Vliv meteorologických faktorů na riziko infekce klíšťovou encefalitidou

Stáhnout PDF English version

Autoři: M. Daniel ¹; M. Brabec ^1,2; M. Malý ^1,2 ; V. Danielová ¹; T. Vráblík ³
Působiště autorů: National Institute of Public Health, Prague ¹; Institute of Computer Science, Czech Academy of Sciences, Prague ²; Czech Hydrometeorological Institute, Prague ³
Vyšlo v časopise: Epidemiol. Mikrobiol. Imunol. 72, 2023, č. 2, s. 67-77
Kategorie: Původní práce

Souhrn

Cíl: Cílem této práce bylo analyzovat vztah mezi novými případy klinické formy klíšťové encefalitidy a různými meteorologickými a sezonními prediktory.

Materiál a metodika: Modelování vychází z národních dat České republiky za období 2001–2016 v denním rozlišení, a to z hodnot průměrné teploty, průměrné relativní vlhkosti vzduchu a počtu případů klíšťové encefalitidy klasifikovaných podle data prvních příznaků. Používají se čtyři varianty negativně binomického modelu z třídy zobecněných aditivních modelů. Základní model dává výskyt klíšťové encefalitidy do souvislosti se zpožděnou průměrnou denní teplotou okolí a denní průměrnou relativní vlhkostí vzduchu a jejich interakcí se zpožděním odrážejícím inkubační dobu a další faktory. Hodnota zpoždění byla odhadnuta optimalizačním postupem založeným na Akaikeho informačním kritériu. Model také zahrnuje vliv sezony a vliv dne v týdnu. Pro zvýšení biologické věrohodnosti byl základní model rozšířen a byl použit distributed lag model, který zohledňuje možné časově proměnlivé účinky meteorologických proměnných a zahrnuje více zpoždění.

Výsledky: Statisticky nejvýznamnějším efektem je sezonnost v rámci roku a pak interakce teploty a relativní vlhkosti vzduchu. Vztah obou meteorologických faktorů a jejich interakce se mění v průběhu sezony aktivity hladových klíšťat Ixodes ricinus. To také mění podmínky výskytu nových klinických případů klíšťové encefalitidy. Časově proměnlivý vliv meteorologických faktorů na výskyt klíšťové encefalitidy vykazuje netriviální změny v průběhu roku. V období před polovinou kalendářního roku (kolem 22. týdne) je efekt nižší, poté následuje zvýšení až do 35. týdne.

Závěr: Byly vyvinuty flexibilní modely s kvantitativně charakterizovanými vlivy teploty, vlhkosti vzduchu a jejich interakce, se zpožděním efektu odhadnutým optimalizačním procesem. Výkonnost finálního modelu byla zkontrolována pomocí nezávislých dat, aby se ověřila možnost využití výsledků ke zlepšení predikce rizika nárůstu klinických případů klíšťové encefalitidy.

Klíčová slova:

klíšťová encefalitida – predikce rizika – meteorologické faktory – zobecněný aditivní model (GAM) – časově proměnlivé účinky – dynamický model

Zdroje

1. Lindquist L, Vapalahti O. Tick-borne encephalitis. Lancet, 2008;371:1861–1871.

2. Beauté J, Spiteri G, Warns-Petit E, et al. Tick-borne encephalitis in Europe, 2012 to 2016. Euro Surveill., 2018;23(45):1800201.

3. Orlíková H, Vlčková I, Manďáková Z, Kynčl J. Tick-borne encephalitis in the Czech Republic in 2021. Zprávy Centra epidemiologie a mikrobiologie, 2022;31(8):308–318.

4. Jenkins VA, Silbernagl G, Baer LR, et al. The epidemiology of infectious diseases in Europe in 2020 versus 2017–2019 and the rise of tick-borne encephalitis (1995–2020). Ticks Tick-Borne Dis., 2022;13:101972.

5. Gray JS, Dautel H, Estrada-Peña A, et al. Effects of climate change on ticks and tick-borne diseases in Europe. Interdiscip Perspect Infect Dis., 2009;2009:593232.

6. Hubálek Z, Halouzka J, Juřicová Z. Host-seeking activity of ixodid ticks in relation to weather variables. J. Vector Ecol., 2003;28(2):159–165.

7. Korenberg EI. Seasonal population dynamics of Ixodes ticks and tick-borne encephalitis virus. Exp. Appl. Acarol., 2000;24:665–681.

8. Randolph SE. The impact of tick ecology on pathogen transmission dynamics. In: Bowman AS, Nuttall PA (Eds.). Ticks: Biology, Diseases and Control. Cambridge: Cambridge University Press;2008. pp. 40–72. ISBN 978-0-521-86761-0.

9. Sirotkin MB, Korenberg EI. Influence of abiotic factors on different developmental stages of the taiga tick Ixodes persulcatus and sheep tick Ixodes ricinus. Entomol. Review, 2018;98(4):379–396.

10. Danielová V, Daniel M. Climate, ticks and tick-borne encephalitis in Central Europe. In: Nuttall P (Ed.). Climate, Ticks and Disease. Wallingford: CAB International;2022. pp. 331–340. ISBN 978-1-78924-963-7.

11. Voyiatzaki C, Papailia SI, Venetikou MS, et al. Climate changes exacerbate the spread of Ixodes ricinus and the occurrence of Lyme borreliosis and tick-borne encephalitis in Europe – how climate models are used as a risk assessment approach for tick-borne diseases. Int. J. Environ. Res. Public Health, 2022;19:6516.

12. Menne B, Ebi KL (Eds.). Climate chase and adaptation strategies for human health. Darmstadt: Steinkopff Verlag;2006.

13. Daniel M, Vráblík T, Valter J, et al. The TICKPRO computer program for predicting Ixodes ricinus host-seeking activity and the warning system published on websites. Cent. Eur. J. Public Health, 2010;18:234–240.

14. Czech Hydrometeorological Institute. Ticks activity. [Accessed 2022-12-06]. Available at: https://info.chmi.cz/bio/mapy.php?type=kliste. [In Czech.]

15. Daniel M, Danielová V, Fialová A, et al. Increased relative risk of tick-borne encephalitis in warmer weather. Front Cell Infect. Microbiol., 2018;8:90.

16. Van Heuverswyn J, Hallmaier-Wacker LK, Beauté J, et al. Spatiotemporal spread of tick-borne encephalitis in the EU/EEA, 2012 to 2020. Euro Surveill., 2023;28(11):2200543.

17. Nuttall P (Ed.). Climate, ticks and disease. Wallingford: CAB International;2022. 566 pp. ISBN 978-1-78924-963-7.

18. Daniel M, Beneš Č, Danielová V, et al. Sixty years of research of tick-borne encephalitis--a basis of the current knowledge of the epidemiological situation in Central Europe. Epidemiol. Mikrobiol. Imunol., 2011;60(4):135–155.

19. Kunze M, Banović P, Bogovič P, et al. Recommendations to improve tick-borne encephalitis surveillance and vaccine uptake in Europe. Microorganisms, 2022;10(7):1283.

20. Prymula R. Prevention possibilities and vaccination against tick-borne encefalitis. In: Růžek D (Ed.). Klíšťová encefalitida [Ticks-borne encefalitis]. Prague: Grada Publishing House;2015. pp. 155–172. ISBN 978-80-247-5305-8.

19. Rawlings JO, Pantula SG, Dickey DA. Applied Regression Analysis: A Research Tool. 2nd ed. New York: Springer;1998. ISBN 978-0-387-98454-4.

20. Wood SN. Generalized Additive Models: An introduction with R. 2nd ed. Boca Raton: Chapman & Hall/CRC;2017. ISBN 978-1-498-72833-1.

21. Brabec M, Daniel M, Malý M, et al. Analysis of meteorological effects on the incidence of tick-borne encephalitis in the Czech Republic over a thirty-year period. Virol. Res. Rev., 2017;1(1):1–8.

22. Burnham KP, Anderson DR (Eds.). Model Selection and Multimodel Inference: A practical information-theoretic approach. 2nd ed. New York: Springer-Verlag;2002. ISBN 978-0-387-95364-9.

23. Hastie TJ, Tibshirani RJ. Generalized Additive Models. Boca Raton: Chapman & Hall/CRC;1990. ISBN 978-0-412-34390-2.

24. Hastie T, Tibshirani R. Varying-coefficient models. J. R. Statist. Soc. B, 1993;55(4):757–796.

25. Brabec M. Semiparametric model for short term effects of air pollution upon asthma symptoms exacerbations. Joint ISCB/ASC Meeting, Melbourne, Australia, August 26–30, 2018.

26. Judge GG, Griffiths WE, Hill RC, et al. The Theory and Practice of Econometrics. New York: Wiley;1980. ISBN 978-0-471-05938-7.

27. Almon S. The distributed lag between capital appropriations and net expenditures. Econometrica 1965;33:178–196.

28. R Core Team. R: a language and environment for statistical computing. R Foundation for Statistical Computing, Vienna, Austria. [Accessed 2022-06-10]. Available at: http://www.R-project.org/.

29. Daniel M, Malý M, Danielová V, et al. Abiotic predictors and annual seasonal dynamics of Ixodes ricinus, the major disease vector of Central Europe. Parasit Vectors, 2015;8:478.

30. Luňáčková J, Chmelík V, Šípová L, et al. Epidemiologické sledování klíšťové encefalitidy v jižních Čechách. Epidemiol. Mikrobiol. Imunol., 2003;52:51–58.

31. Duniewicz M. Central European Tick-borne encephalitis. In: Duniewicz M, Adam P. (Eds.). Neuroinfekce. Maxdorf: Prague;1999. pp. 119–127. ISBN 80-85800-72-1.

32. Penyevskaya NA. Methodological approach to the estimation of efficacy of etiotropic immunoprophylaxis in tick-borne encephalitis. Clin. Microbiol. Antimicrob. Chemother., 2008;10:70–84. [In Russian.]

33. Sixl W, Nosek J. Einfluss von Temperatur und Feuchtigkeit auf das Verhalten von Ixodes ricinus, Dermacentor marginatus, und Haemaphysalis inermis. Archives des Sciences, 1971;24(1): 97–109.

35. Daniel M, Dusbábek F. Micrometeorological and microhabitat factors affecting maintenance and dissemination of tick-borne diseases in the environment. In: Sonenshine DE, Mather TN (Eds.). Ecological Dynamics of Tick-Borne Zoonoses. Oxford: Oxford University Press;1994. pp. 91–138. ISBN 978-0-19-507313-3.

37. Borde JP, Kaier K, Hehn P, et al. Tick-borne encephalitis virus infections in Germany. Seasonality and in-year patterns. A retrospective analysis from 2001-2018. PLoS ONE, 2019;14(10): e0224044.

38. Stefanoff P, Rubikowska B, Bratkowski J, et al. A predictive model has identified tick-borne encephalitis high-risk areas in regions where no cases were reported previously, Poland, 1999–2012. Int. J. Environ. Res. Public Health, 2018;15(4):677.

39. European Centre for Disease Prevention and Control. Tick-borne encephalitis. In: Annual epidemiological report for 2016. Stockholm: ECDC;2018. [Accessed 2022-12-06]. Available at: https://www.ecdc.europa.eu/sites/portal/files/documents/AER_for_2016-TBE.pdf.