Numero di riproduzione di base

Da Wikipedia, l'enciclopedia libera.
Jump to navigation Jump to search
Simulazione della trasmissibilità di una epidemia con R0=2 (Ebola) e con R0=4 (SARS)

Il numero di riproduzione di base[1], indicato e conosciuto come R0 (dizione: erre con zero),[2] indica, in epidemiologia, la potenziale trasmissibilità di una malattia infettiva non controllata. Più precisamente esso rappresenta il numero di nuovi casi sintomatici generati, in media, da un singolo caso durante il proprio periodo infettivo, in una popolazione che altrimenti non sarebbe infetta: esprime quindi il numero atteso di nuove infezioni originatesi da un singolo individuo nel corso del suo intero periodo di infettività, in una popolazione interamente suscettibile all'inizio di una epidemia o in contesti in cui non siano stati presi provvedimenti per limitare il contagio.[2]

Il concetto trae origine dal tasso netto di riproduzione, utilizzando il termine originario derivato dagli studi demografici; viene anche detto "numero di riproduzione netto" o in certi casi "tasso di riproduzione virale". La definizione del parametro R0 come metrica nella biologia o epidemiologia matematica non è universalmente condivisa.

Vari studi ritengono improprio l'uso del termine "tasso", in quanto suggerisce una metrica di una quantità in una unità di tempo. Se R0 fosse un tasso che coinvolge il tempo, fornirebbe informazioni sulla velocità con cui un'epidemia si diffonderà attraverso una popolazione. Ma R0 non indica se si verificheranno nuovi casi entro 24 ore dal caso iniziale o mesi dopo, proprio come R0 non indica se la malattia prodotta dall'infezione è grave. L'incoerenza nel nome e nella definizione del parametro R0 è stata potenzialmente una causa di incomprensione del suo significato.[3][4]

Storia[modifica | modifica wikitesto]

Le radici del concetto di riproduzione di base possono essere rintracciate attraverso il lavoro di Ronald Ross, Alfred Lotka e altri,[5] ma la sua prima applicazione moderna in epidemiologia fu di George MacDonald nel 1952, che costruì modelli della diffusione della malaria considerando le ondate successive di infezione come generazioni successive nello sviluppo demografico di una popolazione.[6][7]

La storia del concetto e calcolo del R0 nel suo passaggio tra le diverse discipline, dalla demografia e ecologia, all'epidemologia, infettivologia e statistica medica non evidenzia una chiara convergenza e oggi sia i modelli di calcolo sia le definizioni possono differire anche notevolmente.[8]

Definizione[modifica | modifica wikitesto]

Il processo di definizione, calcolo, interpretazione e applicazione di R0 è tutt'altro che semplice.[9] Sono state proposte numerose definizioni simili ma non identiche.

Dietz afferma che R0 è "il numero di casi secondari che un caso produrrebbe in una popolazione completamente suscettibile".[10] Fine integra questa definizione con la descrizione "numero medio di casi secondari".[11] Diekmann e colleghi usano la descrizione "numero previsto di casi secondari" e forniscono ulteriore specificità alla terminologia relativa a un singolo caso.[12] Alcune definizioni, come quella del Dipartimento della Salute australiano, aggiungono l'assenza di "qualsiasi intervento deliberato nella trasmissione della malattia".[13]

Il numero di riproduzione di base non deve essere confuso con il numero di riproduzione effettivo Rt o Re, che è il numero di casi generati nello stato attuale di una popolazione e che dipende dalla frazione (V) di popolazione non suscettibile, cioè immune all’infezione, essendo Re funzione di R0(1 – V). Per definizione, R0 non può essere modificato attraverso campagne di vaccinazione come invece avviene per R. Inoltre è importante notare che sia R sia R0 sono numeri senza dimensioni e non tassi.[14][13]

Il numero di riproduzione di base è influenzato da vari fattori, tra i quali la durata del periodo di infettività, la suscettibilità dell'organismo e il numero di individui suscettibili, all'interno della popolazione, coi quali i pazienti infetti entrano in contatto.

Sebbene R0 rappresenti una realtà biologica, questo valore è generalmente stimato con complessi modelli matematici sviluppati utilizzando varie ipotesi.[15] L'interpretazione delle stime di R0 derivate da diversi modelli richiede una comprensione delle strutture, degli input e delle interazioni dei modelli. In popolazioni non omogenee il calcolo del R0 e della dinamica di una epidemia è molto complesso.

Utilizzi[modifica | modifica wikitesto]

Gli usi più importanti e comuni di R0 sono: determinare se una malattia infettiva emergente può diffondersi in una popolazione, quale percentuale della popolazione dovrebbe essere immunizzata attraverso la vaccinazione per sradicare una malattia, prevedere quale potrebbe essere il numero di contagiati in una epidemia o la durata della fase espansiva (il periodo tra l'inizio e il picco) dell'epidemia.

Nei modelli di infezione comunemente usati se R0 < 1, l'infezione sul lungo termine si estinguerà, mentre se R0 > 1 l'infezione potrà diffondersi nella popolazione. Generalmente, più è alto il valore di R0, più difficile è controllare l'epidemia.

In un modello semplificato e con un vaccino efficace al 100%, la quota di popolazione che deve essere immune - per precedenti infezioni risolte o per vaccinazione (copertura vaccinale) - per prevenire la diffusione dell'infezione, è data da 1 - 1/R0.

Più alto è R0 più alta è la percentuale di popolazione immune per raggiungere l'immunità di gregge.[11]

Al contrario, la proporzione della popolazione che rimane suscettibile alle infezioni nella condizione di equilibrio endemico è 1/R0.

Variabilità e incertezze del R0[modifica | modifica wikitesto]

Stime di R0
Malattia Trasmissione R 0
MERS Goccioline respiratorie 0,3-0,8[16]
Influenza

(ceppi stagionali)

Goccioline respiratorie 0,9–2,1[17]
Influenza suina

( H1N1 del 2009 )

Goccioline respiratorie 1,4–1,6[18]
Influenza spagnola

( H1N1 del 1918 )

Goccioline respiratorie 1,4–2,8[19]
Influenza di Hong Kong

( H3N2 del 1968 )

Goccioline respiratorie 1,1–3,6[20]
Ebola

( epidemia del 2014 )

Fluidi corporei 1,5–2,5[21]
Difterite Saliva 1,7–4,3[22]
HIV / AIDS Fluidi corporei 1,09-2,15[23]
SARS Goccioline respiratorie 2–5[24]
Vaiolo Goccioline respiratorie 3,5–6[25]
Parotite Goccioline respiratorie 10-12[26]
Rosolia Goccioline respiratorie 4,3-9,2[27]
Pertosse Goccioline respiratorie 5,5[28]
Varicella Aerotrasportato 3,7-5[29]
Morbillo Aerotrasportato 12-18[30]

Per ogni agente infettivo, la letteratura scientifica potrebbe riportare numerosi valori R0 diversi.[31]

R0 si basa necessariamente su semplificazioni e dipende da moltissimi fattori, in parte imprevedibili (es.: congiunzione con un terremoto, un evento meteorologico o socioeconomico, una crisi umanitaria o una guerra).

La scelta dei modelli (e dei parametri inseriti) influenza i risultati, che possono differire sensibilmente in studi diversi.

Tale discrepanza è normale e può avere 3 motivi:[32]

  1. Le variabili considerate differiscono;
  2. I metodi di modellazione differiscono;
  3. Le procedure di stima differiscono.

Le stime del valore di R0 sono spesso calcolate in funzione di 3 parametri primari:

  1. la durata della contagiosità dopo l'infezione di una persona;
  2. la probabilità di infezione per contatto tra una persona sensibile e una persona infettiva o un vettore;
  3. il tasso di contatto,

insieme con parametri accessori che possono essere aggiunti per descrivere cicli di trasmissione più complessi.[10]

Provvedimenti sociali e di sanità pubblica influenzano le dinamiche di trasmissione e quindi sono rilevanti per la stima dei valori di R0.[9]

Tuttavia, anche se l'infettività di un patogeno (cioè la probabilità di infezione che si verifica dopo che si è verificato un contatto efficace) e la durata della contagiosità sono costanti biologiche, R0 varierà se le interazioni sociali variano nel tempo o nello spazio. Qualsiasi fattore che potrebbe influenzare il tasso di contatto, compresa la densità di popolazione (ad es. rurale vs. urbano), l'organizzazione sociale (ad es. integrata vs. segregata) e la stagionalità (ad es. stagione umida vs. piovosa per infezioni trasmesse da vettori), alla fine influenza l'R0. Poiché R0 è una funzione dell'effettivo tasso di contatto, il valore di R0 è una funzione del comportamento e dell'organizzazione sociale umana, nonché delle caratteristiche biologiche innate degli agenti patogeni.

La stima del R0 presuppone che il numero di infezioni secondarie prodotte da un singolo caso non vari. In realtà alcuni agenti patogeni, come i virus, possono mutare e diventare più o meno contagiosi e/o pericolosi. Ci sono poi soggetti che sono superinfettori ed eventi di super-propagazione, in cui un singolo soggetto, magari asintomatico, può infettare un grande numero di persone.

La variabilità nelle stime del valore di R0 per malattie infettive può essere molto ampia. Più di 20 diversi valori di R0 (da 5,4 a 18) sono stati riportati per il morbillo.[33] Sempre in merito al morbillo, una revisione del 2017, ha identificato stime di R0 fatte su dati rilevati localmente che vanno da 3,7 a 203,3.[34]

Nessun modello può prendere in considerazione tutta l'eterogeneità spazio-temporale di un contesto eco-epidemiologico, o anche il grado di trasmissibilità o vulnerabilità alle infezioni. Inoltre, nel mondo reale, il numero riproduttivo di base viene costantemente modificato durante l'epidemia, in particolare dalle misure di contenimento, di controllo adottate o imposte proprio per ridurlo.

Modelli per il calcolo del R0 di una epidemia[modifica | modifica wikitesto]

Magnifying glass icon mgx2.svgLo stesso argomento in dettaglio: Modelli matematici in epidemiologia.
Simulazione della diffusione epidemica di un modello SIR con R0=8
Blu=suscettibili
Celeste=infetti
Marrone=recuperati

Contare il numero di casi di infezione durante un'epidemia può essere estremamente difficile, anche quando i funzionari della sanità pubblica usano la sorveglianza attiva e la ricerca dei contatti per tentare di localizzare tutte le persone infette. Sebbene sia possibile misurare il tasso d'attacco e il tasso d'attacco secondario riferiti a uno specifico periodo temporale, il valore di R0 è quasi sempre stimato dai dati sieroepidemiologici o utilizzando modelli matematici teorici.

Sono quasi cento anni che si usano modelli matematici per descrivere la dinamica delle epidemie. Infatti i modelli attualmente usati in gran parte originano dal modello proposto da Kermack e McKendrick nel 1927.[35] I modelli matematici più utilizzati necessitano di classificare la popolazione in compartimenti:

  • , suscettibili
  • , infetti / infettivi
  • , esposti, quando ad esempio la malattia richiede due settimane per rendere l'individuo infettivo
  • , deceduti
  • , recuperati, guariti dopo aver contratto la malattia
  • , rimossi, soggetti non infettabili perché immuni o isolati
  • , soggetti con immunità o infettività dalla nascita, materna
  • , soggetti portatori (carrier) asintomatici
  • , soggetti ospedalizzati
  • , soggetti in quarantena

Per completare i modelli matematici si devono stimare alcuni parametri: età di infezione, cioè da quanto tempo è passato dal contagio, infettività, frequenza di contatto, periodo di incubazione, periodo infettivo, intervallo seriale, cioè il tempo fra la comparsa dei sintomi in un infetto e la comparsa dei sintomi in un individuo infettato dal primo, e altri parametri ricavati sul campo. Si deve anche definire la legge secondo cui si infettano i suscettibili. I modelli più semplici utilizzano la legge di azione di massa (sistema omogeneo) dove si assume che ogni individuo abbia la stessa probabilità di contattare qualunque altro individuo nella popolazione, indipendentemente dai contatti passati.[36][37][38] La maggioranza dei modelli matematici viene denotata da un acronimo che rappresenta il flusso dell'epidemia tra i diversi compartimenti di popolazione.

  • SI :
  • SIS :
  • SIR :
  • SEIR :
  • MSIR :
  • MSEIR :

I modelli possono adattarsi a malattie infettive nella fase epidemica o endemica, a sistema aperto (considerando nascite e morti) o chiuso. I modelli più semplici permettono di ricavare R0 da una serie di equazioni differenziali mentre nei modelli più complessi si deve ricorrere al calcolo matriciale. I modelli, deterministici (che producono gli stessi risultati ogni volta che vengono eseguiti) o stocastici (che generano una distribuzione di risultati probabili sulla base delle variazioni degli input) danno R0 diversi.[36]

Calcolo del R0 basato sull'età media degli infettati[modifica | modifica wikitesto]

Esiste un caso particolare in cui R0 può essere stimato senza utilizzare sistemi di equazioni differenziali. Una malattia infettiva è endemica se continua a esistere all'interno di una popolazione senza influenze esterne. Ciò significa che in media ogni persona malata ne infetta esattamente un'altra. Se questo valore fosse inferiore, la malattia si estinguerebbe, se fosse più grande, si svilupperebbe in un'epidemia a causa della crescita esponenziale. Matematicamente parlando, questo significa:

essendo la quota di suscettibili rispetto alla popolazione totale.

Affinché una malattia con un elevato numero riproduttivo di base rimanga endemica, il numero di persone che sono effettivamente suscettibili deve essere necessariamente piccolo.

In una popolazione con piramide dell'età rettangolare si può presumere che ogni individuo della popolazione abbia esattamente la stessa aspettativa di vita. Se l'età media degli infettabili, le persone più giovani sono sensibili, mentre le persone anziane sono già state immunizzate (o sono ancora infettive) da una precedente infezione. Di conseguenza, la percentuale di coloro che sono infettabili è:

essendo l'età media della popolazione e l'età media degli infettati.

Nel caso endemico, tuttavia, vale anche:

Quindi questo vale

[39]

che consente una stima del numero di riproduzione di base facilmente determinabile.

Nel caso in cui la piramide dell'età della popolazione sia esponenziale, si devono utilizzare modelli basati su sistemi di equazioni differenziali ordinarie con cui determinare l'equilibrio endemico da cui si ricava:

[39]

Calcolo di R0 con periodo infettivo latente e con isolamento dopo la diagnosi[modifica | modifica wikitesto]

Durante un'epidemia, in genere il numero di infezioni diagnosticate col tempo è conosciuto. Nelle prime fasi di un'epidemia, la crescita è esponenziale, con un tasso di crescita logaritmico

dove può essere interpretato come il numero cumulativo di diagnosi (compresi gli individui che si sono ripresi) o il numero attuale di pazienti positivi; il tasso di crescita logaritmica è lo stesso per entrambe le definizioni. Per stimare sono necessarie ipotesi sul ritardo tra l'infezione e la diagnosi e il tempo che intercorre tra l'infezione e l'infettività.

Un modello più realistico per calcolare il numero di riproduzione di base in una epidemia dove vengono assunte misure di contenimento, come l'isolamento dei diagnosticati positivi, considera quindi anche i seguenti parametri:

  • un individuo è infetto, ma non ha sintomi e non infetta ancora gli altri entra nel compartimento . La durata dello stato esposto è .
  • un individuo è infetto, non ha sintomi, ma infetta gli altri. La durata dello stato infettivo latente è . L'individuo infetta altre persone durante questo periodo.
  • Se per prevenire ulteriori infezioni nelle misure di contenimento viene disposto l'isolamento dopo la diagnosi positiva: gli individui isolati, se l'isolamento è efficace, rientrano tra i rimossi .[40]

In questo caso si può utilizzare un modello SEIR e R0 può essere scritto nella seguente forma[41]:

può essere calcolato considerando l'equazione differenziale per il numero di soggetti esposti e il numero dei soggetti infettivi nel periodo di latenza

è il più grande autovalore della matrice, cioè, essendo allora da cui è possibile ricavare .[41]

Numero di riproduzione netto al tempo t[modifica | modifica wikitesto]

La definizione del numero di riproduzione netto al tempo o numero di riproduzione effettivo o numero di riproduzione real-time, chiamato ( pronuncia R con t), è analoga a quella di , con la differenza che viene calcolato in un preciso momento. La variazione di nel tempo permette di monitorare l'evoluzione di una epidemia e l’efficacia degli interventi adottati per contenerla.

Come , può essere calcolato a partire dal numero di nuovi casi giornalieri. e variano entrambi a seconda delle dinamiche sociali di una popolazione: anche un virus facilmente trasmissibile avrà difficoltà a diffondersi in una popolazione dove le persone si incontrano raramente.[42]

La stima di viene effettuata con relativamente complessi metodi statistici applicati al modello matematico che meglio descrive l'andamento dell'epidemia.[43][44][45][46]

Esistono due definizioni principali dell' , a volte chiamate: e o di coorte. Considerando un'epidemia dove abbiamo un intervento efficace per contenerla e il numero di nuovi casi giornalieri ha smesso di crescere, l' al momento in cui sono stati adottati i provvedimenti di contenimento dell'epidemia, viene calcolato partendo dal presupposto che il futuro non sia noto, mentre l' è calcolato utilizzando i dati dei giorni successivi.[47][48][49][50] La distinzione tra e è simile alla distinzione tra la durata della vita effettiva degli individui nati nel 2013, che possiamo misurare solo retrospettivamente dopo che tutti gli individui sono morti, e l'aspettativa di vita nel 2013, stimata ora ma supponendo che i tassi di mortalità in futuro saranno simili a quelli del 2013. L' può essere stimato dal rapporto tra il numero di nuove infezioni generate alla fase temporale t e la totale contagiosità degli individui infetti al tempo t , espressa da , profilo di infettività nel tempo di chi viene infettato. è il numero medio di casi secondari che ogni individuo infetto infetterebbe se le condizioni rimanessero come erano al tempo t .

è il numero medio di casi secondari che un caso infettato alla fase temporale t finirà per infettare. La stima di può essere fatta solo a posteriori, una volta che sono stati infettati i casi secondari generati dai casi infetti al tempo t.

Calcolo del Rt[modifica | modifica wikitesto]

Nel corso di una epidemia Il calcolo dell', in particolare dell' , può essere un importante ausilio al processo decisionale sulle misure da prendere per contenerla[51], anche se l'utilizzo dell' come principale indicatore della gravità dell'epidemia può essere controverso.[42]

Sono stati sviluppati vari metodi di calcolo dell'[43][24][52][53][54] basati per lo più sul modello SEIR dove nel compartimento (infetti/infettivi) normalmente non si calcolano gli asintomatici, dipendendo questi dal numero di test fatti per rilevarli.

Una delle formule più utilizzate, inserita anche in alcuni pacchetti software per l'epidemiologia [55][56][57] considera:

dove è il numero di infezioni avvenute nel giorno t e è l'intervallo di generazione o seriale, cioè la probabilità che ci siano giorni tra quando un soggetto viene contagiato e quando contagia un nuovo soggetto. Dopo che una persona è stata infettata, la sua infettività dura un certo numero di giorni (in genere: dopo un periodo di latenza, aumenta rapidamente, quindi diminuisce gradualmente), quindi l'intervallo di generazione è una distribuzione di probabilità. Anche un di 1,3 con un tempo di generazione di 4 giorni significa un raddoppio del numero di nuovi casi entro circa 11 giorni.[58]

Il metodo di calcolo utilizzato dall'Istituto Superiore di Sanità nel corso dell'epidemia di COVID-19 si basa sull’utilizzo di un più complesso metodo Monte Carlo su catena di Markov[59], che sfrutta quindi un campionamento effettivo della distribuzione di probabilità con un numero sufficientemente alto di input calcolati passo passo (la catena di Markov). Dopo un certo numero di passi, l'algoritmo converge verso la miglior distribuzione descrittiva dell'evoluzione dell'epidemia.

A tal fine l'algoritmo deve essere applicato ad una funzione di verosimiglianza, che fornisca un metodo per poter aiutare l’algoritmo nella ricerca della corretta distribuzione. Il valore di questa funzione di verosimiglianza viene definito in base ai valori ottenuti nel comportamento dell'epidemia in una finestra temporale antecedente.

La funzione di verosimiglianza applicata dall'ISS[46] è :

con

· è la densità di una distribuzione Poisson, ovvero la probabilità di osservare k eventi se questi avvengono a una frequenza media λ.

· è il numero di casi sintomatici con data di inizio sintomi al giorno t, con t=1,…,T

· è il numero di casi sintomatici importati da un’altra regione o dall’estero aventi di data inizio sintomi nel giorno t

· è la distribuzione dell'intervallo di generazione (una distribuzione gamma con parametri di shape α = 1.87 e rate β = 0.28, stimata su dati della Regione Lombardia tra febbraio e marzo del 2020[60]).

Incertezze e variabilità[modifica | modifica wikitesto]

La stima di prodotta è un intervallo di credibilità, di solito al 95%. Questo vuol dire che il modello fornisce una probabilità del 95% che il valore di si trovi all’interno dell’intervallo.

Visto che l', in un certo contesto geografico, una volta nota la distribuzione dell’intervallo di generazione (ovvero la distanza temporale fra la comparsa dei sintomi in una persona infettata e i casi da essa generati) può essere stimato a partire dalla data di contagio ricavata per lo più dall'anamnesi fatta alla data di inizio dei sintomi, la stima soffre di un un ritardo temporale di giorni o settimane. I ritardi nelle segnalazioni nella sorveglianza della malattia compromettono la capacità di valutare l'effettiva dinamica di un'epidemia.[42] Si deve allora stimare il ritardo nei tempi di segnalazione (nowcasting) che può essere di giorni o settimane. [61][62] Inoltre la stima riporta valori mediati sia su base spaziale che temporale. Un singolo focolaio, limitato nel tempo e nello spazio, innalza il valore medio giornaliero di una intera regione. Anche per ridurre la variabilità giornaliera dei dati, usualmente nel processo decisionale sulle misure da adottare per contenere una epidemia si utilizzano medie mobili come ad esempio: .

Note[modifica | modifica wikitesto]

  1. ^ Spesso impropriamente indicato dai media come "indice di trasmissibilità" o "indice del contagio".
  2. ^ a b Che cos’è R0 e perché è così importante - ISS, su www.iss.it. URL consultato il 30 marzo 2020.
  3. ^ (EN) Paul L. Delamater, Erica J. Street e Timothy F. Leslie, Complexity of the Basic Reproduction Number (R0) - Volume 25, Number 1—January 2019 - Emerging Infectious Diseases journal - CDC, DOI:10.3201/eid2501.171901. URL consultato il 30 marzo 2020.
  4. ^ Notes On R0 James Holland Jones ∗ Department of Anthropological Sciences Stanford University May 1, 2007 (PDF), su web.stanford.edu.
  5. ^ Popolazioni malthusiane - II (modello di Lotka-Von Foerster), su dei.unipd.it.
  6. ^ G. Macdonald, Malaria in Britain, in BMJ, vol. 2, n. 4775, 12 luglio 1952, pp. 92–92, DOI:10.1136/bmj.2.4775.92-a. URL consultato il 30 marzo 2020.
  7. ^ G. Covell, EPIDEMIOLOGY AND CONTROL OF MALARIA, in BMJ, vol. 2, n. 5059, 21 dicembre 1957, pp. 1477–1477, DOI:10.1136/bmj.2.5059.1477. URL consultato il 30 marzo 2020.
  8. ^ J.A.P. Heesterbeek, A brief history of R0 and a recipe for its calculation, in Acta Biotheoretica, vol. 50, n. 3, 2002, pp. 189–204, DOI:10.1023/A:1016599411804. URL consultato il 30 marzo 2020.
  9. ^ a b Benjamin Ridenhour, Jessica M. Kowalik e David K. Shay, Unraveling R0: Considerations for Public Health Applications, in American Journal of Public Health, vol. 104, n. 2, 2014-02, pp. e32–e41, DOI:10.2105/ajph.2013.301704. URL consultato il 30 marzo 2020.
  10. ^ a b K. Dietz, The estimation of the basic reproduction number for infectious diseases, in Statistical Methods in Medical Research, vol. 2, n. 1, 1993-03, pp. 23–41, DOI:10.1177/096228029300200103. URL consultato il 30 marzo 2020.
  11. ^ a b Paul E. M. Fine, Herd Immunity: History, Theory, Practice, in Epidemiologic Reviews, vol. 15, n. 2, 1993, pp. 265–302, DOI:10.1093/oxfordjournals.epirev.a036121. URL consultato il 30 marzo 2020.
  12. ^ O. Diekmann, J. A. Heesterbeek e J. A. Metz, On the definition and the computation of the basic reproduction ratio R0 in models for infectious diseases in heterogeneous populations, in Journal of Mathematical Biology, vol. 28, n. 4, 1990, pp. 365–382, DOI:10.1007/bf00178324. URL consultato il 30 marzo 2020.
  13. ^ a b Department of Health | 2.2 The reproduction number, su www1.health.gov.au. URL consultato il 30 marzo 2020.
  14. ^ J.M Heffernan, R.J Smith e L.M Wahl, Perspectives on the basic reproductive ratio, in Journal of the Royal Society Interface, vol. 2, n. 4, 22 settembre 2005, pp. 281–293, DOI:10.1098/rsif.2005.0042. URL consultato il 30 marzo 2020.
  15. ^ Andrew W Roddam, Mathematical Epidemiology of Infectious Diseases: Model Building, Analysis and Interpretation, in International Journal of Epidemiology, vol. 30, n. 1, 2001-02, pp. 186–186, DOI:10.1093/ije/30.1.186. URL consultato il 30 marzo 2020.
  16. ^ WHO MERS Global Summary and Assessment of Risk, su apps.who.int.
  17. ^ (EN) Matthew Biggerstaff, Simon Cauchemez e Carrie Reed, Estimates of the reproduction number for seasonal, pandemic, and zoonotic influenza: a systematic review of the literature, in BMC Infectious Diseases, vol. 14, n. 1, 2014-12, pp. 480, DOI:10.1186/1471-2334-14-480. URL consultato il 1º aprile 2020.
  18. ^ Brian J. Coburn, Bradley G. Wagner e Sally Blower, Modeling influenza epidemics and pandemics: insights into the future of swine flu (H1N1), in BMC medicine, vol. 7, 22 giugno 2009, pp. 30, DOI:10.1186/1741-7015-7-30. URL consultato il 1º aprile 2020.
  19. ^ Neil M. Ferguson, Derek A. T. Cummings e Christophe Fraser, Strategies for mitigating an influenza pandemic, in Nature, vol. 442, n. 7101, 27 luglio 2006, pp. 448–452, DOI:10.1038/nature04795. URL consultato il 1º aprile 2020.
  20. ^ Charlotte Jackson, Emilia Vynnycky e Punam Mangtani, Estimates of the Transmissibility of the 1968 (Hong Kong) Influenza Pandemic: Evidence of Increased Transmissibility Between Successive Waves, in American Journal of Epidemiology, vol. 171, n. 4, 15 febbraio 2010, pp. 465–478, DOI:10.1093/aje/kwp394. URL consultato il 1º aprile 2020.
  21. ^ N. Kobayashi e H. Hayakawa, [Small lymphocyte as immunocyte--with special reference to its blastogenesis due to antigenic stimulation], in Arerugi = [Allergy], vol. 16, n. 2, 1967-02, pp. 79–88. URL consultato il 1º aprile 2020.
  22. ^ (EN) Shaun A Truelove, Lindsay T Keegan e William J Moss, Clinical and Epidemiological Aspects of Diphtheria: A Systematic Review and Pooled Analysis, in Clinical Infectious Diseases, 19 agosto 2019, pp. ciz808, DOI:10.1093/cid/ciz808. URL consultato il 1º aprile 2020.
  23. ^ (EN) T. Déirdre Hollingsworth, Roy M. Anderson e Christophe Fraser, HIV-1 Transmission, by Stage of Infection, in The Journal of Infectious Diseases, vol. 198, n. 5, 1º settembre 2008, pp. 687–693, DOI:10.1086/590501. URL consultato il 1º aprile 2020.
  24. ^ a b Jacco Wallinga e Peter Teunis, Different epidemic curves for severe acute respiratory syndrome reveal similar impacts of control measures, in American Journal of Epidemiology, vol. 160, n. 6, 15 settembre 2004, pp. 509–516, DOI:10.1093/aje/kwh255. URL consultato il 1º aprile 2020.
  25. ^ (EN) Raymond Gani e Steve Leach, Transmission potential of smallpox in contemporary populations, in Nature, vol. 414, n. 6865, 2001-12, pp. 748–751, DOI:10.1038/414748a. URL consultato il 1º aprile 2020.
  26. ^ Australia- Department of health - Mumps Laboratory Case Definition, su www1.health.gov.au.
  27. ^ (EN) M. N. Kanaan e C. P. Farrington, Matrix models for childhood infections: a Bayesian approach with applications to rubella and mumps, in Epidemiology and Infection, vol. 133, n. 06, 2 giugno 2005, pp. 1009, DOI:10.1017/S0950268805004528. URL consultato il 1º aprile 2020.
  28. ^ Mirjam Kretzschmar, Peter F. M. Teunis e Richard G. Pebody, Incidence and Reproduction Numbers of Pertussis: Estimates from Serological and Social Contact Data in Five European Countries, in PLoS Medicine, vol. 7, n. 6, 22 giugno 2010, DOI:10.1371/journal.pmed.1000291. URL consultato il 1º aprile 2020.
  29. ^ (EN) Luigi Marangi, Grazina Mirinaviciute e Elmira Flem, The natural history of varicella zoster virus infection in Norway: Further insights on exogenous boosting and progressive immunity to herpes zoster, in PLOS ONE, vol. 12, n. 5, 18 maggio 2017, pp. e0176845, DOI:10.1371/journal.pone.0176845. URL consultato il 1º aprile 2020.
  30. ^ (EN) Fiona M Guerra, Shelly Bolotin e Gillian Lim, The basic reproduction number (R 0 ) of measles: a systematic review, in The Lancet Infectious Diseases, vol. 17, n. 12, 2017-12, pp. e420–e428, DOI:10.1016/S1473-3099(17)30307-9. URL consultato il 1º aprile 2020.
  31. ^ The Johns Hopkins University and Gregory E. Glass - Measuring Disease Dynamics in Populations: Characterizing the Likelihood of Control (PDF), su ocw.jhsph.edu.
  32. ^ Chris T. Bauch, James O. Lloyd-Smith e Megan P. Coffee, Dynamically Modeling SARS and Other Newly Emerging Respiratory Illnesses: Past, Present, and Future, in Epidemiology, vol. 16, n. 6, 2005, pp. 791–801. URL consultato il 30 marzo 2020.
  33. ^ Roy M. Anderson, The Population Dynamics of Infectious Diseases: Theory and Applications, Springer US, 1982, pp. 1–37, ISBN 978-0-412-21610-7. URL consultato il 30 marzo 2020.
  34. ^ Fiona M Guerra, Shelly Bolotin e Gillian Lim, The basic reproduction number (R 0 ) of measles: a systematic review, in The Lancet Infectious Diseases, vol. 17, n. 12, 2017-12, pp. e420–e428, DOI:10.1016/s1473-3099(17)30307-9. URL consultato il 30 marzo 2020.
  35. ^ (EN) A contribution to the mathematical theory of epidemics, in Proceedings of the Royal Society of London. Series A, Containing Papers of a Mathematical and Physical Character, vol. 115, n. 772, 1927-08, pp. 700–721, DOI:10.1098/rspa.1927.0118. URL consultato il 31 marzo 2020.
  36. ^ a b Mollison, Denis., Epidemic models : their structure and relation to data, New York, NY, 1995, ISBN 0-521-47536-8, OCLC 32347982. URL consultato il 31 marzo 2020.
  37. ^ Brauer, Fred., Van den Driessche, Pauline, 1941- e Wu, Jianhong, 1964-, Mathematical epidemiology, Springer, 2008, ISBN 978-3-540-78910-9, OCLC 225958569. URL consultato il 31 marzo 2020.
  38. ^ Ma, Stefan., Xia, Yingcun. e National University of Singapore. Institute for Mathematical Sciences., Mathematical understanding of infectious disease dynamics, World Scientific, 2009, ISBN 978-981-283-483-6, OCLC 608624741. URL consultato il 31 marzo 2020.
  39. ^ a b Brauer, Fred., Mathematical models in population biology and epidemiology, 2nd ed, Springer, 2012, ISBN 978-1-4614-1686-9, OCLC 761389707. URL consultato il 6 aprile 2020.
  40. ^ Gerardo Chowell, Carlos Castillo-Chavez e Paul W. Fenimore, Model Parameters and Outbreak Control for SARS, in Emerging Infectious Diseases, vol. 10, n. 7, 2004-7, pp. 1258–1263, DOI:10.3201/eid1007.030647. URL consultato il 9 aprile 2020.
  41. ^ a b Marc Lipsitch, Ted Cohen e Ben Cooper, Transmission Dynamics and Control of Severe Acute Respiratory Syndrome, in Science (New York, N.Y.), vol. 300, n. 5627, 20 giugno 2003, pp. 1966–1970, DOI:10.1126/science.1086616. URL consultato il 9 aprile 2020.
  42. ^ a b c (EN) David Adam, A guide to R — the pandemic’s misunderstood metric, in Nature, vol. 583, n. 7816, 3 luglio 2020, pp. 346–348, DOI:10.1038/d41586-020-02009-w. URL consultato il 31 ottobre 2020.
  43. ^ a b (EN) Anne Cori, Neil M. Ferguson e Christophe Fraser, A New Framework and Software to Estimate Time-Varying Reproduction Numbers During Epidemics, in American Journal of Epidemiology, vol. 178, n. 9, 1º novembre 2013, pp. 1505–1512, DOI:10.1093/aje/kwt133. URL consultato il 27 ottobre 2020.
  44. ^ E. J. AMUNDSEN, H. STIGUM e J.-A. RØTTINGEN, Definition and estimation of an actual reproduction number describing past infectious disease transmission: application to HIV epidemics among homosexual men in Denmark, Norway and Sweden, in Epidemiology and Infection, vol. 132, n. 6, 16 novembre 2004, pp. 1139–1149, DOI:10.1017/s0950268804002997. URL consultato il 27 ottobre 2020.
  45. ^ The estimation of the effective reproductive number from disease outbreak data, in Mathematical Biosciences and Engineering, vol. 6, n. 2, 2009, pp. 261–282, DOI:10.3934/mbe.2009.6.261. URL consultato il 27 ottobre 2020.
  46. ^ a b FAQ sul calcolo del Rt - ISS, su www.iss.it. URL consultato il 27 ottobre 2020.
  47. ^ Estimation of novel coronavirus (covid-19) reproduction number and case fatality rate: a systematic review and meta-analysis, su dx.doi.org. URL consultato il 31 ottobre 2020.
  48. ^ The Royal Society (a cura di), Reproduction number (R) and growth rate (r) of the COVID-19 epidemic in the UK: methods of estimation, data sources, causes of heterogeneity, and use as a guide in policy formulation (PDF), su royalsociety.org, 24 agosto 2020.
  49. ^ Katelyn M. Gostic, Lauren McGough e Edward B. Baskerville, Practical considerations for measuring the effective reproductive number, Rt, in medRxiv, 28 agosto 2020, DOI:10.1101/2020.06.18.20134858. URL consultato il 31 ottobre 2020.
  50. ^ Sahamoddin Khailaie, Tanmay Mitra, Arnab Bandyopadhyay, Marta Schips, Pietro Mascheroni, Patrizio Vanella, Development of the reproduction number from coronavirus SARS-CoV-2 case data in Germany and implications for political measures, su dx.doi.org, 7 aprile 2020. URL consultato il 31 ottobre 2020.
  51. ^ (EN) Francisco H. C. Felix e Juvenia B. Fontenele, Instantaneous R calculation for COVID-19 epidemic in Brazil, Epidemiology, 29 aprile 2020, DOI:10.1101/2020.04.23.20077172. URL consultato il 1º novembre 2020.
  52. ^ Luís M. A. Bettencourt e Ruy M. Ribeiro, Real Time Bayesian Estimation of the Epidemic Potential of Emerging Infectious Diseases, in PLoS ONE, vol. 3, n. 5, 14 maggio 2008, DOI:10.1371/journal.pone.0002185. URL consultato il 1º novembre 2020.
  53. ^ Erläuterung der Schätzung der zeitlich variierenden Reproduktionszahl R - Robert Koch Institut - 15 maggio 2020, su rki.de.
  54. ^ Monitoring the spread of COVID-19 by estimating reproduction numbers over time - Thomas Hotz e al. (PDF), su arxiv.org.
  55. ^ Package ‘EpiEstim’-Version 2.2-3 -Estimate Time Varying Reproduction Numbers from Epidemic Curves-Tools to quantify transmissibility throughout an epidemic from the analysis of time series of incidence as described in Cori et al. (2013) <doi:10.1093/aje/kwt133> and Wallinga and Teunis (2004) <doi:10.1093/aje/kwh255>. (PDF), su cran.r-project.org.
  56. ^ shiny.dide.imperial.ac.uk, https://shiny.dide.imperial.ac.uk/epiestim/. URL consultato il 4 novembre 2020.
  57. ^ Rt estimation - v3.1 - last update 2020-10-16, su vienne.shinyapps.io. URL consultato il 4 novembre 2020.
  58. ^ Schätzung der aktuellen Entwicklung der SARS-CoV-2-Epidemie in Deutschland - Nowcasting - Robert Koch-Institut, su rki.de.
  59. ^ W. K. Hastings, Monte Carlo sampling methods using Markov chains and their applications, in Biometrika, vol. 57, n. 1, 1º aprile 1970, pp. 97–109, DOI:10.1093/biomet/57.1.97. URL consultato il 1º novembre 2020.
  60. ^ Giorgio Guzzetta, Piero Poletti e Marco Ajelli, Potential short-term outcome of an uncontrolled COVID-19 epidemic in Lombardy, Italy, February to March 2020, in Eurosurveillance, vol. 25, n. 12, 26 marzo 2020, DOI:10.2807/1560-7917.es.2020.25.12.2000293. URL consultato il 1º novembre 2020.
  61. ^ (EN) Stephan Gloeckner, Gerard Krause e Michael Hoehle, Now-casting the COVID-19 epidemic: The use case of Japan, March 2020, in medRxiv, 23 marzo 2020, pp. 2020.03.18.20037473, DOI:10.1101/2020.03.18.20037473. URL consultato il 4 novembre 2020.
  62. ^ (EN) Joseph T. Wu, Kathy Leung e Gabriel M. Leung, Nowcasting and forecasting the potential domestic and international spread of the 2019-nCoV outbreak originating in Wuhan, China: a modelling study, in The Lancet, vol. 395, n. 10225, 29 febbraio 2020, pp. 689–697, DOI:10.1016/S0140-6736(20)30260-9. URL consultato il 4 novembre 2020.

Voci correlate[modifica | modifica wikitesto]

Altri progetti[modifica | modifica wikitesto]