Cecilia Viscardi, Dipartimento di Scienze Economiche e Statistiche, Università degli Studi di Salerno
cviscardi@unisa.it
Chiara Sguanci, Dipartimento di Statistica, Informatica, Applicazioni “G.Parenti”, Università degli Studi di Firenze; Michela Baccini, Dipartimento di Statistica, Informatica, Applicazioni “G.Parenti”, Università degli Studi di Firenze.
- Categoria Primaria: Metodi epidemiologici e biostatistici
- Categoria Secondaria: Malattie trasmissibili
INTRODUZIONE I modelli compartimentali sono strumenti efficaci per studiare le dinamiche di contagio, ma stimare modelli realistici richiede dati non sempre disponibili nella forma desiderata. Per ovviare a questo problema, è possibile integrare i dati esistenti con informazioni provenienti da fonti diverse, come report, statistiche aggregate o dati anonimizzati. Ad esempio, lo studio della diffusione del virus Sars-CoV-2 richiederebbe la stima di tassi di infezione specifici per stato vaccinale, ma i dati pubblicati giornalmente dalla Protezione Civile non sono sufficienti a stimare queste quantità. Tuttavia, altre informazioni utili sono reperibili in forma tabellare nei report mensili pubblicati dall’ISS. OBIETTIVI L’obiettivo è la definizione di una procedura di stima di un modello compartimentale che descriva le dinamiche di diffusione del virus Sars-CoV-2 in Italia tenendo in considerazione lo stato vaccinale, integrando dati parziali da fonti eterogenee: le serie storiche dei decessi giornalieri pubblicate dalla Protezione Civile e i report mensili sui decessi per stato vaccinale dell’ISS. METODO Abbiamo definito un modello compartimentale (SIRD)² con otto compartimenti: suscettibili, infetti, guariti e deceduti, distinti per stato vaccinale. Le equazioni del modello sono regolate da parametri che permettono di calcolare numeri di riproduzione di base distinti per stato vaccinale. Le stime sono ottenute con un metodo di Approximate Bayesian Computation che converte campioni dalle distribuzioni a priori in campioni dalle a posteriori basandosi su confronti tra dati osservati e dati simulati riproducendo computazionalmente le dinamiche di contagio. L’algoritmo che proponiamo integra le due fonti di dati simulando due processi: il primo usa proposte di parametri per generare le variazioni giornaliere delle dimensioni dei compartimenti; il secondo usa l’output del primo per simulare il processo generatore delle informazioni presenti nei report. RISULTATI Nel periodo dal 1° Giugno al 1° Ottobre 2022, la distribuzione a posteriori del numero di riproduzione di base nelle infezioni tra vaccinati, R0(vv), risulta avere media 0.57 e IC= [0.38;0.81] (intervallo di credibilità al 90%). Nelle infezioni da non vaccinati a vaccinati, R0(nv) ha media 0.67 e IC=[0.58;1.89]. Nelle infezioni da vaccinati a non vaccinati, R0(vn) ha media 0.66 e IC=[0.55;1.88]. Infine R0(nn) ha media 0.67 con IC=[0.55;1.89]. CONCLUSIONI In questo lavoro proponiamo un metodo per integrare dati parziali provenienti da fonti eterogenee nella stima di modelli compartimentali. L’applicazione al caso dell’epidemia da Sars-Cov-2 ha consentito di definire un modello idoneo a stimare R0 differenziati per stato vaccinale. I risultati suggeriscono che, salvo il caso di contagio tra vaccinati, non si evidenziano grosse differenze nelle dinamiche di trasmissione al variare dello stato vaccinale.