زمان تولید انواع آلفا و دلتا SARS-CoV-2: یک تحلیل اپیدمیولوژیک

برای اطلاعات بیشتر:ali.ma@wecistanche.com

خلاصه

زمینه

در مه 2021، دلتا (B.1.617.2)SARS-CoV-2این گونه در بریتانیا غالب شد و جایگزین آن شدomicron(B.1.1.529)نوع دلتا با افزایش قابلیت انتقال در مقایسه با نوع آلفا، که نوع غالب در بریتانیا بین دسامبر 2020 تا مه 2021 بود، مرتبط است. برای درک انتقال و اثربخشی مداخلات، هدف ما بررسی این بود که آیا زمان تولید واریانت دلتا (فاصله بین عفونت‌ها در جفت‌های آلوده-آلوده) کوتاه‌تر است - یعنی انتقال سریع‌تر از نوع آلفا اتفاق می‌افتد.

مواد و روش ها

در این تحلیل اپیدمیولوژیک، ما داده‌های انتقال را از یک مطالعه آینده‌نگر خانوار آژانس امنیت سلامت بریتانیا (UKHSA) تجزیه و تحلیل کردیم. پس از مثبت شدن تست PCR در یک مورد شاخص و تعیین توالی ژنومی برای تعیین واریانت مسئول، خانوارها به مطالعه وارد شدند. با برازش یک مدل انتقال ریاضی به داده‌ها، زمان تولید ذاتی (که عرضه ثابت افراد مستعد را در طول عفونت فرض می‌کند) و زمان تولید خانوار (که منعکس‌کننده انتقال محقق شده در خانوارهای مورد مطالعه است، برای کاهش مستعد تخمین زدیم) انواع آلفا و دلتا

یافته ها

بین فوریه و اوت 2{26}}21، 227 خانوار متشکل از 559 شرکت‌کننده در مطالعه UKHSA استخدام شدند. نوع آلفا در 131 خانوار (243 عفونت در 334 شرکت‌کننده) در ماه فوریه تا مه، و واریانت دلتا در 96 خانوار (174 عفونت در 225 شرکت‌کننده) در ماه می تا آگوست شناسایی شد یا فرض شد که مسئول عفونت‌ها بود. میانگین زمان تولید ذاتی برای نوع دلتا کوتاه‌تر بود (4·7 روز، 95 درصد فاصله زمانی معتبر [CI] 4·1–5·6) نسبت به نوع آلفا (5·5 روز, 4·7–6·5) ، با احتمال 92 درصد پسین. میانگین زمان تولید خانوار 28 درصد (95 درصد فاصله اطمینان (CI): 0-48 درصد) برای نوع دلتا (3·2 روز، 95 درصد فاصله اطمینان (CI 2·5–4·2)) از نوع آلفا (4·5 روز، 3) کوتاه‌تر بود. · 7-5 · 4)، با احتمال 97 · 5 درصد خلفی.

تفسیر

نوع دلتا در خانواده ها سریعتر از نوع آلفا منتقل می شود، که می تواند به کاهش سریعتر افراد مستعد در خانواده ها و کاهش احتمالی در زمان تولید ذاتی نسبت داده شود. اگر انتقال ویروس سریع اتفاق بیفتد، مداخلاتی مانند ردیابی تماس، آزمایش و جداسازی ممکن است کمتر موثر باشند.

منابع مالی

موسسه ملی تحقیقات سلامت، آژانس امنیت سلامت بریتانیا، شورای تحقیقات مهندسی و علوم فیزیکی، و تحقیقات و نوآوری بریتانیا

ویلیام اس هارت، الیزابت میلر، نیک جی اندروز، پائولین وایت، فیلیپ کی ماینی، سباستین فانک، رابین تامپسون

موسسه ریاضی، دانشگاه آکسفورد، آکسفورد، انگلستان (WS Hart MMath، پروفسور PK Maini DPhil); گروه اپیدمیولوژی بیماری های عفونی، دانشکده بهداشت و پزشکی گرمسیری لندن، لندن، انگلستان (پروفسور E Miller FRCPath، پروفسور S Funk Ph.D.)؛ بخش ایمن سازی و اقدامات متقابل (پروفسور E Miller، P Waight BSc) و داده ها و علوم تحلیلی (پروفسور NJ Andrews Ph.D.)، آژانس امنیت بهداشتی بریتانیا، لندن، بریتانیا. مؤسسه ریاضیات (دکتری آر.

مقدمه

در مه 2021، دلتا (B.1.617.2)SARS-CoV-2واریانت در UK1 و ​​در سطح جهانی غالب شد. این واریانت در مقایسه با انواع قبلی خطر بیماری شدیدتری را نشان می‌دهد، 2،3 اگرچه واکسیناسیون همچنان محافظ است.4 واریانت دلتا منجر به افزایش نرخ رشد شد.کووید-19مواردی که در انگلستان از سایر گونه‌ها رقابت می‌کنند.1،5 این رشد به افزایش قابلیت انتقال نسبت داده می‌شود، با مطالعه‌ای5 که نشان می‌دهد واریانت دلتا 43 تا 68 درصد قابل انتقال‌تر از نوع آلفا (B.1.1.7) است که اولین بار بود. شناسایی شده در نمونه ای از سپتامبر 2020.6

یک راه برای توصیف انتقال aSARS-CoV-2نوع برای اندازه‌گیری سرعت و قدرت آن است. 7،8 سرعت به سرعت رشد واریانت در سطح جمعیت اشاره دارد که با نرخ رشد تصاعدی اندازه‌گیری می‌شود و از داده‌های بروز بیماری قابل استنباط است. با تعداد تولید مثل وابسته به زمان اندازه گیری می شود (یعنی تعداد افرادی که انتظار می رود هر فرد مبتلا به آن مبتلا شود). زمان تولید (یعنی زمان بین رویدادهای عفونت در جفت‌های آلوده-آلوده) رابطه بین سرعت یک نوع و قدرت آن را تعیین می‌کند. در اصل، افزایش نرخ رشد موارد کووید-19، همانطور که برای نوع دلتا مشاهده شد، به افزایش قابلیت انتقال، زمان تولید کوتاه‌تر یا هر دوی این عوامل نسبت داده می‌شود.8،14

مطالعات قبلی تخمین زده اندSARS-CoV-2زمان تولید، 15 تا 20 با اکثر تخمین‌ها با استفاده از داده‌های جمع‌آوری‌شده در اوایل همه‌گیری کووید{2}}. یک مطالعه خانگی 18 از آژانس امنیت سلامت انگلستان (UKHSA) نشان داد که زمان تولید ازSARS-CoV-2بین سپتامبر و نوامبر 2020 در مقایسه با ماه های قبل کوتاه تر شد. با این حال، اگرچه این دوره با ظهور واریانت آلفا مصادف شد، اما در مطالعه UKHSA آن نوع تنها مسئول عفونت در دو خانواده بود و نوع دلتا هنوز ظاهر نشده بود. این انواع درSARS-CoV-2زمان تولید با استفاده از داده های یک مطالعه خانگی در حال انجام در بریتانیا.

مواد و روش ها

طراحی و داده های مطالعه

در این تجزیه و تحلیل اپیدمیولوژیک، ما داده‌های انتقال را از یک مطالعه آینده‌نگر خانگی که توسط UKHSA انجام شد (پیوست 1) تجزیه و تحلیل کردیم. از آنجایی که این مطالعه در ژانویه 2021 آغاز شد و داده‌ها از فوریه تا سپتامبر 2021 در دسترس بود، می‌توانیم انتقال از آلفا به دلتا را تجزیه و تحلیل کنیم که به نوع غالب تبدیل شده است. خانوارها پس از مثبت شدن تست PCR در یک مورد شاخص به مطالعه وارد شدند. داده ها شامل نتایج آزمایش PCR (شامل سه آزمایش انجام شده به عنوان بخشی از مطالعه)، تاریخ شروع علائم، سن، و وضعیت واکسیناسیون اعضای خانواده شرکت کننده (پیوست 1) است. توالی ژنومی برای تعیین نوع مسئول عفونت های تایید شده با PCR استفاده شد. در مواردی که داده‌های توالی در دسترس نبود، فرض کردیم که نوع آلفا مسئول عفونت در خانواده‌هایی است که مورد شاخص برای اولین بار قبل از ماه مه 2021 مثبت بوده است، و واریانت دلتا مسئول عفونت در خانواده‌هایی است که مورد شاخص برای اولین بار پس از ماه می مثبت شده است. 2021 (داده‌های سه خانوار بدون ترتیبی که در ماه می 2021 استخدام شده بودند، از تجزیه و تحلیل ما حذف شدند).1 تجزیه و تحلیل حساسیت فقط شامل خانواده‌هایی انجام شد که توالی‌یابی در آنها انجام شد.

شرح کامل پروتکل مطالعه خانوار در پیوست 2 (ص 2) ارائه شده است. پروتکل نظارت خانگی به عنوان بخشی از مجموعه فعالیت‌های نظارتی پیشرفته UKHSA در پاسخ به همه‌گیری کووید-19 توسط گروه اخلاق و حکومت پژوهشی UKHSA تأیید شد. رضایت شفاهی آگاهانه برای شرکت در مطالعه (شامل تجزیه و تحلیل داده‌ها برای درک ویژگی‌های انتقال خانوار) ​​توسط پرستاران از اعضای خانواده به دست آمد که می‌توانستند در هر زمانی شرکت در مطالعه خانوار را رد کنند. رضایت فرزندان از والدین یا قیم قانونی اخذ شد. فقط داده های ناشناس به نویسندگان غیر UKHSA ارائه شد.

مدلسازی ریاضی و تحلیل آماری

ما زمان تولید را با برازش یک مدل مکانیکی، با انگیزه مدل‌سازی محفظه (پیوست 2 ص 2-9)، به داده‌های انتقال خانگی تخمین زدیم. در این مدل، هر عفونت به سه مرحله متوالی (مدت زمان در هر مرحله به دنبال توزیع مستقل) تقسیم می‌شود: نهفته، پیش علامتی، عفونی، و علامت‌دار و عفونی. 16 این رویکرد نمایه عفونت میزبان آلوده را به زمانی که در آن علائم ایجاد می کند مرتبط می کند.

تقویت داده‌ها زنجیره مارکوف مونت کارلو (MCMC) برای برازش مدل انتقال با داده‌های 18،21 با مفروضات زیر استفاده شد: (1) توزیع دوره کمون با میانگین 5.8 روز (SD 3.1؛ به دست آمده از یک متاآنالیز قبل از ظهور انواع آلفا و دلتا انجام شد؛ 22 (2) میزبان های آلوده کاملاً بدون علامت و 35 درصد به اندازه کسانی که علائم را ایجاد می کنند عفونی هستند؛ 23 (3) حساسیت افراد واکسینه شده در مقایسه با افراد واکسینه نشده کاهش می یابد (یعنی، با استفاده از برآوردهای قبلی، احتمال انتقال بین یک فرد عفونی و یک فرد مستعد کمتر است، اگر فرد مستعد واکسینه شود؛ 24 (4) تفاوتی در میزان عفونی بودن بین افراد آلوده با وضعیت‌های مختلف واکسیناسیون وجود ندارد. و (5) هر خوشه انتقال خانوار از یک مورد اولیه منشأ می گیرد، بدون اینکه عفونت بیشتری از خارج وارد خانه شود.

ما برای بررسی استحکام نتایج خود به این مفروضات، تحلیل‌های حساسیت انجام دادیم. چهار پارامتر مدل زیر برای هر متغیر در روش برازش پارامتر تخمین زده شد: میانگین دوره نهفته (یعنی زمان از آلوده شدن تا عفونی شدن)، به عنوان نسبتی از میانگین دوره کمون. میانگین دوره عفونی علامت دار؛ عفونی بودن نسبی میزبان های عفونی علامت دار در مقایسه با میزبان های عفونی علامت دار. و پارامتر قابل انتقال کلی 0، که تعداد موردانتظار انتقال‌های خانگی ایجاد شده توسط یک آلوده کننده بدون علامت در یک خانواده بدون واکسینه و در غیر این صورت کاملاً مستعد را نشان می‌دهد، با این فرض که پس از هر انتقال، فرد آلوده برداشته شده و جایگزین می‌شود. یک فرد مستعد دیگر نمودارهای ردیابی و مقایسه بین توزیع های قبلی و پسین مقادیر پارامتر مدل برازش شده در پیوست 2 (ص 10) نشان داده شده است.

توزیع های قبلی استفاده شده و برآوردهای مرکزی توزیع های پسین با 95 درصد فواصل معتبر (CIs) در پیوست 2 (ص 24) برای هر گونه ارائه شده است. برای آزمایش روش برازش، ما همچنین یک مطالعه شبیه‌سازی انجام دادیم که در آن از تخمین‌های پارامتر مرکزی برای هر نوع برای تولید داده‌های مصنوعی استفاده کردیم و مدل انتقال خانگی خود را مجدداً به آن داده‌ها برازش کردیم (پیوست 2 ص 11). توزیع زمان تولید ذاتی (توزیع با فرض ثابت ماندن تعداد افراد مستعد در طول عفونت - به عنوان مثال، با فرض اینکه هر زمان انتقال اتفاق بیفتد، بیمار بلافاصله از جمعیت حذف شده و با فرد مستعد دیگری جایگزین شود)، یک تخمین کلی مستقل از اندازه خانوار، برای هر متغیر از مقادیر پارامتر مدل فرضی و تخمینی محاسبه شد (پیوست 2 ص 4-5). توزیع زمان تولید خانوار (توزیع زمان‌های تولید محقق شده در خانوارها، که کاهش افراد مستعد را به حساب می‌آورد)25 نیز برای هر یک از انواع برآورد شد (پیوست 2 ص 8).

زمان تولید خانوار به طور متوسط ​​کوتاه‌تر از زمان تولید ذاتی است، زیرا افراد آلوده ممکن است افراد مستعد ابتلا به این بیماری را در خانواده‌ها تمام کنند. اولین انتقال بالقوه در حال تحقق است). 26،27 در نتیجه، انتقال های تحقق یافته سریعتر از آنچه توزیع زمان تولید ذاتی نشان می دهد در داخل خانوارها رخ می دهد. ما توزیع‌های پسین میانگین و انحراف معیار توزیع زمان تولید ذاتی و خانگی را برای هر گونه محاسبه کردیم. ما همچنین تخمین‌های به‌دست‌آمده در هر مرحله از روش MCMC را با هم ترکیب کردیم (پس از یک دوره سوزاندن به روش استنتاج پارامتر برای شناسایی منطقه مربوطه از فضای پارامتر و نازک شدن برای کاهش همبستگی خودکار بین تخمین‌های مورد استفاده از تکرارهای مختلف) برای برآورد کل توزیع زمان تولید خانوار (پیوست 2 ص 13).

با مقایسه تخمین‌های میانگین زمان تولید ذاتی و خانگی برای انواع آلفا و دلتا به‌دست‌آمده در هر تکرار از روش MCMC، ما تخمین‌های پسین درصد کاهش در این مقادیر را به دلیل واریانت دلتا (در مقایسه با نوع آلفا) محاسبه کردیم. ما همچنین احتمال خلفی را محاسبه کردیم که هر کمیت برای نوع دلتا از نوع آلفا کوچکتر است (یعنی نسبت تکرارهای MCMC که در آن میانگین زمان تولید ذاتی یا خانگی تخمین زده شده برای نوع دلتا کوتاهتر بود). زمان تولید خانواده نیز بر اساس وضعیت واکسیناسیون، تاریخ و سن مقایسه شد. تمامی آنالیزها در MATLAB (نسخه R2021b) انجام شد.

نتایج

بین فوریه و اوت 2{38}}21، 227 خانوار و 559 شرکت‌کننده در مطالعه UKHSA انتخاب شدند (جدول، وضعیت واکسیناسیون و سن در پیوست 2 صفحات 21-22 نشان داده شده است). نوع آلفا در 131 خانوار (243 عفونت در 334 شرکت‌کننده) در ماه فوریه تا مه، و واریانت دلتا در 96 خانوار (174 عفونت در 225 شرکت‌کننده) در ماه می تا آگوست شناسایی شد یا فرض شد که مسئول عفونت‌ها بود. میانگین زمان تولید ذاتی 4.7 روز (95 درصد فاصله اطمینان (CI 4·1-5·6) برای واریانت دلتا و 5·5 روز (4·7-6·5) برای واریانت آلفا (شکل 1A) برآورد شد. ). مقایسه تخمین‌های پسین نشان می‌دهد که میانگین زمان تولید ذاتی 15 درصد (95 درصد فاصله اطمینان (CI): 7-٪ تا 31 درصد) برای نوع دلتا از نوع آلفا کوتاه‌تر است، با احتمال 92 درصد پسینی که نوع دلتا میانگین ذاتی کوتاه‌تری دارد. زمان تولید دو نوع (شکل 1A). نتایج ما همچنین نشان‌دهنده قابلیت انتقال بالاتر در داخل خانوارها برای نوع دلتا نسبت به نوع آلفا (شکل 1B) است. تخمین‌های میانگین زمان تولید خانوار برای دو نوع (شکل 1C) کوتاه‌تر از تخمین‌های زمان تولید ذاتی مربوطه است (شکل 1A). میانگین زمان تولید خانوار 28 درصد (95 درصد فاصله اطمینان (CI 0-48 درصد)) برای نوع دلتا (3·2 روز، 95 درصد فاصله اطمینان (CI 2·5–4·2)) از نوع آلفا (4·5) کمتر برآورد شد. روز، 3.7-5.4)، با احتمال 97.5 درصد عقبی که نوع دلتا میانگین زمان تولید خانوار کوتاه‌تر از دو نوع را دارد.

ما تخمین‌های به‌دست‌آمده در هر مرحله از روش MCMC را ترکیب کردیم تا کل توزیع زمان تولید خانوار را برای انواع آلفا و دلتا تخمین بزنیم، که نشان داد انتقال نوع دلتای خانگی معمولاً در طول عفونت SARS-CoV{1} زودتر از انتقال با نوع آلفا (پیوست 2 ص 13). ما همچنین تخمین‌های پسینی از میانگین و انحراف معیار توزیع فواصل سریال خانگی را نشان می‌دهیم (یعنی دوره بین زمان‌های شروع علائم در جفت‌های مبتلا به عفونت؛ پیوست 2 ص 14). مشابه زمان تولید خانوار، میانگین فاصله سریال خانگی کوتاه‌تری برای نوع دلتا پیدا کردیم (1·8 روز، 95 درصد فاصله اطمینان (CI): 1·{{{{2{2{21}}}}}-2·4) نسبت به نوع آلفا (3·5 روز، 2·7-4·1). برای هر دو نوع، میانگین فاصله سریال خانگی کوتاه‌تر از میانگین زمان تولید خانواده بود - 1·0 روز (0·2–1·8) برای نوع آلفا و 1·5 روز (0·7–). 2·4) برای نوع دلتا - اما فاصله سریال خانگی دارای SD بالاتری نسبت به زمان تولید خانواده بود.

ما همچنین اثرات واکسیناسیون (شکل 2A-C)، سن (شکل 2D-E) و ماهی را که در آن مورد شاخص برای اولین بار مثبت آزمایش شد (شکل 2F) در زمان تولید خانوار بررسی کردیم. ما زمان‌های تولید مرتبط با عفونی‌کننده‌ها و افراد مبتلا با وضعیت‌های واکسیناسیون متفاوت را تخمین زدیم و ترکیب‌های متفاوتی از جفت‌های آلوده-عفونی را در نظر گرفتیم. تأثیر انواع بر زمان تولید خانوار بیشتر از وضعیت واکسیناسیون بود (شکل 2A-C). برای هر دو نوع، هیچ اثر واضحی از سن آلوده کننده یا مبتلا بر روی زمان تولید وجود نداشت (شکل های 2D-E). کاهش زمان تولید خانوار در طی آوریل تا ژوئن 2021 رخ داد، احتمالاً به این دلیل که نوع دلتا در آن دوره زمانی در بریتانیا غالب شد (شکل 2F).

در نهایت، ما تحلیل‌های حساسیت را با در نظر گرفتن استحکام نتایج خود نسبت به مفروضات مدل‌سازی انجام دادیم (پیوست 2 صفحات 15-20). با فرض یک دوره جوجه کشی کوتاهتر28 نسبت به استفاده در تجزیه و تحلیل اصلی ما22 برای هر دو نوع یا فقط واریته دلتا (پیوست 2 ص 15)، منجر به اختلاف بیشتر در میانگین زمان تولید ذاتی بین انواع نسبت به شکل 1A (به عنوان مثال، در تجزیه و تحلیل حساسیت) شد. که در آن هر دو نوع دوره انکوباسیون کوتاه‌تری داشتند، میانگین زمان تخمینی تولید ذاتی 27 درصد [95 درصد فاصله اطمینان (CI 5-44 درصد]) برای واریانت دلتا از نوع آلفا کوتاه‌تر بود.

در مقابل، زمانی که ما فقط داده‌های خانواده‌هایی را در نظر گرفتیم که توالی‌یابی ژنومی در آنها انجام شد (پیوست 2 ص 20)، تفاوتی در میانگین زمان تولید ذاتی بین انواع پیدا نکردیم. با این حال، توزیع‌های پسین مقادیر تخمینی برای نوع دلتا در این تحلیل حساسیت گسترده بود، زیرا داده‌های توالی‌یابی از خانواده‌هایی که پس از ژوئن 2021 به‌کار گرفته شده بودند، در دسترس نبود، در آن زمان، نوع دلتا غالب بود. زمان تولید خانوار کوتاه‌تر برای نوع دلتا نسبت به نوع آلفا بدون تغییر باقی ماند. این یافته برای سطوح مختلف عفونت‌پذیری میزبان‌های بدون علامت و آلوده (پیوست 2 ص 16) و میزبان‌های آلوده واکسینه شده (ضمیمه 2 ص 17) و معرفی چندین ویروس به خانواده‌ها (پیوست 2 ص 18-19) قوی بود.

بحث

انواع جدید SARS-CoV-2 ویژگی‌های انتقال متفاوتی به ویروس کرونا دارند که در ابتدا در ووهان چین پدیدار شد. ۵،۱۴ یک ویژگی کلیدی زمان تولید است که سرعت انتقال را اندازه‌گیری می‌کند. ۱۷،۲۵،۲۹ برای برآورد زمان تولید، تجزیه و تحلیل مجموعه داده‌هایی که در آنها می‌توان جفت‌های آلوده و آلوده را تعیین یا تخمین زد، ضروری است. مطالعات خانگی فرصتی برای انجام چنین تحلیل‌هایی فراهم می‌کند. دریافتند که میانگین زمان تولید ذاتی برای نوع دلتا کمی کوتاه‌تر از نوع آلفا است، اما با همپوشانی قابل‌توجهی در CIs بین گونه‌ها. برای هر یک از انواع، زمان‌های تولید خانوار به طور متوسط ​​کوتاه‌تر از زمان‌های تولید ذاتی بود، زیرا زمان تولید خانوار باعث کاهش افراد مستعد در خانوارها می‌شود (انتقال‌های بالقوه با زمان‌های تولید طولانی‌تر احتمال وقوع کمتری دارند).

ما تفاوت بیشتری را در میانگین زمان تولید خانوار بین انواع مختلف نسبت به تفاوت تخمینی در زمان تولید ذاتی به تنهایی یافتیم. این یافته به افزایش قابلیت انتقال واریانت دلتا در خانواده‌ها نسبت داده می‌شود، که منجر به ابتلای سریع افراد مستعد می‌شود و در نتیجه برای عفونت در آینده در دسترس نیستند (در نتیجه دوره متوسط ​​بین انتقال‌های واقعی کوتاه می‌شود). تأثیر متغیر بر زمان تولید خانوار بیشتر از تأثیر سایر عوامل از جمله سن و وضعیت واکسیناسیون بود.

تا آنجا که ما می دانیم، این اولین مطالعه ای است که به طور مستقیم زمان تولید انواع مختلف SARS-CoV-2 را مقایسه می کند، و ما از تخمین های زمان نسل دیگر برای نوع آلفا اطلاعی نداریم. تخمینی برای نوع دلتا بر اساس 55 جفت انتقال در هفته نامه CDC چین در سال 2021 بیان شد، اگرچه روش های زیربنای برآورد ارائه نشده بود. با این وجود، میانگین زمان تولید آنها 2.9 روز28 در CI برآورد ما از میانگین زمان تولید خانوار برای نوع دلتا قرار دارد (3.2 روز، 95 درصد فاصله اطمینان (CI 2.5-4.2) و کوتاهتر از حد پایین 95 درصد CI برآورد ما برای نوع آلفا (4 · 5 روز، 3 · 7 - 5 · 4).

این مشاهدات از یافته ما حمایت می کند که نوع دلتا سریعتر از نوع آلفا در خانواده ها منتقل می شود. از آنجا که ما تجزیه و تحلیل خود را قبل از نوامبر 2021 انجام دادیم، زمان تولید را برای نوع جدید omicron (B.1.1.529) تجزیه و تحلیل نکردیم. با این حال، یافته‌های ما از میانگین زمان متفاوت تولید خانوار برای نوع آلفا در مقابل نوع دلتا، نیاز به تخمین‌های زمان تولید را برای به‌روزرسانی برای نوع omicron هنگامی که داده‌های مناسب در دسترس قرار می‌گیرد، برجسته می‌کند. مطالعات دیگر فاصله سریال (دوره بین زمان شروع علائم در جفت های عفونی-مبتلا) را برای واریانت دلتا تخمین زده اند. اخیراً، مطالعات اولیه نیز فاصله سریال 33 و فاصله آزمون تا آزمون مربوطه را برای واریانت omcron تخمین زده اند. .

اگرچه فاصله سریال گاهی اوقات به عنوان یک پروکسی برای زمان تولید استفاده می شود، این دو کمیت ممکن است از توزیع یکسانی پیروی نکنند - به عنوان مثال، زمان تولید همیشه دارای مقادیر مثبت است، در حالی که اگر انتقال پیش علامتی امکان پذیر باشد، فاصله سریال می تواند منفی باشد. توزیع بازه سریال اغلب دارای SD بالاتری نسبت به توزیع زمان تولید است، و این توزیع‌ها ممکن است مقدار میانگین یکسانی نداشته باشند. به انتقال پیش علامتی، زیرا افرادی که دوره کمون طولانی تری دارند ممکن است به طور متوسط ​​انتقال بیشتری ایجاد کنند.

این اثر، که در رویکرد مدل‌سازی ریاضی ما مشاهده می‌شود، منجر به یک دوره نهفتگی مورد انتظار می‌شود که برای آلوده‌کنندگان طولانی‌تر از مبتلایان در جفت‌های انتقال است، و بنابراین، میانگین فاصله سریال کوتاه‌تر از زمان نسل 18 (از آنجایی که تفاوت بین زمان تولید و فاصله سریال برابر است با تفاوت بین دوره های نهفتگی فرد آلوده و فرد مبتلا. مسیرهای بار ویروسی افراد مبتلا به عفونت ناشی از انواع آلفا و دلتا نیز قبلاً تخمین زده شده است. 35-37 اگرچه ممکن است تخمین چگونگی تغییر عفونت در طول عفونت با استفاده از داده‌های بار ویروسی ممکن باشد، زمان‌بندی انتقال تحقق یافته به عوامل اضافی بستگی دارد. مسری بودن ذاتی، مانند رفتار (مثلاً، احتمال انتقال افراد پس از بروز علائم و گوشه گیری از خود کمتر است) و در دسترس بودن افراد مستعد.

رویکرد ما به صراحت تغییرات در خطر انتقال پس از شروع علائم را در نظر می‌گیرد، و زمان تولید خانوار، کاهش افراد مستعد در خانواده‌ها را محاسبه می‌کند. تخمین‌های زمان تولید زیربنای طیفی از تحلیل‌های اپیدمیولوژیک است، از جمله استنباط عدد تولید مثل ۱۲،۱۳ در مناطق یا کشورهای مختلف و قابلیت انتقال نسبی انواع مختلف. ۵،۱۴ چنین تحلیل‌هایی اغلب تغییرات زمانی در زمان تولید را نادیده می‌گیرند. علاوه بر این، نتایج ما نشان می‌دهد که تعداد بازتولید می‌تواند بر زمان تولید تحقق‌یافته تأثیر بگذارد (به طور خاص، قابلیت انتقال بیشتر نوع دلتا منجر به انتقال سریع‌تر در خانوارها می‌شود). این یافته بر اهمیت استفاده از تخمین های به روز زمان تولید در هنگام تخمین اعداد تولید مثل تأکید می کند.

تخمین بیش از حد میانگین زمان تولید عموماً منجر به تخمین تعداد تولید مثل می‌شود که در یک اپیدمی رو به رشد بسیار زیاد و در یک اپیدمی رو به کاهش بسیار کم است. از آنجایی که نوع دلتا منجر به بیش از حد برآورد شدن مزیت قابل انتقال آن می‌شود. از آنجایی که کاهش تماس‌های حساس ممکن است در تعیین زمان‌بندی انتقال‌هایی که در خارج از خانه‌ها اتفاق می‌افتد نسبت به داخل خانوارها اهمیت کمتری داشته باشد، ما انتظار داریم توزیع زمان تولید کلی (حساب انتقال در تمام تنظیمات). ) بین تخمین های خانگی و ذاتی ما قرار می گیرد.

بنابراین، ما انتظار داریم که استنباط مزیت قابلیت انتقال نوع دلتا نسبت به نوع آلفا از داده‌های بروز با استفاده از تخمین‌های زمان تولید خانوار ما، مرز پایین‌تری را برای مزیت انتقال‌پذیری ارائه دهد (زیرا افزایش نرخ رشد مشاهده‌شده نوع دلتا تا حدی با یک مقدار قابل‌توجه توضیح داده می‌شود. کاهش زمان نسل). در مقابل، استنباط مزیت قابلیت انتقال نوع دلتا با استفاده از تخمین‌های زمان تولید ذاتی، یک حد بالایی ایجاد می‌کند. توجه داریم که تخمین‌های ما از قابلیت انتقال کلی (0) انواع آلفا و دلتا را نمی‌توان مستقیماً با تخمین‌های قبلی از مزیت انتقال نوع دلتا مقایسه کرد (به عنوان مثال، تخمین 43 تا 68 درصد استنتاج شده از داده‌های بروز5).

مقدار {{0}} نشان‌دهنده تعداد موردانتظار انتقال‌های خانگی است که توسط یک فرد عفونی بدون علامت در یک خانواده واکسینه نشده و کاملاً مستعد ایجاد می‌شود، با این فرض که پس از هر انتقال، فرد آلوده خارج شده و با دیگری جایگزین می‌شود. فرد مستعد در نتیجه، 0 به جای انتقال واقعی، انتقال پذیری ذاتی را منعکس می کند. مزیت انتقال ذاتی نوع دلتا تنها در صورتی محقق می شود که تعداد کافی افراد مستعد برای هر آلوده کننده موجود باشد. محدودیت‌های این مطالعه مدل‌سازی اپیدمیولوژیک شامل مفروضات مدل و میزانی است که داده‌ها نماینده جمعیت گسترده‌تر هستند. اگرچه ما داده‌های خانوار را تجزیه و تحلیل کردیم، ویژگی‌های انتقال ممکن است بین تنظیمات متفاوت باشد، که ما را برانگیخت تا زمان تولید خانواده و ذاتی را تخمین بزنیم. تخمین زمان تولید ذاتی، که کاهش افراد مستعد در خانواده‌ها را در نظر نمی‌گیرد، می‌تواند به شبکه‌های تماس خاص و تنظیمات انتقال (مثلاً خانوارها، مدارس، محل‌های کار، و شبکه‌های تماس اجتماعی) مشروط شود.

ما همچنین تحلیل‌های حساسیت را انجام دادیم و تأیید کردیم که یافته‌های ما از زمان تولید خانوار کوتاه‌تر برای نوع دلتا نسبت به نوع آلفا برای مفروضات مهم مدل‌سازی قوی بود. به طور خلاصه، تجزیه و تحلیل ما نشان می دهد که نوع دلتا سریعتر از نوع آلفا در خانواده ها منتقل می شود. این یافته پیامدهایی برای مداخلات دارد زیرا اقداماتی مانند ردیابی تماس در صورت انتقال سریع ویروس کمتر موثر است. مدل‌های اپیدمیولوژیک باید به‌روزرسانی شوند تا زمان تولید انواع مختلف انتقال را منعکس کنند و با ادامه تغییر ویژگی‌های انتقال SARS-CoV-2 بیشتر ارزیابی شوند.

ارجاع

1 بهداشت عمومی انگلستان. انواع نگرانی SARS-CoV-2 و انواع تحت بررسی در انگلستان. 17 سپتامبر 2021.

2 WHO. به‌روزرسانی اپیدمیولوژیک هفتگی COVID{1}}، نسخه 58. 21 سپتامبر 2021.

3 Twohig KA، Nyberg T، Zaidi A، و همکاران. بستری شدن در بیمارستان و خطر حضور در مراقبت های اضطراری برای SARS-CoV-2 دلتا (B.1.617.2) در مقایسه با انواع آلفا (B.1.1.7): یک مطالعه کوهورت. Lancet Infect Dis 2022; 22: 35-42.

4 لوپز برنال جی، اندروز ان، گوور سی، و همکاران. اثربخشی واکسن‌های کووید-19 علیه نوع B.1.617.2 (دلتا). N Engl J Med 2021; 385: 585-94.

5 Campbell F، Archer B، Laurenson-Schafer H، و همکاران. افزایش قابل انتقال و گسترش جهانی انواع نگران کننده SARS-CoV-2 از ژوئن 2021. Euro Surveill 2021; 26: 2100509.

6 بهداشت عمومی انگلستان. انواع نگرانی SARS-CoV-2 و انواع تحت بررسی در انگلستان. 11 مارس 2021.

7 Dushoff J، پارک SW. سرعت و قدرت مداخله اپیدمی Proc Biol Sci 2021; 288: 20201556.

8 پارک SW، Bolker BM، Funk S، و همکاران. نقش توزیع‌های فاصله نسلی در شکل‌دهی قدرت اپیدمی نسبی، سرعت و کنترل انواع جدید SARS-CoV-2. medRxiv 2021; 5 مه به صورت آنلاین منتشر شد.

9 فریزر C. تخمین تعداد تولید مثل فردی و خانگی در یک اپیدمی در حال ظهور. PLoS One 2007; 2: e758.

10 Wallinga J, Lipsitch M. چگونه فواصل تولید رابطه بین نرخ رشد و اعداد تولیدمثلی را شکل می دهد. Proc Biol Sci 2007; 274: 599-604.

11 Parag KV، تامپسون RN، Donnelly CA. آیا نرخ رشد اپیدمی آموزنده تر از اعداد تولید مثل است؟ medRxiv 2021; در 4 ژوئن به صورت آنلاین منتشر شد.

12 Gnostic KM، McGough L، Baskerville EB، و همکاران. ملاحظات عملی برای اندازه گیری عدد موثر تولید مثل، Rt. PLoS Comput Biol 2020; 16: e1008409.

13 Abbott S, Hellewell J, Thompson RN, et al. تخمین تعداد متغییر تولید مثل SARS-CoV-2 با استفاده از شمارش موارد ملی و ملی. Wellcome Open Res 2020؛ 5: 112.

14 Davies NG، Abbott S، Barnard RC، و همکاران. قابلیت انتقال و تأثیر تخمینی SARS-CoV-2 دودمان B.1.1.7 در انگلستان. علم 2021; 372: eabg3055.

15 Ferretti L، Wyman C، Kendall M، و همکاران. تعیین کمیت انتقال SARS-CoV{2}} کنترل اپیدمی با ردیابی تماس دیجیتال را پیشنهاد می‌کند. علم 2020; 368: eabb6936.

16 گانیانی تی، کرمر سی، چن دی، و همکاران. تخمین فاصله تولید برای بیماری کروناویروس (COVID-19) بر اساس داده‌های شروع علائم، مارس ۲۰۲۰. Euro Surveill 2020. 25: 2000257.

17 Hart WS، Maini PK، Thompson RN. عفونی بودن بالا بلافاصله قبل از شروع علائم کووید{1}} اهمیت ادامه ردیابی تماس را برجسته می کند. eLife 2021; 10: e65534.

18 هارت WS، Abbott S، Endo A، و همکاران. استنباط زمان‌های تولید SARS-CoV{2}} با استفاده از داده‌های خانوار بریتانیا. medRxiv 2021; 30 مه به صورت آنلاین منتشر شد.

19 Sun K، Wang W، Gao L، و همکاران. ناهمگونی‌های انتقال، سینتیک و قابلیت کنترل SARS-CoV{2}}. علم 2021; 371: eabe2424.

20 Hu S، Wang W، Wang Y، و همکاران. عفونت، حساسیت و عوامل خطر مرتبط با انتقال SARS-CoV-2 تحت ردیابی تماس فشرده در هونان، چین. Nat Commun 2021; 12: 1533.

21 فرگوسن NM، Cummings DAT، Cauchemez S، و همکاران. استراتژی های مهار یک بیماری همه گیر آنفولانزای نوظهور در آسیای جنوب شرقی طبیعت 2005; 437: 209-14.

22 McAloon C، Collins Á، Hunt K، و همکاران. دوره نهفتگی کووید{1}}: بررسی سیستماتیک سریع و متاآنالیز تحقیقات مشاهده ای. BMJ Open 2020; 10: e039652.

23 Buitrago-Garcia D، Egli-Gany D، Counotte MJ، و همکاران. وقوع و انتقال پتانسیل عفونت‌های بدون علامت و بدون علامت SARS-CoV-2: مرور سیستماتیک زنده و متاآنالیز. PLoS Med 2020؛ 17: e1003346.

24 Pouwels KB، Pritchard E، Matthews PC، و همکاران. تأثیر واریانت دلتا بر بار ویروسی و اثربخشی واکسن در برابر عفونت‌های جدید SARS-CoV-2 در بریتانیا. Nat Med 2021; 27: 2127-35.

25 Park SW، Champredon D، Dushoff J. استنتاج توزیع‌های فاصله تولید از داده‌های ردیابی تماس. رابط JR Soc 2020؛ 17: 20190719.

26 کناه ای، لیپسیچ ام، رابینز جی ام. تجزیه و تحلیل داده های انقباض فاصله نسلی و اپیدمی Math Biosci 2008; 213: 71-79.