Влияние низких показателей заболеваемости гриппом на инфекции гриппа в следующем сезоне

Введение:

Мероприятия по сдерживанию распространения COVID-19 в течение сезона гриппа 2020–2021 гг. практически устранили грипп в этом сезоне. Учитывая снижение титров антител с течением времени, будущий остаточный популяционный иммунитет против гриппа будет снижен. Последствия для последующего сезона гриппа 2021–2022 гг. неизвестны.

Методы:

Агентная модель гриппа, реализованная в платформе моделирования Framework for Reconstructing Epidemiological Dynamics, использовалась для оценки случаев и госпитализаций в течение 2 последовательных сезонов гриппа. Влияние сниженного остаточного иммунитета вследствие защитных мер в первый сезон оценивали по разным уровням сходства (перекрестного иммунитета) между штаммами гриппа в разные сезоны.

Грипп является распространенным инфекционным заболеванием. Его основные симптомы включают лихорадку, кашель, насморк, утомляемость и т. д., а в тяжелых случаях даже смерть. Перед лицом этого заболевания принято считать, что повышение иммунитета является наиболее эффективным способом его предотвращения.

Итак, какова связь между гриппом и иммунитетом? Иммунитет относится к способности человеческого организма противостоять вторжению болезни, включая естественный иммунитет и приобретенный иммунитет. В нашей повседневной жизни мы можем улучшить свой иммунитет разными способами, тем самым снижая риск заражения болезнями. Например, регулярные физические упражнения, хороший сон и правильное питание, а также регулярные прививки.

Вирус гриппа вызывает иммунный ответ организма, а иммунная система вырабатывает антитела к вирусу гриппа, тем самым уничтожая вирус. Хотя иммунная система у всех разная, исследования показывают, что хорошие привычки в отношении здоровья, наряду с определенными питательными веществами, могут помочь укрепить вашу иммунную систему. Например, витамин С и витамин D очень важны для повышения иммунитета человека, а иммунитет можно улучшить, потребляя пищу, богатую этими питательными веществами.

Кроме того, поддержание хорошего настроя также является одним из важных факторов повышения иммунитета. Люди в хорошем настроении лучше сопротивляются болезням. Поэтому активное столкновение с жизненными трудностями и давлением и поддержание хорошего отношения также могут помочь улучшить иммунитет.

Таким образом, существует тесная связь между гриппом и иммунитетом. Здоровые привычки, регулярные вакцинации, потребление питательных веществ, богатых витамином С и витамином D, и поддержание хорошего отношения могут помочь улучшить иммунитет организма, чтобы он мог лучше предотвращать грипп и противостоять ему. Давайте жить здоровой и активной жизнью вместе, поддерживать достаточный сон и правильные физические упражнения, чтобы у нас была более сильная иммунная система! С этой точки зрения нам необходимо повышать иммунитет. Цистанхе позволяет значительно повысить иммунитет. Зола мяса содержит различные биологически активные ингредиенты, такие как полисахариды, два гриба, хуанли и т. д. Эти ингредиенты могут стимулировать иммунную систему. Различные типы клеток повышают их иммунную активность.

Нажмите Польза цистанхе для здоровья

Полученные результаты:

Когда перекрестный иммунитет между штаммами первого и второго сезона был низким, ослабление первого сезона имело ограниченное влияние на случаи второго сезона. Высокий уровень перекрестного иммунитета оказал большее влияние на второй сезон. Это воздействие было изменено трансмиссивностью штаммов в течение 2 сезонов. Модель оценила возможное увеличение на 13,52–46,95% в случаях по сравнению с нормальным сезоном, когда штаммы имеют такую ​​же трансмиссивность и перекрестный иммунитет на 40–50% в сезоне после очень низкого.

Выводы:

Учитывая легкий сезон гриппа 2020–2021 гг., число случаев заболевания может увеличиться на целых 50 процентов в 2021–2022 гг., хотя это увеличение может быть намного меньше, в зависимости от перекрестного иммунитета от перенесенной инфекции и трансмиссивности штаммов. Расширение охвата вакцинацией или продолжение мероприятий по снижению передачи могут сократить этот высокий сезон. Маленькие дети могут подвергаться более высокому риску в 2021−2022 годах из-за ограниченного контакта с инфекцией в предыдущем году.

ВВЕДЕНИЕ

Коронавирусная болезнь 2019 г. (COVID-19) была объявлена ​​ВОЗ пандемией 11 марта 2020 г. Случаи заболевания были выявлены в США в начале 2020 г., что привело к широкомасштабным мероприятиям по ограничению распространения вируса, включая закрытие школ. и меры по уменьшению социальных взаимодействий. Эти вмешательства повлияли не только на передачу COVID-19, но и на передачу других заболеваний, которые распространяются теми же механизмами. Заметное снижение активности гриппа было зарегистрировано во многих местах после проведения мероприятий по борьбе с COVID-19.1–5 Центры по контролю и профилактике заболеваний (CDC) в США выявили небольшую активность гриппа в течение сезона гриппа 2020–2021 гг. .6

Считается, что вакцинация в предыдущем году обеспечивает небольшую защиту от гриппа следующего года7, но естественная инфекция, по-видимому, обеспечивает измеримый иммунитет в течение нескольких сезонов, особенно если циркулирующие штаммы близко соответствуют антигенам8. Ограниченное число случаев гриппа в США в 2020–2021 гг. вызывает обеспокоенность по поводу возможности более высокого бремени заболеваемости гриппом в сезоне 2021–2022 гг. из-за снижения иммунитета от естественной инфекции предыдущего года. Дети в возрасте<2 years may be at increased risk after a season with limited influenza because they likely have never been exposed to natural infection and therefore have immunity only from vaccination.

Моделирование применяется к инфекционным заболеваниям с 1920-х годов и представляет собой хорошо зарекомендовавший себя метод анализа и прогнозирования эпидемий гриппа9. Исторически сложилось так, что компартментальные модели широко применялись для оценки значений репродуктивного числа во время прошлых эпидемий и пандемий, а также для оценки возможного воздействия. вмешательств, если они применяются к прошлым и гипотетическим будущим эпидемиям. 10–15 Моделирование инфекционных заболеваний на основе агентов и индивидуумов стало более распространенным, когда стали доступны высокопроизводительные вычисления. 16–20 Этот тип модели требует больше вычислительных ресурсов, но позволяет установка индивидуальных параметров и включает случайность, так что получается диапазон результатов. Моделирование на основе агентов можно использовать для проведения очень подробных исследований возможных сценариев заболевания, например, последствий изменений в трансмиссивности штамма или влияния вакцинации.

Платформа моделирования Framework for Reconstructing Epidemiologic Dynamics (FRED) 21 представляет собой платформу моделирования на основе агентов, которая была разработана в ответ на пандемию гриппа 2009 г. и использовалась для моделирования гриппа, а также других инфекционных и неинфекционных состояний. 22-25 Модели FRED использовать основанные на переписи синтетические группы населения, агенты которых имеют реалистичные демографические данные, местоположение, а также модели и уровни взаимодействия, что позволяет нацеливать параметры на эти факторы. Модель гриппа FRED ранее ограничивалась моделированием одного сезона. Это исследование расширяет модель пандемии, включая иммунитет от предыдущей инфекции и вакцинации, а также позволяет моделировать несколько последовательных сезонов гриппа. Таким образом, он представляет собой новое расширение возможностей моделирования в этой области и обеспечивает отправную точку для более сложных симуляций.

Чтобы изучить влияние ограниченной активности гриппа на бремя гриппа в последующие годы, FRED использовался для моделирования 2-сценариев сезонного гриппа при различных предположениях о влиянии естественной инфекции на иммунитет второго года и различной степени антигенной родство циркулирующих штаммов первого и второго года жизни. Моделирование оценило влияние увеличения вакцинации, продолжающихся вмешательств по снижению передачи респираторных заболеваний и конкретное воздействие на самую молодую возрастную группу населения.

МЕТОДЫ

Платформа моделирования FRED была подробно описана ранее.21 Подробная информация о моделировании и моделях, использованных в этом исследовании, а также используемые параметры можно найти в Приложении (доступно онлайн). Временная шкала показана на рисунке 1. FRED использует параметр трансмиссивности для представления инфекционной способности трансмиссивного состояния. Параметр трансмиссивности способствует получению R0 или Re при моделировании. Более высокий параметр трансмиссивности приведет к более крупной вспышке, если никакие другие параметры в модели не изменятся. Моделирование проводилось с низким значением параметра трансмиссивности (0,6, R0 »1,31, 95-процентный ДИ=0,79, 1,83) и высоким значением параметра трансмиссивности ({{13 }},8, R0 »1,75, 95-процентный ДИ=1,13, 2,37). Результаты базовой модели включены в Таблицу 1 Приложения (доступна онлайн).

Население

Моделирование проводилось для населения, представляющего округ Аллегейни, округ среднего размера на юго-западе Пенсильвании, с населением около 1,2 миллиона человек. Он включает как городские, так и пригородные районы и достаточно велик, чтобы зафиксировать распространение гриппа среди населения. Моделирование выполнялось со 100 повторениями, чтобы зафиксировать стохастическое поведение.

Агенты были иммунизированы по возрастным группам в соответствии с данными CDC с использованием следующих показателей: возраст 0,5–17 лет, вероятность =0,638; возраст 18–49 лет, вероятность =0,384; возраст 50−64 лет, вероятность =0,506; возраст Больше или равно 65 лет, вероятность=0.698.26 В модели вакцинация снижает восприимчивость к гриппу на 40 процентов (эффективность вакцинации в исследованиях CDC колеблется от 10 до 60 процентов) (таблица 2 в Приложении, доступна онлайн). ).27,28 Штамм-специфическая вакцинация проводится в октябре моделируемого года, и иммунитет ослабевает после вакцинации на 7 процентов в месяц.29

Иммунитет от предыдущей инфекции был распределен по возрастным группам населения с использованием показателей заболеваемости, оцененных CDC за 2019–2020 гг. (Таблица 2 в Приложении, доступна онлайн)30.

Ограниченное взаимодействие агентов на уровне популяции использовалось для изучения влияния на случаи гриппа второго сезона. Был использован упрощенный метод сокращения контактов путем изоляции части агентов в моделировании. Калибровочные прогоны с различными уровнями изоляции определили процент населения, которого необходимо изолировать, чтобы предотвратить случаи первого сезона гриппа. Результаты калибровки приведены в разделе 7 Приложения (доступно онлайн). Использование этого метода позволяет ликвидировать эпидемию гриппа первого сезона. Метод не был специально сосредоточен на влиянии конкретного вмешательства по социальному дистанцированию и не учитывал нюансы различных вмешательств (например, ношение маски, работа на дому), что не является необходимым для данного исследования. Изоляции 40 процентов населения было достаточно, чтобы снизить первую эпидемию гриппа до уровней, аналогичных тем, которые были выявлены в сезоне гриппа 2020–2021 гг. (приложение, раздел 7, доступно в Интернете, «Результаты проверки модели»). При моделировании 2-года с использованием модели сокращенного взаимодействия сокращения применялись только в первый сезон. В дополнительных симуляциях использовалось 40-процентное сокращение в первом сезоне и более низкие уровни изоляции (10 и 20 процентов) во втором сезоне.

Чтобы оценить влияние более широкого охвата вакцинацией, были проведены симуляции 1-года с предыдущим иммунитетом с охватом вакцинацией по возрастным группам, как сообщает CDC, и с 10-процентным и 20-процентным увеличением. Уровни вакцинации против гриппа, по данным CDC с 2010 по 2020 год, увеличились на 10-20 процентов.31

Чтобы сориентировать результаты по сценариям конкретных подтипов/линий в смоделированных первом и втором сезонах гриппа, на основе обсуждений был оценен уровень снижения восприимчивости к инфекции подтипом/линии гриппа, вызванный инфекцией того же или другого подтипа/линии. со специалистами в области вирусологии, гриппа и вакцинации (таблица 1). Поддержка мнений экспертов была обнаружена в литературе.32,33 Эти оценки представляют диапазоны возможного перекрестного иммунитета к штаммам.

IRB Университета Питтсбурга определил, что это исследование не проводилось на людях. Таким образом, это был освобожденный план исследования.

ПОЛУЧЕННЫЕ РЕЗУЛЬТАТЫ

Результаты проверки модели включены в раздел 7 Приложения (доступен онлайн). В модели 2-штамма 2-сезона нормальные случаи первого сезона предотвращали случаи гриппа второго сезона и госпитализации во всех 4 сценариях трансмиссивности. Низкий показатель в первом сезоне приведет к увеличению числа случаев во втором сезоне, равному уменьшению, вызванному нормальным первым сезоном. Воздействие варьировалось в зависимости от трансмиссивности штаммов первого и второго года жизни и сходства (перекрестного иммунитета) между этими штаммами (рисунок 2 и таблица 4 в приложении, доступные онлайн). После увядания очень похожие штаммы могут иметь примерно 50-60% перекрестного иммунитета (таблица 1). Используя 50-процентный перекрестный иммунитет, если оба сезонных штамма имели более низкую трансмиссивность, разница между случаями второго сезона после нормального первого сезона и низким первым сезоном составляла 26,29% (29,99% госпитализаций) (рис. 2А).

Штамм с более низкой трансмиссивностью в первом сезоне оказал меньшее влияние на случаи второго сезона, когда штамм второго сезона был более трансмиссивным (разница в 3,83 процента случаев и 4,31 процента госпитализаций) (рис. 2B). Когда штамм первого сезона имел большую трансмиссивность, чем штамм второго сезона, разница в случаях составила 97,72% (96,98% госпитализаций) (рис. 2C). Когда штаммы как первого, так и второго сезона были более трансмиссивными, разница случаев во втором сезоне составила 49,47% случаев (56,81% госпитализаций) (рис. 2D). Штаммы с более высокой трансмиссивностью в первый сезон вызывают большее число случаев заболевания, что в большей степени способствует иммунитету во втором сезоне. Когда этот иммунитет снимается, во втором сезоне наблюдается больший прирост. В сценариях с низкой трансмиссивностью Re составляет примерно 1 в модели с предшествующим иммунитетом и вакцинацией; следовательно, большее влияние вмешательства не является неожиданным.

Когда взаимодействие агентов сократилось во втором сезоне, а также в первом сезоне (сокращение на 40 процентов в первом сезоне), количество случаев уменьшилось во втором сезоне. Сокращение взаимодействий на 20 % во втором сезоне привело к снижению числа случаев на 98,6 % (95 % ДИ=98.5, 98,7) для сценария с низкой контагиозностью и на 85,3 % (95 % ДИ{{12}). }.8, 85.8) для сценария высокой контагиозности. Сокращение взаимодействий на 10 % привело к снижению числа случаев на 68,6 % (95 % ДИ=67.7, 69,4) для сценария с низкой контагиозностью и на 32,1 % (95 % ДИ=30.4). , 33.9) для сценария высокой контагиозности.

Повышение показателей вакцинации по сравнению с данными CDC на 10 процентов и 20 процентов снизило количество случаев заболевания и госпитализаций в моделировании одного сезона. Повышение показателей вакцинации оказало большее влияние на моделирование с более низким штаммом трансмиссивности (увеличение вакцинации на 10 процентов вызвало снижение числа случаев заболевания на 31,5 процента и снижение числа госпитализаций на 32,9 процента; увеличение количества вакцинации на 20 процентов привело к снижению числа случаев и на 47,4% меньше госпитализаций). При моделировании с более трансмиссивным штаммом усиление вакцинации привело к более скромному эффекту (10-процентное увеличение вакцинации привело к снижению числа случаев заболевания на 2,3 процента и снижению числа госпитализаций на 3,3 процента; увеличение вакцинации на 20 процентов привело к снижению числа случаев и снижение госпитализаций на 8,5%). В сценарии с низкой трансмиссивностью более высокие показатели вакцинации могут иметь большее влияние из-за того, что уровни вакцинации снижают репродуктивное число в этой модели примерно до 1 (Re=0,93, 95-процентный ДИ=0,57, 1,30). в модели, включающей предшествующий иммунитет и вакцинацию по данным CDC). Относительно низкая эффективность вакцинации в этой модели (40 процентов) может уменьшить воздействие вакцинации в сценарии с высокой контагиозностью. Однолетнее моделирование включает предыдущий иммунитет, как описано в Методах и Приложении (доступно онлайн).

Возрастная группа {{0}}–4 года составляла 5,2 процента симуляционного населения и составляла примерно 6 процентов случаев в моделировании (5,8 процента -6,2 процента случаев). Увеличение охвата вакцинацией на 10% снизило количество случаев заболевания в этой возрастной группе на 31,7% в сценарии с более низкой контагиозностью и только на 1,7% в сценарии с более высокой контагиозностью (рис. 3). 20-процентное увеличение охвата вакцинацией привело к уменьшению числа случаев заболевания на 45,7 процента для менее трансмиссивного штамма и только на 4,1 % для более трансмиссивного штамма. Число госпитализаций уменьшилось на аналогичные величины (для сценария с низкой контагиозностью снижение на 33,7% при увеличении на 10% и на 49,0% с увеличением на 20%; для сценария с высокой контагиозностью снижение на 3,1% при увеличении на 10% и снижение на 5,4% при увеличение на 20%). Low Re может усилить эффект вакцинации в сценариях с низкой контагиозностью.

Применяя результаты моделирования конкретно к подтипам/линиям гриппа, можно ожидать, что наибольшее воздействие будет наблюдаться в те сезоны, когда текущий преобладающий штамм был тесно связан со штаммом предыдущего года, а перекрестный иммунитет между штаммами в последующие годы, как правило, высок. Можно ожидать 40–50-процентного снижения восприимчивости аналогичных штаммов в последующие годы в случаях, когда штаммы имеют общий подтип/происхождение. Ожидается, что трансмиссивность штамма будет одинаковой у очень похожих штаммов. Модель оценила увеличение на 13,52 процента -46,95 процента случаев и 15,43 процента -56,81 процента госпитализаций штаммов с той же трансмиссивностью и 40 процентов -50 процентов перекрестного иммунитета (приложение, таблица 4, доступно в Интернете). В популяции, использованной для моделирования (округ Аллегейни, штат Пенсильвания, синтетическая популяция из 1 218 695 человек), эти значения соответствуют увеличению с 8 225 (95-процентный доверительный интервал=2, 241, 14 209) до 139 205 (95-процентный доверительный интервал=98). 836 179 575 случаев и от 31 (95% ДИ=10, 53) до 369 (95% ДИ=610, 982) госпитализаций за сезон гриппа. Число случаев включает бессимптомные случаи, которые составляют 25 процентов случаев, встречающихся в модели.

ОБСУЖДЕНИЕ

Моделирование на основе агентов использовалось для прогнозирования влияния легкого сезона гриппа на уровень инфицирования в следующем сезоне. Результаты показывают, что легкий первый сезон (например, 2020–2021 гг.) может привести к большому компенсирующему второму сезону (например, тому, что может произойти в 2021–2022 гг.). Это увеличение может достигать удвоения числа случаев. Расширение охвата вакцинацией может уменьшить, но не устранить этот прогнозируемый тяжелый сезон. Продолжение вмешательств по сокращению инфекционных контактов среди населения могло бы оказать большее влияние.

Иммунитет к гриппу сложен. Штаммы очень изменчивы, а генетический дрейф антигенов способствует появлению новых вариантов, которые ускользают от иммунитета и способствуют ежегодным сезонным вспышкам с сильно различающимися показателями заболеваемости, несмотря на популяционный иммунитет и вакцинацию.34 Переключение подтипа преобладающего циркулирующего штамма не всегда коррелирует с увеличением уровень заражения.35

В сезоне 2020–2021 гг. в северном полушарии не было обычных сезонных вспышек, вероятно, из-за мер по борьбе с COVID-19, направленных на снижение передачи. Этот результат был положительным, поскольку системы здравоохранения уже были перегружены пандемией COVID-19, но есть опасения, что отсутствие остаточного иммунитета в результате инфекции в 2020–2021 годах приведет к более тяжелому сезону гриппа в 2021–2022 годах. Вакцинация является эффективным средством профилактики гриппа, но уровень вакцинации, как правило, не оптимален, а вакцинация не дает полного иммунитета к инфекции.

Модель гриппа на основе агентов использовалась, чтобы помочь понять влияние очень низкого сезона гриппа на последующий сезон. Сокращения взаимодействий у части населения было достаточно, чтобы по существу ликвидировать грипп. Нормальные уровни взаимодействия во втором сезоне привели к увеличению числа случаев во втором сезоне сверх того, что было предсказано с использованием той же модели без снижения количества взаимодействий в первый год.

Модель учитывает ситуации, в которых сильно родственные и менее родственные штаммы циркулируют в последовательные сезоны. При низком уровне перекрестного иммунитета, аналогичном смене подтипа гриппа А, низкий уровень первого сезона оказывает ограниченное влияние на случаи второго сезона. Если существует хорошее антигенное соответствие между сезонами (высокий уровень перекрестного иммунитета), модель предсказывает большое влияние на случаи второго сезона от инфекций первого сезона.

Увеличение масштабов вакцинации может помочь компенсировать снижение иммунитета населения в результате отсутствия гриппа в 2020–2021 годах. Это может быть особенно важно для детей младшего возраста, которые могут оказаться в зоне особого риска в 2021−2022 годах. В 2020–2021 годах очень мало очень маленьких детей переболели гриппом, поэтому практически весь иммунитет в этой возрастной группе будет получен в результате вакцинации, которая относительно быстро ослабевает.

Несколько факторов позволяют предположить, что, хотя число случаев может увеличиться после очень низкого первого сезона, бремя болезни не достигнет уровня пандемии. Наиболее распространенный подтип гриппа часто меняется от одного сезона к другому — например, H1N1 преобладал в сезоне 2013–2014 гг., тогда как H3N2 преобладал в 2 предшествующих сезонах, — и эти смены подтипа гриппа не всегда вызывают усиление интенсивности36. Считается, что к инфекции сохраняется в течение 3-7 лет, поэтому можно ожидать, что значительный иммунитет сохранится от предыдущих сезонов. к консервативным эпитопам,37 и это может помочь ограничить заболеваемость гриппом в 2021–2022 гг.

Модели — это упрощенные представления реальности, и поэтому они никогда не могут быть совершенными. Их цель состоит в том, чтобы просто предоставить полезную и действенную информацию. Достоверность модели частично определяется тем, насколько точно ее дизайн отражает реальность и насколько точно оцениваются используемые в ней параметры. Модель гриппа FRED была разработана для имитации пандемического гриппа и использовалась в предыдущих исследованиях для моделирования вмешательств по гриппу, поэтому в прошлом оценивалась достоверность модели. -сезонная инфекция во втором сезоне и может быть расширена для включения произвольного количества сезонов.

Ограничения

Для оценки параметров использовались надежные и соответствующие источники; однако эти оценки имеют ограничения. Предыдущий иммунитет основан на оценке бремени болезни, смоделированной CDC,29 на которую могут повлиять колебания в сообщениях о болезни из-за множества факторов. Эффективность вакцинации оценивается по данным эпиднадзора и может быть завышена или занижена. Параметры ослабления как естественного, так и вакцинного иммунитета основаны на литературных данных и мнении экспертов. Перекрестный иммунитет между штаммами гриппа наиболее сложно поддается количественной оценке, когда штаммы отличаются только антигенным дрейфом, что является основным источником неопределенности. Модель использует диапазон значений для учета этой неопределенности. Неопределенность параметров может привести к тому, что результаты модели будут выше или ниже, чем в действительности.

Передача в этой модели вызвана взаимодействием агентов, в частности географической близостью инфекционных и восприимчивых агентов, что имитирует респираторную передачу. Нет включения фомитов или других нереспираторных способов передачи. Показатели взаимодействия между агентами зависят от возраста и были откалиброваны в соответствии с данными исследований гриппа.21

Этот набор моделирования был разработан для решения конкретной проблемы, касающейся возможного воздействия потери иммунитета из-за низкого сезона гриппа в следующем сезоне. Предполагается, что второй сезон будет вести себя как обычный сезон гриппа без дополнительных вмешательств. Были проведены дополнительные симуляции для оценки влияния возможных продолжающихся вмешательств и вызванных пандемией изменений в поведении на передачу инфекции. На сезон 2021–2022 годов могут повлиять и другие обстоятельства. Низкий уровень циркулирующего гриппа во всем мире и в Южном полушарии может ограничивать сезонное занесение гриппа в США, тем самым ограничивая сезон. Низкий уровень циркуляции гриппа с марта 2020 г. может временно ограничить эволюцию гриппа; однако циркуляция гриппа среди животных-хозяев также дает возможность для развития и внедрения новых штаммов. Эти дополнительные сценарии специально не моделировались. Результаты моделирования должны интерпретироваться в контексте дизайна модели, неопределенности в параметрах модели и ограничений моделирования в целом.

ВЫВОДЫ

Учитывая легкий сезон гриппа 2020–2021 гг., в сезоне 2021–2022 гг. может наблюдаться рост заболеваемости до 50 процентов, в зависимости от перекрестного иммунитета от прошлой инфекции и трансмиссивности штаммов. Расширенный охват вакцинацией, а также продолжающиеся вмешательства и модели поведения, снижающие взаимодействие населения, могут сократить этот высокий сезон. Вакцинация очень молодых людей может иметь особое значение в 2021−2022 годах, учитывая отсутствие иммунитета от предыдущих инфекций в этой возрастной группе.

БЛАГОДАРНОСТИ

Авторы хотели бы поблагодарить Дональда С. Берка, доктора медицины, за их ценный вклад в развитие этого проекта. Авторы также хотели бы поблагодарить John V. Williams, MD, и Lee H. Harrison, MD за ценные обсуждения и комментарии.

Спонсор исследования не участвовал в разработке исследования; сбор, анализ или интерпретация данных; написание отчета; или решение представить отчет для публикации.

Эта работа была поддержана Центром по контролю и профилактике заболеваний U01-IP001141-01. IRB Университета Питтсбурга определил, что это исследование не было исследованием на людях и, следовательно, является исключением из плана исследования.

Версия этого исследования была размещена на сервере препринтов MedRxiv.

RKZ и JMR имеют гранты на исследования от Санофи Пастер по несвязанной теме вакцин. Других финансовых раскрытий не поступало.

КРЕДИТНОЕ ЗАЯВЛЕНИЕ АВТОРА

Мэри Г. Крауланд: Концептуализация; Курирование данных; Формальный анализ; Расследование; Методология; Ресурсы; Программное обеспечение; Проверка; Визуализация; Написание - оригинальный черновик; Написание - обзор и редактирование. Дэвид Д. Галлоуэй: курирование данных; Расследование; Методология; Ресурсы; Программное обеспечение; Написание - обзор и редактирование. Джонатан М. Равиотта: сбор данных; Расследование; Проверка; Написание - обзор и редактирование. Ричард К. Циммерман: Концептуализация; Курирование данных; Формальный анализ; Расследование; Методология; Проверка; Написание - обзор и редактирование. Марк С. Робертс: Концептуализация; Формальный анализ; получение финансирования; Расследование; Методология; администрирование проекта; Ресурсы; Надзор; Проверка; Написание - обзор и редактирование.

ИСПОЛЬЗОВАННАЯ ЛИТЕРАТУРА

1. Adlhoch C, Mook P, Lamb F, et al. Очень низкий уровень заболеваемости гриппом в Европейском регионе ВОЗ в сезоне 2020/21 г., недели с 40 2020 по 8 2021. Евронаблюдение. 2021;26(11):2100221.

2. Хаапанен М., Ренко М., Артама М., Куйтунен И. Влияние изоляции и повторного открытия школ и детских садов на эпидемиологию SARS-CoV-2 и других респираторных инфекций у детей - общенациональный регистр учиться в Финляндии. ЭКклиническая медицина. 2021;34:100807. https://doi.org/10.1016/j.eclinm.2021.100807.

3. Lee L, Butt K, Buckrell S, Nwosu A, Sevenhuysen C, Bancej C. Национальный отчет по гриппу в середине сезона, 2020-2021. Can Commun Dis Rep. 2021;47(1):1–4. https://doi.org/10.14745/ccdr.v47i01a01.

4. Олсен С.Дж., Аззиз-Баумгартнер Э., Бадд А.П. и соавт. Снижение активности гриппа во время пандемии COVID-19 — США, Австралия, Чили и Южная Африка, 2020 г. MMWR Morb Mortal Wkly Rep. 2020;69(37):1305–1309.

5. Партридж Э., Макклири Э., Чима Р. и др. Оценка активности сезонного респираторного вируса до и после принятия постановления о карантине на месте COVID-19 в Северной Калифорнии. JAMA Сеть открыта. 2021;4(1):e2035281.

6. 2020-2021 Сводка по сезону гриппа. Центры по контролю и профилактике заболеваний. https://www.cdc.gov/flu/season/faq-flu-season-2020- 2021. ему. Обновлено 25 октября 2021 г. По состоянию на 3 января 2022 г.

7. Фердинандс Дж. М., Фрай А. М., Рейнольдс С. и соавт. Внутрисезонное ослабление защиты от вакцин против гриппа: данные Сети эффективности вакцин против гриппа США, с 2011-12 по 2014-15. Клин Инфекция Дис. 2017;64(5):544–550.

8. Рандзева С., Субраманиан Р., Фанг В.Дж. и др. Возрастные различия в динамике протективного иммунитета к гриппу. Нац коммун. 2019;10(1):1660.

9. Кермак В.О., МакКендрик А.Г. Вклад в математическую теорию эпидемий - I. 1927. Бык Math Biol. 1991; 53(1−2):33–55.

10. Бутсма М.С., Фергюсон Н.М. Влияние мер общественного здравоохранения на пандемию гриппа 1918 года в городах США. Proc Natl Acad Sci US A. 2007; 104 (18): 7588–7593.

11. Чоуэлл Г., Аммон К.Э., Хенгартнер Н.В., Хайман Дж.М. Динамика передачи большой пандемии гриппа 1918 года в Женеве, Швейцария: оценка последствий гипотетических вмешательств. Дж Теор Биол. 2006;241(2):193–204.

12. Chowell G, Miller MA, Viboud C. Сезонный грипп в США, Франции и Австралии: передача и перспективы борьбы. Эпидемиол инфекции. 2008;136(6):852–864.

13. Душофф Дж., Плоткин Ю.Б., Левин С.А., Эрн Д.Дж. Динамический резонанс может объяснить сезонность эпидемий гриппа. Proc Natl Acad Sci USA. 2004;101(48):16915–16916.

14. Фергюсон Н.М., Каммингс Д.А., Фрейзер С., Кайка Дж.С., Кули П.С., Берк Д.С. Стратегии смягчения последствий пандемии гриппа. Природа. 2006; 442 (7101): 448–452.

15. Миллс К.Э., Робинс Дж.М., Липсич М. Трансмиссивность пандемического гриппа 1918 года. Природа. 2004; 432 (7019): 904–906. https://doi.org/10.1038/nature03063.

For more information:1950477648nn@gmail.com