A COVID19 reprodukciós rátája magasabb, mint a SARS koronavírusé

Eredeti cikk dátuma: 2020. február 13.
Eredeti cikk címe: The reproductive number of COVID-19 is higher compared to SARS coronavirus
Eredeti cikk szerzői: Ying Liu, Albert A Gayle, Annelies Wilder-Smith, Joacim Rocklöv
Eredeti cikk elérhetősége: https://academic.oup.com/jtm/article/27/2/taaa021/5735319
Eredeti cikk státusza:
Fordító(k): Wouters Krisztina
Lektor(ok): dr. Kardos László
Nyelvi lektor(ok): Jerkovich Gyula
Szerkesztő(k): Kovács László

Figyelem! Az oldalon megjelenő cikkek esetenként politikai jellegű megnyilvánulásokat is tartalmazhatnak. Ezek nem tekinthetők a fordítócsoport politikai állásfoglalásának, kizárólag az eredeti cikk írójának véleményét tükrözik. Fordítócsoportunk szigorúan politikamentes, a cikkekben esetlegesen fellelhető politikai tartalommal kapcsolatosan semmiféle felelősséget nem vállal, diskurzust, vitát, bizonyítást vagy cáfolatot nem tesz közzé.

Az oldalon található információk nem helyettesítik a szakemberrel történő személyes konzultációt és kivizsgálást, ezért kérjük, minden esetben forduljon szakorvoshoz!

---

---

Bevezetés

2019 decemberében Vuhanban (Kína) egy újfajta, riasztó mértékben fertőző elsődleges atipikus (vírusos) tüdőgyulladás jelent meg. A kórokozót azóta a SARS és a MERS koronavírushoz hasonló zoonótikus koronavírusként azonosították és SARS-CoV-2-nek, az általa okozott betegséget pedig COVID19-nek nevezték el. Kínában 2020. február 8-ig 33 738 igazolt esetről és 811 halottról számoltak be.

Közleményünkben áttekintjük a SARS-CoV-2 vírus alap reprodukciós rátáját (R₀). A vírusok átvihetőségének indikátora az R_0, amely az egy fertőző személy által okozott új fertőzések átlagos számát jelenti egy teljesen naív populációban. Ha R₀>1, a fertőzöttek száma valószínűleg növekszik, ha pedig R₀<1, az átvitel vélhetően megszűnik. A fertőző betegségek epidemiológiájának központi fogalma az alap reprodukciós ráta, amely a fertőző ágens járványszerű terjedési potenciálját jelzi.

Módszerek és eredmények

A megfelelő tanulmányok felkutatásához a PubMed-et, a bioRxiv-et és a Google Scholar-t használtuk. A „coronavirus & basic reproduction number” keresőkifejezést alkalmaztuk. A 2020. január 1. és 2020. február 7. közötti időszakot fedtük le. Ebből az időszakból 12 tanulmányt azonosítottunk, amelyek a COVID19 alap reprodukciós rátáját becsülték meg Kínában és a tengerentúlon. Az 1. táblázat azt mutatja, hogy a becslések 1,4 és 6,49 között mozogtak, 3,28-os átlaggal; a medián 2,79, az interkvartilis terjedelem (IKT) pedig 1,16 volt.

1. táblázat Publikált becslések a 2019-nCoV R₀ értékére

Tanulmány (tanulmány éve)	Helyszín	Tanulmány ideje	Módszerek	Megközelítések	R0 becslés (átlag)	95% CI
Joseph és mtsai1	Vuhan	2019. december 31-től 2020. január 28-ig	Sztochasztikus Markov-lánc Monte Carlo-módszerek (MCMC)	MCMC Gibbs-mintavétellel és nem informatív konstans priorral, utólagos valószínűség számítása	2,68	2,47–2,86
Shen és mtsai2	Hupej tartomány	2020. január 12-22.	Dinamikus kompartmentális matematikai modell a vizsgálati alanyok öt kompartmentre osztásával: fogékonyak, lappangási szakaszban levő tünetmentesek, tünetes fertőzőképesek, izoláltan kezelt betegek, felgyógyultak	R0 = β/α β =átlagos napi emberről emberre történő fertőzési ráta korlátozó intervenciók nélkül, nemlineáris legkisebb négyzetek módszerét alkalmazva a pontbecsléshez α = izolálási arány = 6	6,49	6,31–6,66
Liu és mtsai3	Kína és tengerentúl	2020. január 23.	Statisztikai; exponenciális növekedés 8,4 napos (SD = 3,8) SARS generációs idő alapján	Poisson-regresszió az exponenciális növekedési ütem becslésére R0=1/M(−r) M=a generációs idő eloszlásának momentumgeneráló függvénye; r=exponenciális növekedési ütem illesztett értéke	2,90	2,32–3,63
Liu és mtsai3	Kína és tengerentúl	2020. január 23.	Statisztikai; maximum likelihood becslés 8,4 napos (SD = 3,8) SARS generációs idő alapján	A log-likelihood maximalizálása az R0 becslésére járvány során gyűjtött felügyeleti adatok alapján, feltételezve, hogy a másodlagos esetek R0 várható értékű Poisson-eloszlásúak	2,92	2,28–3,67
Read és mtsai4	Kína	2020. január 1-22.	Matematikai átviteli modell 4 napos, a lappangási időhöz közeli látens idő feltételezésével	Feltételezések: az új esetek keletkezése Poisson-eloszlású napi növekményekkel írható le, determinisztikus SEIR metapopulációs átviteli modell, fertőzési ráta = 1,94, fertőzési periódus = 1,61 nap	3,11	2,39–4,13
Majumder és mtsai5	Vuhan	2019. december 8. és 2020. január 26.	Incidence Decay and Exponential Adjustment (IDEA) alapú matematikai modell	SARS and MERS adatokból 6-10 napos átlagos generációs idő átvétele az IDEA modell illesztéséhez	2,0–3,1 (2,55)	/
WHO	Kína	2020. január 18.	/	/	1,4–2,5 (1,95)	/
Cao és mtsai6	Kína	2020. január 23.	Matematikai modell fertőzésre fogékony-exponált-fertőző-gyógyult-elhunyt-kumulatív (Susceptible-Exposed-Infectious-Recovered-Death-Cumulative, SEIRDC) kompartmentekkel	R = K 2 (L × D) + K(L + D)+1 L=átlagos látens idő=7, D=átlagos látens fertőzési időszak=9, K=az esetszám logaritmikus növekedési üteme	4,08	/
Zhao és mtsai7	Kína	2020. január 10-24.	Statisztikai exponenciális növekedési modell, generációs idők alkalmazása SARS (átlag=8,4 nap, SD=3,8 nap) és MERS (átlag=7,6 nap, SD=3,4 nap) tapasztalatok alapján	A betegség bejelentési ütemének 8-szoros emelkedéséhez tartozó változat R0=1/M(−r) r =belső növekedési ütem M=momentumgeneráló függvény	2,24	1,96–2,55
Imai (2020)8	Vuhan	2020. január 18.	Matematikai modell, a lehetséges járványgörbék számítógépes modellezése	Feltételezések: SARS-hoz hasonló esetek közötti variabilitás a másodlagos esetek számában; SARS-hoz hasonlóan 8,4 napos generációs idő; fix számú zoonótikus expozíció miatti eset; fix számú összes eset. Ezek alapján R0 optimista, semleges és pesszimista forgatókönyv szerinti becslése	1,5–3,5 (2,5)	/
Julien and Althaus9	Kína és tengerentúl	2020. január 18.	Korai szakaszbeli járványgörbék sztochasztikus szimulációi	Korai szakaszbeli járványgörbék olyan sztochasztikus szimulációi, amelyek illeszkednek az eddigi epidemiológiai adatokhoz	2,2
Tang és mtsai10	Kína	2020. január 22.	SEIR típusú matematikai epidemiológiai modell a vizsgálati beavatkozásoknak megfelelő kompartmentekkel	Modell alapú és likelihood alapú módszer	6,47	5,71–7,23
Qun Li és mtsai11	Kína	2020. január 22.	Statisztikai exponenciális növekedés modell	Átlagos inkubációs idő=5,2 nap, átlagos generációs idő=7,5 nap	2,2	1,4–3,9
Átlagérték					3,28

CI: konfidenciaintervallum

1. ábra

Az első tanulmányok még alacsonyabb értékű R₀ becslésekről számoltak be. A becslések ezután növekedtek, majd a még újabb becslések visszatértek a kezdeti szintekre (1. ábra). Az alaposabb vizsgálatból kitűnik, hogy a becslési módszernek is szerepe volt.

Az a két tanulmány, amely R₀ becslésére sztochasztikus módszereket használ, 2,2–2,68 közötti terjedelemről számol be, 2,44-os átlaggal.^{1, 9} Az a hat tanulmány, amely R₀ becslésére matematikai módszereket használ, 1,5-től 6,49-ig terjedő értékeket hozott ki, 4,2-es átlaggal.^{2, 4–6, 8, 10} Az a három tanulmány pedig, amely olyan statisztikai módszereket használ, mint az exponenciális növekedés, R₀-t 2,2-től 3,58-ig terjedően becsüli, 2,67-os átlaggal.^{3, 7, 11}

Megbeszélés

Az áttekintésünkben R₀ átlagát 3,28-nak találtuk, mediánját pedig 2,79-nak, amelyek meghaladják a WHO 1,4 és 2,5 közötti becsült értékeit. Az R₀ származtatására sztochasztikus és statisztikai módszereket használó tanulmányok olyan becslésekkel szolgálnak, amelyek egymáshoz nagyjából hasonlóak. Azonban a matematikai módszereket alkalmazó tanulmányok átlagosan magasabb becsült értékekre jutnak. Néhány matematikailag származtatott becslés a statisztikai és a sztochasztikus becslések tartományába esik. Lényeges tovább vizsgálni, hogy vajon miért becsültek egyes matematikai tanulmányok magasabb R₀ értékeket.

A modellezési feltételezések például szerepet játszhattak ebben. Az újabb tanulmányokban R₀ 2-3 körül látszik stabilizálódni. A későbbi szakaszokban készített R₀ becslések várhatóan megbízhatóbbak, ugyanis több esetből származó adatot használnak fel, valamint a tudatosság és a vizsgálati beavatkozások hatását is tartalmazzák. Érdemes megjegyezni, hogy a WHO pontbecsléseinek átlaga egyöntetűen a többi publikált becslés alatt van, habár a WHO tartományának felső része átfed az itt áttekintett alacsonyabb becslésekkel.

A SARS becsült R₀ értékeit a beszámolók 2 és 5 közé teszik, és a COVID19 jelen áttekintésben talált átlagos R₀ értéke is ebbe a tartományba esik. Ez nem meglepő, mivel hasonlóságok vannak mind a kórokozó, mind a kitett régió szempontjából. Másfelől a fokozott társadalmi tudatosság és a lenyűgözően erős intervenciós válasz ellenére a COVID19 máris jobban elterjedt, mint a SARS, ami azt mutatja, hogy könnyebben átvihető lehet.

Következtetések

Ebben az áttekintésben a COVID19 becsült R₀ értékének átlagát 3,28 körülinek, mediánját 2,79-nak (1,16-os IKT mellett) találtuk, amely számottevően magasabb a WHO 1,95-os becslésénél. R₀ e becslései az alkalmazott becslési módszertől és a mögöttes előfeltevések helyénvalóságától is függenek. Az elégtelen adatok és a kitörés óta eltelt rövid idő miatt az R₀-ra vonatkozó jelenlegi becslések a COVID19 esetében valószínűleg torzítottak. Ugyanakkor ahogy egyre több adat gyűlik össze, a becslési hibák előreláthatólag csökkenni fognak, és tisztább kép formálódik majd. Ezekre a megfontolásokra alapozva a COVID19 R₀ értéke 2-3 között várható, amely nagy vonalakban összhangban van a WHO szerinti becsléssel.

Irodalomjegyzék

1. Wu JT, Leung K, Leung GM. Nowcasting and forecasting the potential domestic and international spread of the 2019-nCoV outbreak originating in Wuhan, China: a modelling study, The Lancet, 2020.
2. Shen M, Peng Z, Xiao Y, Zhang L. Modelling the epidemic trend of the 2019 novel coronavirus outbreak in China. bioRxiv 2020. doi: https://doi.org/10.1101/2020.01.23.916726.
3. Liu T, Hu J, Kang M et al. Transmission dynamics of 2019 novel coronavirus (2019-nCoV). bioRxiv 2020. doi: https://doi.org/ 10.1101/2020.01.25.919787.
4. Read JM, Bridgen JRE, Cummings DAT, Ho A, Jewell CP. Novel coronavirus 2019-nCoV: early estimation of epidemiological parameters and epidemic predictions. medRxiv 2020. doi: https://doi. org/10.1101/2020.01.23.20018549.
5. Majumder, M, Mandl, KD. (2020) Early transmissibility assessment of a novel coronavirus in Wuhan, China. https://papers.ssrn.com/ abstract=3524675 (27 January 2020, date last accessed).
6. Cao Z Zhang Q, Lu X et al. Estimating the effective reproduction number of the 2019-nCoV in China. medRxiv 2020. doi: https://doi.org/10.1101/2020.01.27.20018952.
7. Zhao S, Ran J, Musa SS et al. Preliminary estimation of the basic reproduction number of novel coronavirus (2019-nCoV) in China, from 2019 to 2020: a data driven analysis in the early phase of the outbreak. bioRxiv 2020. doi: https://doi.org/10.1101/2020.01.23. 916395.
8. Imai N, Cori A, Dorigatti I et al. Report 3: transmissibility of 2019nCoV. 2020. WHO Collaborating Centre for Infectious Disease Modelling, MRC Centre for Global Infectious Disease Analysis, J-IDEA, Imperial College London, UK.
9. Riou J, Althaus CL. Pattern of early human-to-human transmission of Wuhan 2019-nCoV. bioRxiv 2020. https://www.biorxiv.org/ content/10.1101/2020.01.23.917351v1.full.pdf (27 January 2020, date last accessed).
10. Tang B, Wang X, Li Q et al. Estimation of the transmission risk of 2019-nCov and its implication for public health interventions (January 24, 2020). https://ssrn.com/abstract=3525558 or https://doi.org/10.2139/ssrn.3525558 (9 February 2020, date last accessed).
11. Qun L et al. 2020. Early transmission dynamics in Wuhan, china, of novel coronavirus-infected pneumonia. New England Journal of Medicine. 10.1056/NEJMoa2001316.

Ez a közlemény szabad hozzáférésű, Creative Commons licenszbesorolása „Nevezd meg; Ne add el” (http://creativecommons.org/licenses/by-nc/4.0/), melynek értelmében az eredeti műre való megfelelő hivatkozás feltüntetésével nem kereskedelmi céllal felhasználható, terjeszthető és bármilyen hordozón reprodukálható. Kereskedelmi célú felhasználási igény jelzése: journals.permissions@oup.com