Studi menggunakan pemodelan kompartemen untuk menguji efisiensi sentinel surveillance untuk mengembangkan kebijakan mitigasi COVID-19 publik
Dalam penelitian terbaru yang diposting ke preprint server medRxiv*, para peneliti menggunakan model kompartemen stokastik dari transmisi virus severe acute respiratory syndrome coronavirus 2 (SARS-CoV-2) untuk memeriksa berbagai indikator sentinel surveillance dan menentukan upaya pengambilan sampel minimal yang diperlukan untuk peringatan yang andal. menunjukkan peningkatan satu langkah dalam tingkat transmisi.
Latar belakang
Pada tahap awal pandemi penyakit coronavirus 2019 (COVID-19), sebelum vaksin SARS-CoV-2 tersedia secara luas, pemerintah menggunakan strategi mitigasi penyakit non-farmasi seperti penguncian dan pembatasan bisnis untuk membatasi penularan virus. dan meringankan beban sistem kesehatan masyarakat. Sementara intervensi tepat waktu untuk “flatten the curve” diperlukan, penegakan pembatasan yang terlalu dini dapat memiliki dampak ekonomi yang serius, dan tanggapan yang tertunda dapat menyebabkan infeksi yang meluas dan lebih sulit dikendalikan.
Kebijakan mitigasi seringkali didasarkan pada indikator kesehatan yang umum digunakan seperti penerimaan di rumah sakit dan jumlah kasus yang dilaporkan. Penerimaan di rumah sakit sering terjadi dua minggu setelah infeksi, dan kasus yang dilaporkan bergantung pada fasilitas pengujian diagnostik, membuat indikator ini tidak cocok untuk penilaian penularan penyakit yang akurat dan tepat waktu.
Surveilans sentinel mencakup data yang direkam pada onset gejala, status, dan tanggal pengujian untuk setiap kasus rawat jalan yang baru saja menunjukkan gejala. Kasus sentinel dapat memberikan peringatan yang lebih tepat waktu untuk meningkatkan tingkat penularan daripada rawat inap di rumah sakit karena ada penundaan yang jauh lebih singkat dalam mendeteksi infeksi, terutama untuk kasus yang lebih ringan yang tidak memerlukan rawat inap tetapi dapat menularkan virus dalam suatu populasi.
Tentang studi
Dalam penelitian ini, para peneliti menggunakan model kompartemen stokastik Susceptible Exposed Infected Recovered (SEIR) untuk mengevaluasi efisiensi indikator pengawasan seperti penerimaan rumah sakit, hunian rumah sakit, dan kasus sentinel dalam memberikan peringatan tepat waktu, tetapi tidak prematur, untuk satu- langkah peningkatan penularan SARS-CoV-2.
Model tersebut mencakup status gejala mulai dari tanpa gejala hingga parah dan mempertimbangkan berbagai hasil penyakit seperti kebutuhan rawat inap, kebutuhan unit perawatan intensif, dan kematian. Beberapa skenario surveilans dievaluasi untuk setiap indikator.
Upaya pengambilan sampel lima, 10, 20, 50, dan 100% dipertimbangkan untuk kasus sentinel untuk menentukan pengambilan sampel minimal yang diperlukan untuk peringatan peningkatan penularan yang dapat diandalkan. Kinerja masing-masing indikator dihitung berdasarkan seberapa efisien indikator tersebut dalam memberikan peringatan tepat waktu untuk strategi mitigasi yang akan diberlakukan.
Analisis biaya-manfaat untuk setiap indikator surveilans dilakukan dengan menggunakan jumlah hari tambahan yang diperlukan untuk mitigasi penyakit dan jumlah kematian yang dapat dihindari dalam setiap simulasi. Analisis juga dilakukan untuk model SEIR terstruktur usia, dengan dua kelompok usia, satu di atas dan satu di bawah 40, memiliki tingkat penularan dan kemungkinan infeksi simtomatik yang berbeda.
Hasil
Hasilnya melaporkan bahwa surveilans sentinel rawat jalan dengan 20% kasus ringan dapat melaporkan peningkatan ringan dalam penularan dua hingga lima hari sebelumnya dan peningkatan sedang hingga parah dalam penularan enam hari lebih awal daripada indikator berbasis rawat inap. Selanjutnya, menurut simulasi, pengawasan sentinel menghasilkan lebih sedikit alarm palsu dan lebih sedikit kematian per hari mitigasi.
Studi ini menemukan bahwa rawat inap di rumah sakit lebih efektif dalam memantau tingkat penularan di antara kelompok usia yang lebih tua daripada populasi umum karena banyak rawat inap terkait COVID-19 berusia lebih dari 40 tahun.
Peringatan peningkatan penularan tergantung pada kelompok usia yang pertama kali mengalami kenaikan penularan, dengan alarm tertunda ketika peningkatan penularan pertama kali terjadi pada kelompok usia di bawah 40 tahun. Sementara sampel 20% dari kasus surveilans sentinel memicu alarm enam hari lebih awal dari rawat inap di rumah sakit ketika peningkatan penularan seragam di seluruh kelompok usia, lebih dari 20% sampel kasus surveilans sentinel diperlukan untuk peringatan tujuh hingga sembilan hari lebih awal. ketika kenaikan penularan terjadi pada kelompok usia di bawah 40 tahun pertama.
Penulis percaya bahwa salah satu tantangan dalam menggunakan surveilans sentinel untuk mengembangkan strategi mitigasi adalah mencapai tingkat pengambilan sampel minimum, yang mengharuskan tempat pengujian rawat jalan untuk mencatat tanggal dan status onset gejala dengan rajin. Dengan tersedianya alat uji antigen cepat di rumah, strategi untuk mengumpulkan data surveilans sentinel juga harus dipertimbangkan kembali.
Kesimpulan
Secara keseluruhan, hasilnya menunjukkan bahwa pengawasan sentinel dengan sampel 20% dari kasus yang baru saja menunjukkan gejala dapat memberikan peringatan yang andal dan tepat waktu terhadap peningkatan tingkat penularan COVID-19, meskipun kondisi penularan berubah. Mengembangkan kesehatan masyarakat dan strategi mitigasi penyakit berdasarkan peringatan tepat waktu dapat membantu menghindari infeksi yang meluas dalam suatu populasi sambil menghindari konsekuensi ekonomi yang parah dari langkah-langkah mitigasi penyakit yang diberlakukan sebelum waktunya.
*Pemberitahuan Penting
medRxiv menerbitkan laporan ilmiah awal yang tidak ditinjau oleh rekan sejawat dan, oleh karena itu, tidak boleh dianggap sebagai konklusif, memandu praktik klinis/perilaku terkait kesehatan, atau diperlakukan sebagai informasi yang mapan.
Journal reference:
Kok Ben Toh, Manuela Runge, Reese Anthony Keith Richardson, Thomas Joseph Hladish, and Jaline Gerardin. (2022). Design of effective outpatient sentinel surveillance for COVID-19 decision-making: a modeling study. medRxiv. doi: https://www.medrxiv.org/content/10.1101/2022.10.21.22281330v1 https://www.medrxiv.org/content/10.1101/2022.10.21.22281330v1
No comments