Nội dung được dịch bởi AI, chỉ mang tính chất tham khảo
Bức tranh không gian về sự phổ biến của bệnh sốt rét ở châu Phi dưới các kịch bản thay đổi khí hậu và can thiệp
Tóm tắt
Bệnh sốt rét rất nhạy cảm với các biến số khí hậu và bị ảnh hưởng mạnh mẽ bởi sự hiện diện của các vectơ trong một khu vực, góp phần vào sự phát triển của ký sinh trùng và duy trì sự lây truyền bệnh. Phân tích toán học về sự lây truyền bệnh sốt rét thông qua việc sử dụng và áp dụng giá trị ngưỡng của số sinh sản cơ bản (R0) là một công cụ quan trọng và hữu ích để hiểu các mô hình bệnh tật. Khía cạnh phụ thuộc vào nhiệt độ của R0 thu được từ mô hình mạng toán học động đã được sử dụng để xây dựng bản đồ phân bố không gian cho sự lây truyền bệnh sốt rét dưới các kịch bản khí hậu và can thiệp khác nhau. Việc xác thực mô hình đã được thực hiện bằng cách sử dụng bản đồ MARA và Tỷ lệ Tiêm Giọt Ký Sinh Trùng Plasmodium falciparum Hằng Năm cho châu Phi. Việc bao gồm liên kết giữa các khu vực trong mô hình động dường như không ảnh hưởng đến ước lượng nhiệt độ tối ưu (khoảng 25 °C) cho sự lây truyền bệnh sốt rét. Trong môi trường các khu vực, chúng tôi đã thiết lập một giá trị ngưỡng (khoảng α = 5) đại diện cho tỷ lệ giữa các tỷ lệ di cư từ khu vực này sang khu vực khác mà không ảnh hưởng đến mức độ của R0. Những phát hiện này cho phép chúng tôi giới hạn việc sản xuất bản đồ phân bố không gian của R0 thành mô hình một khu vực đơn lẻ. Các dự đoán trong tương lai sử dụng thay đổi nhiệt độ cho thấy sự thay đổi trong các khu vực lây truyền bệnh sốt rét hướng về phía nam và bắc của châu Phi, và việc áp dụng kịch bản can thiệp đã dẫn đến sự giảm đáng kể trong sự lây truyền trong các khu vực bệnh sốt rét có dịch của l континента. Phương pháp được áp dụng ở đây là một nghiên cứu duy nhất xác định giới hạn của sự lây truyền bệnh sốt rét hiện nay, sử dụng R0 được rút ra từ một mô hình toán học động. Nó đã cung cấp một triển vọng độc đáo để đo lường tác động của các can thiệp thông qua việc thao tác đơn giản của các tham số mô hình. Các dự đoán quy mô cung cấp tùy chọn để hình dung và truy vấn các kết quả, khi được liên kết với dân số con người có thể cung cấp ánh sáng đầy đủ về số lượng cá nhân có nguy cơ nhiễm bệnh sốt rét trên toàn châu Phi. Các phát hiện cung cấp một cơ sở hợp lý để hiểu những tác động cơ bản của việc kiểm soát bệnh sốt rét và có thể góp phần vào việc loại bỏ bệnh, điều này được coi là một thách thức đặc biệt trong bối cảnh biến đổi khí hậu.
Từ khóa
#sốt rét #khí hậu #lây truyền #mô hình toán học #can thiệp #châu PhiTài liệu tham khảo
Steketee RW. Measuring malaria transmission reduction en route to elimination. s. 2014;13:O26.
CDC. CDC (Centers for Disease Control and Prevention)—Malaria—Travelers—Malaria Map Application. 2015.
WHO. WHO (World Health Organization) Global Malaria Programme: World malaria Report 2016. (http://www.who.int/malaria/media/world-malaria-report-2016/en/).
Ruan S, Wolkowicz GSK, Wu J, et al. Dynamical systems and their applications in biology. Providence: American Mathematical Society; 2003.
Gillies MT, Coetzee M. A supplement to the Anophelinae of Africa South of the Sahara. Publ S Afr Inst Med Res. 1987;55:1–143.
Bailey NTJ. The mathematical theory of infectious diseases and its applications. Bucks: Charles Griffin & Company Ltd; 1975.
Reluga TC, Medlock J, Galvani AP. A model of spatial epidemic spread when individuals move within overlapping home ranges. Bull Math Biol. 2006;68:401–16.
Keeling MJ, Eames KTD. Networks and epidemic models. J R Soc Interface. 2005;2:295–307.
Eames KTD, Read JM, Edmunds WJ. Epidemic prediction and control in weighted networks. Epidemics. 2009;1:70–6.
Juher D, Ripoll J, Saldaña J. Analysis and Monte Carlo simulations of a model for the spread of infectious diseases in heterogeneous metapopulations. Phys Rev E. 2009;80:041920.
Mabaso ML, Vounatsou P, Midzi S, Da Silva J, Smith T. Spatio-temporal analysis of the role of climate in inter-annual variation of malaria incidence in Zimbabwe. Int J Health Geogr. 2006;5:20.
Depinay J-MO, Mbogo CM, Killeen G, Knols B, Beier J, Carlson J, et al. A simulation model of African Anopheles ecology and population dynamics for the analysis of malaria transmission. Malar J. 2004;3:29.
Mordecai EA, Paaijmans KP, Johnson LR, Balzer C, Ben-Horin T, Moor E, et al. Optimal temperature for malaria transmission is dramatically lower than previously predicted. Ecol Lett. 2013;16:22–30.
Parham EP, Edwin M. Modelling climate change and malaria transmission. Adv Exp Med Biol 2010;673:184–99.
Hartemink NA, Randolph SE, Davis SA, Heesterbeek JAP. The basic reproduction number for complex disease systems: defining R0 for tick-borne infections. Am Nat. 2008;171:743–54.
Breman JG, Henderson DA. Diagnosis and management of smallpox. N Engl J Med. 2002;346:1300–8.
Githeko AK, Lindsay SW, Confalonieri UE, Patz JA. Climate change and vector-borne diseases: a regional analysis. Bull World Health Organ. 2000;78:1136–47.
Martens WJM, Jetten TH, Rotmans J, Niessen LW. Climate change and vector-borne diseases: a global modelling perspective. Glob Environ Change. 1995;5:195–209.
Tanser FC, Le Sueur D. The application of geographical information systems to important public health problems in Africa. Int J Health Geogr. 2002;1:4.
Caminade C, Kovats S, Rocklov J, Tompkins AM, Morse AP, Colón-González FJ, et al. Impact of climate change on global malaria distribution. Proc Natl Acad Sci. 2014;111:3286–91.
Yeshiwondim AK, Gopal S, Hailemariam AT, Dengela DO, Patel HP. Spatial analysis of malaria incidence at the village level in areas with unstable transmission in Ethiopia. Int. J. Health Geogr. 2009;8:5.
Souza-Santos R, de Oliveira MV, Escobar AL, Santos RV, Coimbra CE. Spatial heterogeneity of malaria in Indian reserves of Southwestern Amazonia, Brazil. Int J Health Geogr. 2008;7:55.
Kienberger S, Hagenlocher M. Spatial-explicit modeling of social vulnerability to malaria in East Africa. Int J Health Geogr. 2014;13:29.
Stefani A, Roux E, Fotsing J-M, Carme B. Studying relationships between environment and malaria incidence in Camopi (French Guiana) through the objective selection of buffer-based landscape characterisations. Int J Health Geogr. 2011;10:65.
Kabaria CW, Molteni F, Mandike R, Chacky F, Noor AM, Snow RW, et al. Mapping intra-urban malaria risk using high resolution satellite imagery: a case study of Dar es Salaam. Int J Health Geogr. 2016;15:26.
Cianci D, Hartemink N, Ibáñez-Justicia A. Modelling the potential spatial distribution of mosquito species using three different techniques. Int J Health Geogr. 2015;14:10.
Kilama M, Smith DL, Hutchinson R, Kigozi R, Yeka A, Lavoy G, et al. Estimating the annual entomological inoculation rate for Plasmodium falciparum transmitted by Anopheles gambiae using three sampling methods in three sites in Uganda. Malar J. 2014;13:111.
Tonnang HE, Kangalawe RY, Yanda PZ. Review—predicting and mapping malaria under climate change scenarios: the potential redistribution of malaria vectors in Africa. Malar J. 2010;9:1–10.
Tonnang HE, Tchouassi DP, Juarez HS, Igweta LK, Djouaka RF. Zoom in at African country level: potential climate induced changes in areas of suitability for survival of malaria vectors. Int J Health Geogr. 2014;13:12.
Macdonald G, et al. The epidemiology and control of malaria. London: Oxford University Press; 1957.
McKenzie FE, Samba EM. The role of mathematical modeling in evidence-based malaria control. Am J Trop Med Hyg. 2004;71:94–6.
Magori K, Drake JM. The population dynamics of vector-borne diseases. Nat Educ Knowl. 2013;4:14.
Auger P, Kouokam E, Sallet G, Tchuente M, Tsanou B. The Ross–Macdonald model in a patchy environment. Math Biosci. 2008;216:123–31.
Van Den Driessche P, Watmough J. Reproduction numbers and sub-threshold endemic equilibria for compartmental models of disease transmission. Math Biosci. 2002;180:29–48.
Uppala SM, Kållberg PW, Simmons AJ, Andrae U, Bechtold V, Fiorino M, et al. The ERA-40 re-analysis. Q J R Meteorol Soc. 2005;131:2961–3012.
Blanford JI, Blanford S, Crane RG, Mann ME, Paaijmans KP, Schreiber KV, Thomas MB. Implications of temperature variation for malaria parasite development across Africa. Sci Rep. 2013;3:1300. https://doi.org/10.1038/srep01300.
QGIS Development Team. QGIS geographic information system. Open Source Geospatial Foundation. 2009. http://qgis.osgeo.org.
Solomon S. Climate change 2007—the physical science basis: working group I contribution to the fourth assessment report of the IPCC. Cambridge: Cambridge University Press; 2007.
O’Meara WP, Mangeni JN, Steketee R, Greenwood B. Changes in the burden of malaria in sub-Saharan Africa. Lancet Infect. Dis. 2010;10:545–55.
Malaria RB, Organization WH, et al. The Abuja Declaration and the plan of action. An extract from the African summit on roll back malaria. Abuja, 25 April 2000.
Omumbo JA, Noor AM, Fall IS, Snow RW. How well are malaria maps used to design and finance malaria control in Africa. PLoS ONE. 2013;8:e53198.
Craig MH, Snow RW, Le Sueur D. A climate-based distribution model of malaria transmission in sub-Saharan Africa. Parasitol Today. 1999;15:105–11.
Kazembe LN, Kleinschmidt I, Holtz TH, Sharp BL. Spatial analysis and mapping of malaria risk in Malawi using point-referenced prevalence of infection data. Int J Health Geogr. 2006;5:41.
Mandal S, Sarkar RR, Sinha S. Mathematical models of malaria—a review. Malar J. 2011;10:10–1186.
Smith DL, McKenzie FE, Snow RW, Hay SI. Revisiting the basic reproductive number for malaria and its implications for malaria control. PLoS Biol. 2007;5:e42.
Gumel AB. Causes of backward bifurcations in some epidemiological models. J Math Anal Appl. 2012;395:355–65.
Buonomo B. A note on the direction of the transcritical bifurcation in epidemic models. Nonlinear Anal Model Control. 2015;20:38–55.
Buonomo B, Cerasuolo M. Stability and bifurcation in plant–pathogens interactions. Appl Math Comput. 2014;232:858–71.
Gething PW, Elyazar IR, Moyes CL, Smith DL, Battle KE, Guerra CA, et al. A long neglected world malaria map: Plasmodium vivax endemicity in 2010. PLoS Negl Trop Dis. 2012;6(9):e1814.
Riley S, Eames K, Isham V, Mollison D, Trapman P. Five challenges for spatial epidemic models. Epidemics. 2015;10:68–71.
Hay SI, Guerra CA, Gething PW, Patil AP, Tatem AJ, Noor AM, et al. A world malaria map: Plasmodium falciparum endemicity in 2007. PLoS Med. 2009;6:286.
Hartemink NA, Purse BV, Meiswinkel R, Brown HE, De Koeijer A, Elbers ARW, et al. Mapping the basic reproduction number (R 0) for vector-borne diseases: a case study on bluetongue virus. Epidemics. 2009;1:153–61.
Wu X, Duvvuri VR, Lou Y, Ogden NH, Pelcat Y, Wu J. Developing a temperature-driven map of the basic reproductive number of the emerging tick vector of Lyme disease Ixodes scapularis in Canada. J Theor Biol. 2013;319:50–61.
Cordovez JM, Rendon LM, Gonzalez C, Guhl F. Using the basic reproduction number to assess the effects of climate change in the risk of Chagas disease transmission in Colombia. Acta Trop. 2014;129:74–82.
Anyamba A, Chretien J-P, Small J, Tucker CJ, Linthicum KJ. Developing global climate anomalies suggest potential disease risks for 2006–2007. Int J Health Geogr. 2006;5:60.
Gething PW, Patil AP, Smith DL, Guerra CA, Elyazar IR, Johnston GL, et al. A new world malaria map: Plasmodium falciparum endemicity in 2010. Malar J. 2011;10:1475–2875.
Lafferty KD. The ecology of climate change and infectious diseases. Ecology. 2009;90:888–900.