Marika D’Agostini, Dipartimento di Scienze Statistiche “Paolo Fortunati” – Università di Bologna
marika.dagostini2@unibo.it
Massimo Ventrucci, Dipartimento di Scienze Statistiche “Paolo Fortunati” – Università di Bologna; Matilde Fondriest, Unità di Epidemiologia Ambientale S.T. Ambiente Prevenzione e Salute – Agenzia Regionale per la Prevenzione, l’Ambiente e l’Energia dell’Emilia-Romagna; Lorenzo Vaccari, Unità di Epidemiologia Ambientale S.T. Ambiente Prevenzione e Salute – Agenzia Regionale per la Prevenzione, l’Ambiente e l’Energia dell’Emilia-Romagna; Monica Vaccari, Unità di Tossicologia S.T. Ambiente Prevenzione e Salute – Agenzia Regionale per la Prevenzione, l’Ambiente e l’Energia dell’Emilia-Romagna; Giuseppe Bortone, Direzione Generale – Agenzia Regionale per la Prevenzione, l’Ambiente e l’Energia dell’Emilia-Romagna; Filippo Ferretti, Dipartimento di Sanità Pubblica – Azienda USL di Bologna; Carmine Fiorentino, Dipartimento di Sanità Pubblica – Azienda USL di Bologna; Vincenza Perlangeli, Dipartimento di Sanità Pubblica – Azienda USL di Bologna; Paolo Pandolfi, Dipartimento di Sanità Pubblica – Azienda USL di Bologna; Andrea Ranzi, Unità di Epidemiologia Ambientale S.T. Ambiente Prevenzione e Salute – Agenzia Regionale per la Prevenzione, l’Ambiente e l’Energia dell’Emilia-Romagna
- Categoria Primaria: Metodi epidemiologici e biostatistici
- Categoria Secondaria: Altro:Wastewater-based epidemiology
Introduzione: Negli ultimi anni, la Wastewater-Based Epidemiology (WBE) si è affermata come una strategia innovativa per il monitoraggio di malattie infettive, tra cui il COVID-19. Questo studio, in continuità con il progetto SARI (Sorveglianza Ambientale dei Reflui in Italia), utilizza le metodologie proprie della WBE per prevedere la diffusione dei casi di COVID-19 nell’area di Bologna, analizzando le acque trattate dall’unico impianto di depurazione presente sul territorio. Obiettivi: L’obiettivo principale dello studio è stato quello di migliorare un modello deterministico esistente in letteratura, al fine di ottenere previsioni spaziali dettagliate a livello di area statistica (724 in totale) sui casi di COVID-19. In particolare, è stata affrontata la principale limitazione del modello, ossia la difficoltà nel rappresentare con elevata precisione spazio-temporale la distribuzione del tasso di infezione. Metodi: Il modello si basa su un bilancio di massa che eguaglia la quantità di RNA virale nei reflui con la massa di virus prodotta nell’area di studio. La concentrazione di RNA di SARS-CoV-2 nei reflui, misurata bisettimanalmente presso il depuratore, è stata interpolata con il metodo LOESS (regressione localmente ponderata) per generare una serie storica giornaliera. La quantità di virus prodotta quotidianamente dalla popolazione è stata stimata integrando variabili idrauliche (portata dei reflui, tempo di residenza in fognatura), biologiche (tasso di escrezione fecale e degradazione virale) e demografiche (età, sesso, dimensione della famiglia, comorbidità e densità di popolazione). Per stimare la distribuzione spazio-temporale del virus, sono stati introdotti coefficienti specifici per ciascuna area statistica, calcolati mediante un modello spaziale Bayesiano fbesag (Besag flessibile) che utilizza una matrice di adiacenza basata sulle distanze tra i centroidi del tessuto residenziale. La validità del modello è stata valutata confrontando i casi stimati con quelli osservati, utilizzando l’errore medio assoluto (MAE) e la correlazione incrociata. Risultati: L’introduzione di coefficienti calcolati tramite modello fbesag ha consentito di ottenere una maggiore affidabilità nella stima della distribuzione spazio-temporale dei casi di COVID-19, con un MAE giornaliero, calcolato su scala locale, pari a 2.22 casi. Le previsioni del modello deterministico mostrano inoltre una forte correlazione (> 0.6) con il numero di casi osservati fino a 4 giorni di ritardo e una correlazione moderata (> 0.5) fino a 8 giorni, evidenziando una buona capacità predittiva a breve termine. Conclusioni: Il modello deterministico proposto si è dimostrato uno strumento efficace per la previsione a breve termine e per l’analisi spaziale a livello di aree statistiche dei casi di COVID-19. Ulteriori miglioramenti potrebbero essere introdotti al fine di ridurre gli errori su previsioni a lungo termine e potenziare l’applicabilità del modello in scenari epidemici futuri.