; 7 (1): e29744. https://doi.org/10.1371/journal.pone.0029744 PMID: 22295066

15. Howard J, Huang A, Li Z, Tufekci Z, Zdimal V, Van der Westhuizen HM, et al. بررسی شواهدی از ماسک‌های صورت علیه کووید-19. مجموعه مقالات آکادمی ملی علوم. 2021; 118 (4). در دسترس از: https://www.pnas.org/content/118/4/e2014564118. https://doi.org/10.1073/pnas. 2014564118 PMID: 33431650

16. نخعی زاده م، ایب پوش س، جهانی ی، احمدی گوهری م، حق دوست ع.ع.، وایت ل، و همکاران. تأثیر مداخلات غیردارویی بر کنترل کووید{2}} در ایران: یک مطالعه مدل‌سازی ریاضی. Int J Health Policy Manag. 2021 ژوئن. https://doi.org/10.34172/ijhpm.2021.48 PMID: 34273920

17. طرح آمادگی آنفلوانزای همه گیر. سازمان بهداشت جهانی؛ 2015–03. موجود در https:// apps.who.int/iris/handle/10665/44123.

18. طرح آمادگی جهانی آنفلوانزای سازمان جهانی بهداشت: نقش سازمان جهانی بهداشت و توصیه هایی برای اقدامات ملی قبل و در طول همه گیری ها. سازمان بهداشت جهانی؛ 2005. موجود از https://apps. سازمان بهداشت جهانی. int/iris/handle/10665/68998.

19. Egger M، Johnson L، Althaus C، Sch¨oni A، Salanti G، Low N، و همکاران. توسعه دستورالعمل‌های WHO: زمان برای گنجاندن رسمی شواهد از مطالعات مدل‌سازی ریاضی است. F1000Research. 2017 08؛ 6:1584. https://doi.org/10.12688/f1000research.12367.2 PMID: 29552335

20. Panovska-Griffiths J, Kerr C, Waites W, Stuart R. در مدل سازی ریاضی به عنوان ابزاری برای تصمیم گیری سیاست: کاربردها برای همه گیری COVID-19; 2021.

21. Huang CY، Sun CT، Hsieh Jl، Lin H. شبیه سازی SARS: مدل سازی اپیدمیولوژیک جهان کوچک و ارزیابی های خط مشی بهداشت عمومی. مجله جوامع مصنوعی و شبیه سازی اجتماعی. 2004 10؛ 7.

22. جیانگ اس، وانگ ک، لی سی، هونگ جی، ژانگ ایکس، منگلین شان، و همکاران. مدل‌های ریاضی برای ابداع ریشه‌کنی بهینه بیماری ویروس ابولا مجله طب ترجمه. 2017 06؛ 15.

23. Rizzo C، Lunelli A، Pugliese A، Bella A، Manfredi P، Tomba G، و همکاران. سناریوهای انتشار و کنترل یک بیماری همه گیر آنفولانزا در ایتالیا. اپیدمیولوژی و عفونت. 2008 03؛ 136:1650-7. https://doi.org/10. 1017/S095026880800037X PMID: 18272019

24. Vargas-De-Le´on C. مدل سازی استراتژی های کنترل برای اپیدمی های آنفولانزای A H1N1: مدل های SIR. Revista Mexicana de F´ısica S. 2012 01; 58:37-43.

25. Tang B، Wang X، Li Q، Bragazzi N، Tang S، Xiao Y، و همکاران. برآورد خطر انتقال 2019-nCov و پیامدهای آن برای مداخلات بهداشت عمومی. مجله پزشکی بالینی. 2020 01. https://doi.org/10.3390/jcm9020462 PMID: 32046137

26. Tang B, Bragazzi N, Li Q, Tang S, Xiao Y, Wu J. تخمین به روز شده خطر انتقال ویروس کرونای جدید (2019-nCov). مدل سازی بیماری های عفونی 2020 02؛ 5.

27. Yang H, Lombardi Junior L, Castro F, Yang A. مدل‌سازی ریاضی انتقال ویروس SARS در مورد همه گیری کووید-19. PLOS ONE. 2021 06؛ 16:e0252271.

28. Esposito D، Dipierro G، Sonnessa A، Santoro S، Pascazio S، Pluchinotta I. استراتژی‌های اطلاعاتی همه‌گیر مبتنی بر داده مبتنی بر فناوری‌های ردیابی مجاورت دیجیتال در مبارزه با کووید{2}} در شهرها. پایداری. 2021 01؛ 13:644.

29. Foppa I. در: Kermack WO و McKendrick AG: سهمی اساسی در نظریه ریاضی اپیدمی ها (1927); 2017. ص. 59-87.

30. Kermack WO, McKendrick AG. کمک به نظریه ریاضی همه گیرها-II. مشکل بومی بودن بولتن زیست شناسی ریاضی. 1991; 53 (1): 57-87. در دسترس از: https://www. Sciencedirect.com/science/article/pii/S0092824005800412.

31. Kerr CC، Stuart RM، Mistry D، Abeysuriya RG، Rosenfeld K، Hart GR، و همکاران. Covasim: مدلی مبتنی بر عامل از پویایی و مداخلات COVID-19. زیست شناسی محاسباتی PLOS. 2021 07؛ 17 (7): 1-32. موجود در: https://doi.org/10.1371/journal.pcbi.1009149 PMID: 34310589

32. عمر اوام، النفیسه ی، البارکوکی رضی الله عنه، احمد ا.م. مدل‌سازی قطعی و تصادفی COVID{1}} با واکسیناسیون‌های روزانه بهینه در عربستان سعودی. نتایج Phys. سپتامبر 2021; 28:104629. https://doi.org/ 10.1016/j.rinp.2021.104629 Epub 2021 Aug 2. PMID: 34367890; PMCID: PMC8327613.

33. Fumanelli L، Ajelli M، Manfredi P، Vespignani A، Merler S. استنتاج ساختار تماس‌های اجتماعی از داده‌های دموگرافیک در تجزیه و تحلیل شیوع بیماری‌های عفونی. زیست شناسی محاسباتی PLoS. 2012 09؛ 8:e1002673. https://doi.org/10.1371/journal.pcbi.1002673 PMID: 23028275

34. Prem K, Zandvoort Kv, Klepac P, Eggo RM, Davies NG, for the Mathematical Modeling of Infectious Diseases COVID-19 Working Group C, et al. پیش‌بینی ماتریس‌های تماس در 177 منطقه جغرافیایی: به‌روزرسانی و مقایسه با داده‌های تجربی برای دوران کووید-19. زیست شناسی محاسباتی PLOS. 2021 07؛ 17 (7): 1-19. موجود در: https://doi.org/10.1371/journal.pcbi.1009098 PMID: 34310590

35. جمعیت ساکن بر حسب سن، جنس و وضعیت تأهل در 1 ژانویه 2019. در دسترس از: https://demo. ایستات آی تی/.

36. ویروس آنفلوانزا نوع A.; 2017. موجود در: https://www.cdc.gov/flu/avianflu/influenza-a-virussubtypes.htm.

37. کالابرو جی، و همکاران. ارزیابی فناوری سلامت (HTA) del vaccino antinfluenzale quadrivalente adiuvato: Fluad Tetra; 2021. موجود در: https://www.ijph.it/hta-vaccino-antinfluenzalequadrivalente-adiuvato-fluad-tetra.

38. Flahault A، Letrait S، Blin P، Hazout S، M´enar´es J، Valleron AJ. مدل سازی اپیدمی آنفولانزای 1985 در فرانسه. آمار در پزشکی. 1988 11؛ 7:1147-55. https://doi.org/10.1002/sim.4780071107 PMID: 3201040

39. Longini I، نظام A، Xu S، Ungchusak K، Hanshaoworakul W، Cummings D، و همکاران. حاوی آنفلوانزای همه گیر در منبع. علوم (نیویورک، نیویورک). 2005 09؛ 309:1083-7. https://doi.org/10.1126/ science.1115717 PMID: 16079251

40. Ferguson N، Cummings D، Cauchemez S، Fraser C، Riley S، Meeyai A، و همکاران. استراتژی های مهار یک بیماری همه گیر آنفولانزای نوظهور در آسیای جنوب شرقی طبیعت. 2005 10؛ 437:209-14. https://doi.org/10. 1038/nature04017 PMID: 16079797

41. Meier CR، Napalkov PN، Wegmu¨ller Y، Jefferson T، Jick H. مطالعه مبتنی بر جمعیت در مورد بروز، عوامل خطر، عوارض بالینی و استفاده از دارو در ارتباط با آنفولانزا در بریتانیا. Eur J Clin Microbiol Infect Dis. 2000 نوامبر; 19 (11): 834-842.

42. Sessa A، Costa B، Bamfi F، Bettoncelli G، D'Ambrosio G. بروز، تاریخچه طبیعی و پیامدهای مرتبط بیماری شبه آنفلوانزا و آنفلوانزای بالینی در ایتالیا. تمرین فام. دسامبر 2001; 18 (6): 629-634.

43. Esposito S، Cantarutti L، Molteni C، Daleno C، Scala A، Tagliabue C، و همکاران. تظاهرات بالینی و تأثیر اجتماعی-اقتصادی آنفلوانزا در بین کودکان سالم جامعه. مجله عفونت. 2011 03؛ 62:379-87. https://doi.org/10.1016/j.jinf.2011.02.015 PMID: 21414357

44. Perrotta D, Bella A, Rizzo C, Paolotti D. نظارت آنلاین مشارکتی به عنوان ابزاری تکمیلی برای پزشکان نگهبان برای نظارت بر بیماری آنفولانزا مانند در ایتالیا. PLOS ONE. 2017 01؛ 12:e0169801. https://doi.org/10.1371/journal.pone.0169801 PMID: 28076411

45. سیستم اطلاعات سرزمینی برای سلامت و رفاه. در دسترس از: https://www.istat.it/it/archivio/ 14562.

46. ​​Kissling E، Nunes B، Robertson C، Valenciano M، Reuss A، Larrauri A، و همکاران. مطالعه موردی کنترلی چند مرکزی I-MOVE 2010/11 تا 2014/15: آیا اثربخشی واکسن نوع/زیرگروه آنفلوانزا با افزایش زمان پس از واکسیناسیون در طول فصل کاهش می یابد؟ نظارت بر یورو آوریل 2016; 21 (16).

47. Rosano A, Bella A, Gesualdo F, Acampora A, Pezzotti P, Marchetti S, et al. بررسی تاثیر آنفولانزا بر مرگ و میر بیش از حد در تمام سنین در ایتالیا در طول فصول اخیر (فصل 2013/14-2016/17). Int J Infect Dis. نوامبر 2019; 88:127-134. https://doi.org/10.1016/j.ijid.2019.08.003 PMID: 31401203

48. Allan B, Lefantzi S, Ray J. ODEPACK++: بازسازی کتابخانه LSODE Fortran برای استفاده در معماری نرم افزار مؤلفه با کارایی بالا CCA. 2004. ص. 109-119.

49. Napoli C, Fabiani M, Rizzo C, Barral M, Oxford J, Cohen J, et al. ارزیابی سناریوهای همه گیر آنفلوانزای انسانی در اروپا. نظارت بر یورو فوریه 2015; 20 (7): 29-38. https://doi.org/10.2807/1560-7917. es2015.20.7.21038 PMID: 25719965