Loading...

Complessità in Epidemiologia

L’attuale pandemia di Covid-19 ha reso evidente che comprendere, prevedere e controllare un processo epidemico è estremamente difficile dato il livello di complessità e interconnettività della società in cui viviamo [PCV15].

Fig. Evoluzione dei pattern di evoluzione di alcune delle più letali pandemie della storia dell’umanità.

Nel corso della pandemia di Covid-19 sono però emerse due vulnerabilità critiche dei modelli esistenti. La prima è che i modelli computazionali per poter funzionare devono poter lavorare su un substrato di dati molto dettagliati riguardanti la connettività sociale. Purtroppo, molti paesi non hanno database di mobilità affidabili e con sufficiente risoluzione geografica (molti paesi non li hanno affatto), e spesso ci si è dovuti affidare ai dati di geolocalizzazione dei telefoni cellulari misurati in tempo reale — e quindi influenzati dall’andamento dell’epidemia. Anche in Italia siamo stati molto carenti da questo punto di vista, pagando un prezzo sociale molto alto. La seconda criticità riguarda invece la caratteristica peculiare del Covid-19 di dar luogo non solo a pazienti sintomatici (a volte molto gravemente) ma anche ad un’ampia percentuale di contagiati asintomatici o paucisintomatici, in grado a loro volta di trasmettere la malattia ma molto difficili da identificare. Controllare l’epidemia in queste circostanze ha richiesto l’utilizzo di tecniche di contact tracing e in extrema ratio di lockdown generalizzati. Inoltre, i modelli compartimentali classici non erano costruiti per tenere conto dei soggetti asintomatici, e il problema del contact tracing non era stato studiato a sufficienza né tantomeno inserito in questi modelli. Oltre a questi due punti critici, ci sono una serie di aspetti emersi in questa pandemia che evidenziano ulteriori lacune nella nostra comprensione delle complesse dinamiche epidemiche nella società, come ad esempio il ruolo dei cosiddetti super-spreaders e la crescita lineare delle curve di contagio. Infine, per la prima volta nella storia dell’umanità la scienza è stata in grado di produrre vaccini efficaci in tempi brevissimi, aprendo la questione di come pianificare al meglio la campagna vaccinale in contemporanea con la dinamica di contagio (e non in una fase endemica, come avviene solitamente).

Questo progetto ha il preciso obiettivo di far luce sugli specifici punti critici appena discussi, facendo leva sulle competenze multidisciplinari (epidemiologia, fisica statistica, teoria delle reti, sociologia computazionale) presenti all’interno del Centro Fermi. Il progetto si articola in quattro direzioni principali:

1.    Costruzione di un database di mobilità multilayer ad alta risoluzione per l’Italia

2.    Modellizzazione ed implementazione di strategie per il Contact Tracing

3.    Studio di effetti di rete: il ruolo dei super-spreaders e della topologia “small-world”

4.    Design di strategie vaccinali real-time ottimali

In conclusione, affrontando le criticità emerse nella gestione della pandemia di Covid-19 il progetto mira a sviluppare metodologie e tecniche per gestire eventi epidemici futuri, basati su alcuni ingredienti cruciali: la formulazione di modelli matematici e computazionali che catturino gli aspetti chiave del fenomeno, la disponibilità di dati dettagliati e multiscala di mobilità e della diffusione del contagio in tempo reale per informare tali modelli, e l’utilizzo più efficace possibile delle armi che abbiamo a disposizione — dal tracciamento alle vaccinazioni. Questo è particolarmente rilevante ala luce del livello di complessità della nostra società e l’impressionante ritmo con cui nuove malattie contagiose sono emerse negli ultimi decenni [S19]. Solamente facendo tesoro di quanto imparato finora ed utilizzando metodologie multidisciplinari capaci di catturare la complessità dei fenomeni epidemici nel nostro tessuto sociale e di mobilità, saremo in grado di affrontare con successo le eventuali pandemie future.

[AM20] Aleta A, Moreno Y (2020) Evaluation of the potential incidence of COVID-19 and effectiveness of containment measures in Spain: a data-driven approach. BMC Medicine 18:157

[AMP20] Aleta A, Martín-Corral D, Pinotti AP, Ajelli M, Litvinova M, Chinazzi M, Dean NE, Halloran ME,  Longini IE, Merler S, Pentland A, Vespignani A, Moro E, Moreno Y (2020) Modelling the impact of testing, contact tracing and household quarantine on second waves of COVID-19. Nature Human Behaviour 4, 964-971

[ARA21] Amit S, Regev-Yochay G, Afek A, Kreiss Y, Leshem E (2021) Early rate reductions of SARS-CoV-2 infection and COVID-19 in BNT162b2 vaccine recipients. Lancet S0140-6736(21)00448-7

[BDH10] Balcan D, Gonçalves B, Hu H, Ramasco JJ, Colizza V, Vespignani A (2010) Modeling the spatial spread of infectious diseases: The GLobal Epidemic and Mobility computational model. Journal of Computational Science 1(3) 132-145

[BPC20] Bonaccorsi G, Pierri F, Cinelli M, Flori A, Galeazzi A, Porcelli A, Schmidt AL, Valensise CM, Scala A, Quattrociocchi W, Pammolli F (2020) Economic and social consequences of human mobility restrictions under COVID-19. PNAS 117(27) 15530-15535

[CP20] Castellano C, Pastor-Satorras R (2020) Cumulative Merging Percolation and the Epidemic Transition of the Susceptible-Infected-Susceptible Model in Networks. Phys. Rev. X 10, 011070

[CSL21] Cencetti G, Santin G, Longa A, Pigani R, Barrat A, Cattuto C, Lehmann S, Salathe M, Lepri B (2021) Digital proximity tracing on empirical contact networks for pandemic control, Nature communications 12:1655

[DBK21] Dagan N, Barda N, Kepten E, Miron O, Perchik S, Katz MA, et al. (2021) BNT162b2 mRNA Covid-19 Vaccine in a Nationwide Mass Vaccination Setting. New England Journal of Medicine 384:1412-1423

[DPC21] De Bellis A, Pastor-Satorras R, Castellano C (2021) Influence of individual nodes for continuous-time Susceptible-Infected-Susceptible dynamics on synthetic and real-world networks. arXiv preprint https://arxiv.org/abs/2104.06752

[FWK20] Ferretti L, Wymant C, Kendall M, Zhao L, Nurtay A, Abeler-Dörner L, Parker M, Bonsall D, Fraser C (2020) Quantifying SARS-CoV-2 transmission suggests epidemic control with digital contact tracing. Science 368(6491):eabb6936368

[MCV21] Mancastroppa M, Castellano C, Vezzani A, Burioni R (2021) Stochastic sampling effects favor manual over digital contact tracing. Nature Communications 12:1919

[MEL21] Matrajt L, Eaton J, Leung T, et al (2021) Optimizing vaccine allocation for COVID-19 vaccines shows the potential role of single-dose vaccination. Nature Communications 12:3449

[MGB21] Moreno López JA, García BA, Bentkowski P, Bioglio L, Pinotti F, Boëlle P-Y, Barrat A, Colizza V (2021) Anatomy of digital contact tracing: Role of age, transmission setting, adoption, and case detection. Science Advances 7(15):eabd8750

[PBG20] Pepe E, Bajardi P, Gauvin L, Privitera F, Lake B, Cattuto C, Tizzoni M (2020) COVID-19 outbreak response, a dataset to assess mobility changes in Italy following national lockdown. Scientific Data 7: 230

[PCR21] Pontrelli G, Cimini G, Roversi M, Gabrielli A, Salina G, Bernardi S, Rocchi F, Simonetti A, Giaquinto C, Rossi P, Sylos Labini F (2021) Prioritizing the first doses of SARS-CoV-2 vaccine to save the elderly: the case study of Italy. medRxiv preprint

https://doi.org/10.1101/2021.02.26.21252538

[PCV15] Pastor-Satorras R, Castellano C, Van Mieghem P, Vespignani A (2015) Epidemic processes in complex networks. Rev. Mod. Phys. 87(3) 925-979

[PDS21] Pullano G, Di Domenico L, Sabbatini CE, Valdano E, Turbelin C, Debin M, Guerrisi C, Kengne-Kuetche C, Souty C, Hanslik T, Blanchon T, Boëlle PY, Figoni J, Vaux S, Campèse C, Bernard-Stoecklin S, Colizza V (2021). Underdetection of cases of COVID-19 in France threatens epidemic control. Nature 590, 134-139

[S19] Snowden FM (2019) Epidemics and Society, Yale University Press

[SWB21] Saad-Roy CM, Wagner CE, Baker RE, Morris SE, Farrar J, Graham AL, Levin SA, Mina MJ, Metcalf CJE, Grenfell BT, Immune life history, vaccination, and the dynamics of SARS-CoV-2 over the next 5 years. Science 370(6518), 811-818

[TKH20] Thurner S, Klimek P, Hanel R (2020) A network-based explanation of why most COVID-19 infection curves are linear. PNAS 117(37) 22684-22689

[ZBK20] Zlatić V, Barjašić I, Kadović A, Štefančić H, Gabrielli A (2020) Bi-stability of SUDR+K model of epidemics and test kits applied to COVID-19. Nonlinear Dynamics 101, 1635–1642