Model waktu penyemaian COVID-19 dan waktu penggandaan: Alat penilaian risiko epidemi awal

RINGKASAN

Latar Belakang

Saat COVID-19 menyebar ke seluruh dunia, setiap negara harus memutuskan kapan dan bagaimana menanggapinya. Namun masih banyak kesenjangan pengetahuan, dan banyak negara tidak memiliki kapasitas untuk mengembangkan model kompleks untuk menilai risiko dan respons. Makalah ini bertujuan untuk memenuhi kebutuhan tersebut dengan mengembangkan model yang menggunakan data pelaporan kasus sebagai input dan memberikan output penilaian risiko empat tingkat.

Metode

Kami menggunakan data pelaporan kasus tingkat negara / wilayah yang tersedia untuk umum untuk menentukan median jumlah pelepasan virus, waktu rata-rata pembibitan (ST), dan beberapa ukuran rata-rata waktu penggandaan (DT) untuk COVID-19.  Kami kemudian menyusun model kami sebagai bidang koordinat dengan ST pada sumbu x, DT pada sumbu y, dan rata-rata ST dan reta-rata DT membagi bidang menjadi empat kuadran, masing-masing menetapkan tingkat risiko.  Analisis sensitivitas dilakukan dan negara / wilayah di awal wabah dinilai risikonya.

Hasil

Temuan utama kami adalah bahwa di antara 45 negara / wilayah yang dievaluasi, 87% berada pada risiko tinggi untuk wabah yang memasuki fase epidemi fase pertumbuhan yang cepat. Kami selanjutnya menemukan bahwa model tersebut sensitif terhadap perubahan DT, dan bahwa perubahan ini konsisten dengan apa yang diketahui secara resmi dari kasus yang dilaporkan dan strategi pengendalian yang diterapkan di negara-negara tersebut.

Kesimpulan

Temuan utama kami adalah bahwa Model ST / DT dapat digunakan untuk menghasilkan penilaian yang bermakna tentang risiko eskalasi di tingkat negara / wilayah epidemi COVID-19 hanya dengan menggunakan data pelaporan kasus.  Model kami dapat membantu mendukung tindakan tepat waktu dan tegas di tingkat nasional saat para pemimpin dan pembuat keputusan lainnya menghadapi ancaman kesehatan masyarakat yang serius yaitu COVID-19.

Latar Belakang

Penyakit Novel Coronavirus 2019 (COVID-19) menyebabkan masalah kesehatan masyarakat yang serius di seluruh dunia pada awal 2020 [ 1 , 2 , 3 , 4 ]. Organisasi Kesehatan Dunia (WHO) menyatakan epidemi COVID-19 sebagai "darurat kesehatan masyarakat yang menjadi perhatian internasional" pada 30 Januari 2020 [ 5 ], dan kemudian menaikkan status COVID-19 menjadi pandemi pada 11 Maret 2020 [ 6 ]. Pada 8 Mei 2020, lebih dari 3,7 juta kasus dan hampir 260.000 kematian telah dilaporkan ke WHO [ 7 ].

Kebutuhan akan kesadaran situasional dan prediksi perjalanan epidemi telah mendorong sejumlah besar penelitian hanya dalam beberapa bulan. Banyak yang telah menggunakan metode pemodelan matematika untuk memperkirakan fitur epidemiologi utama, seperti bilangan reproduksi dasar (R₀), untuk membantu memberi informasi kepada pembuat keputusan sehingga mereka dapat merancang, mengevaluasi, dan menyesuaikan strategi pengendalian dan tindakan penahanan [ 8 , 9 , 10 , 11 ]. Namun, kesenjangan yang terus-menerus dalam pengetahuan kita tentang COVID-19 telah membuat pemodelan matematika menjadi tantangan [12]. Meskipun banyak parameter epidemiologi mempengaruhi potensi risiko penyebaran penyakit menular di suatu negara (misalnya, karakteristik kasus, kemungkinan pajanan dan infeksi, ciri-ciri demografis populasi, tindakan pengendalian yang diterapkan), elemen penting adalah selalu jumlah kasus yang tepat. Dampak dari semua faktor relevan lainnya diwujudkan dalam perubahan jumlah kasus dari waktu ke waktu (dengan asumsi ada kemampuan yang memadai untuk deteksi, pelaporan, dan konfirmasi kasus), menjadikan data pelaporan kasus sebagai masukan penting untuk pengembangan respons kesehatan masyarakat [13]. Selain itu, data pelaporan kasus juga merupakan data yang paling tepat waktu dan paling mudah diperoleh untuk semua negara. Jadi, dalam teori, penggunaan data yang efektif dapat memberikan metode untuk mengevaluasi risiko untuk tujuan menginformasikan pengambilan keputusan strategis dan taktis tingkat negara.

Oleh karena itu, untuk meminimalkan dampak kesenjangan pengetahuan sambil tetap memenuhi kebutuhan akan penilaian risiko epidemi COVID-19 yang tepat waktu, nyaman, dan akurat, namun mudah dipahami di tingkat nasional, kami bertujuan untuk mengembangkan model koordinat yang sederhana dan intuitif menggunakan data pelaporan kasus. Kami selanjutnya bertujuan untuk melakukan analisis sensitivitas untuk memverifikasi dan memvalidasi model, memastikan penilaian risiko yang dihasilkannya bermakna.  Kami menyebut model kami model waktu pembenihan dan waktu penggandaan (yaitu, Model ST / DT).

Metode

Sumber dan analisis data

Semua data yang digunakan untuk menentukan parameter model dan untuk melakukan penilaian risiko menggunakan Model ST / DT kami ambil dari laporan situasi harian yang diterbitkan oleh Organisasi Kesehatan Dunia (WHO; https://www.who.int/emergencies/diseases/novel-coronavirus -2019 / situasi-laporan / ).  Semua data pelaporan kasus di masing-masing tingkat negara (yaitu, tanggal dan jumlah kumulatif kasus; lihat File tambahan 1 : Tabel S1) dianalisis dan disajikan secara grafis menggunakan perangkat lunak Excel (versi Microsoft 365, Microsoft Corp., Redmond, Washington, USA) .

Pemilihan negara

Negara yang akan digunakan dalam penentuan jumlah pembibitan (SN) dipilih berdasarkan pertemuan mereka salah satu dari dua kriteria inklusi: (a) memiliki 5000 kasus kumulatif atau lebih yang dilaporkan pada 31 Maret 2020 atau (b) memiliki setidaknya 40 hari data pelaporan kasus dan setidaknya 100 kasus terakumulasi antara tanggal laporan kasus pertama di negara tersebut dan 31 Maret 2020. Sampel acak yang lebih kecil dari negara-negara terpilih ini digunakan dalam penghitungan rata-rata waktu pembibitan (ST) dan rata-rata waktu penggandaan (DT). Sampel terpisah dari 45 negara dan wilayah yang akan digunakan untuk melakukan penilaian risiko epidemi awal menggunakan Model ST / DT dipilih secara acak berdasarkan satu kriteria inklusi: memiliki jumlah kumulatif laporan kasus antara 100 dan 500, yang menunjukkan bahwa negara / wilayah tersebut berada pada tahap awal epidemi.  Cina dikeluarkan dari semua analisis karena beberapa kasus dilaporkan selama rentang waktu penelitian ini [7 ]. Akhirnya, 20 negara yang sama digunakan untuk menghasilkan rata-rata ST dan rata-rata DT juga digunakan dalam analisis sensitivitas yang dilakukan untuk memverifikasi bahwa model dapat mendeteksi perubahan kondisi dan mengubah keluaran penilaian risiko. Selain itu, 1 dari 20 negara yang digunakan untuk rata-rata ST dan DT dan 1 dari 45 negara yang digunakan untuk menghasilkan penilaian risiko dipilih (berdasarkan informasi yang dipublikasikan secara rinci tentang langkah-langkah respons epidemi mereka) untuk digunakan dalam analisis sensitivitas yang dilakukan untuk memvalidasi. bahwa perubahan dalam penilaian risiko yang dapat dideteksi oleh model memiliki arti berdasarkan apa yang diketahui tentang epidemi dan tindakan respons mereka.

Semua penamaan dan kategorisasi negara dan wilayah menurut wilayah diselaraskan dengan laporan situasi WHO ( https://www.who.int/emergencies/diseases/novel-coronavirus-2019/situation-reports/ ).

Struktur model

Dalam Model waktu pembibitan dan waktu penggandaan (ST / DT) kami, hanya dua parameter epidemiologi utama yang ditetapkan secara khusus untuk setiap negara — waktu pembibitan (ST) dan waktu penggandaan (DT). ST adalah interval waktu, diukur dalam beberapa hari, antara tanggal laporan kasus pertama di suatu negara (yaitu kasus indeks negara tersebut) dan tanggal di mana jumlah kumulatif kasus yang dikonfirmasi mencapai jumlah pelepasan virus (SN). SN adalah jumlah total kasus yang diperlukan untuk "menetas" epidemi di suatu negara. Ini dapat menentukan risiko awal yang diperkenalkan pada awal wabah di suatu negara dan itu memengaruhi DT. DT adalah interval waktu, diukur dalam beberapa hari, diperlukan untuk menggandakan jumlah kumulatif total kasus, dan dapat menjadi indikator efektivitas tindakan pengendalian. Bersama-sama, ST dan DT dapat digunakan untuk menentukan risiko wabah “lepas landas,Artinya memasuki fase dimana jumlah kasus berkembang sangat pesat.

Model ST / DT diilustrasikan pada Gambar  1 a.  ST meningkat dari pendek ke panjang pada sumbu x sedangkan DT meningkat dari pendek ke panjang pada sumbu y. Garis plot yang merepresentasikan mean ST dan mean DT menciptakan empat kuadran di mana epidemi negara dapat diplot. Empat kuadran menunjukkan tingkat risiko yang berbeda — ST pendek dan DT menunjukkan risiko tinggi (merah) dibandingkan dengan risiko rendah yang ditunjukkan oleh ST panjang dan DT panjang (hijau). Di antara status risiko tinggi dan rendah ini, adalah ST panjang dan DT pendek, dianggap berisiko cukup tinggi, dan ST pendek dan DT panjang, dianggap berisiko cukup rendah. Karena DT lebih penting daripada ST untuk masa depan epidemi yang sudah diunggulkan, maka ST yang panjang, kondisi DT yang pendek diberi label risiko yang lebih tinggi daripada ST pendek dan DT panjang.

 

Gambar 1

Struktur Model ST / DT untuk penilaian risiko epidemi dan metode penghitungan jumlah pelepasan virus (SN) dan waktu pelepasan virus (ST).  

a Struktur Model ST / DT diilustrasikan oleh bidang koordinat dengan ST diplot dalam hari pada sumbu x dan waktu penggandaan (DT) diplot dalam hari pada sumbu y. Garis putus-putus menunjukkan rata-rata ST dan rata-rata DT. Empat kuadran yang dibuat merupakan tingkat risiko yang ditentukan — ST pendek dan DT menunjukkan risiko tinggi (merah), ST panjang dan DT pendek menunjukkan risiko cukup tinggi (oranye), ST pendek dan DT panjang menunjukkan risiko cukup rendah (kuning), dan ST panjang dan DT menunjukkan risiko rendah (hijau).  

b Pada kurva hipotetis epidemi, tanggal epidemi tampak "lepas landas" ditentukan secara independen oleh dua penulis (biru). Jumlah kumulatif kasus pada hari sebelumnya adalah SN dan tanggal tercapai SN adalah ST (merah muda)

 

Karena ST dan DT bergantung pada SN, pertama-tama kami menentukan SN.  Untuk melakukan ini, kurva epidemiologi (diplot sebagai waktu dalam hari pada sumbu x versus jumlah total kumulatif kasus pada sumbu y) dari beberapa negara dinilai oleh dua penulis. Kedua penulis secara independen memilih tanggal di mana setiap kurva epidemi tampak "lepas landas" (Gbr. 1 b). Kurva yang tidak disetujui oleh kedua penulis dinilai oleh penulis ketiga dan didiskusikan dengan tim peneliti sampai konsensus tercapai pada suatu tanggal. Jumlah kumulatif kasus yang dilaporkan hingga hari sebelum tanggal "lepas landas" ini kemudian ditentukan (Gbr.  1 b). SN untuk masing-masing negara ini kemudian digunakan untuk menentukan SN median yang akan digunakan dalam penyusunan Model ST / DT.

Pengaturan berarti waktu pembibitan dan penggandaan

Untuk menetapkan rata-rata ST dan rata-rata DT untuk mengurai bidang koordinat untuk Model ST / DT ke dalam empat kuadran, digunakan subset negara yang digunakan dalam penentuan median SN. ST setiap negara dihitung sebagai waktu dalam hari yang dibutuhkan untuk mencapai SN median. ST untuk masing-masing negara ini kemudian digunakan untuk menentukan ST rata-rata keseluruhan yang akan digunakan dalam penataan Model ST / DT. DT tahap epidemi awal untuk masing-masing negara dalam subset yang sama ini dihitung sebagai jumlah rata-rata hari yang diperlukan untuk menggandakan jumlah kasus dari SN menjadi 2 × SN, lalu ke 4 × SN, dan kemudian ke 8 × SN kasus.  DT rata-rata untuk masing-masing dari tiga periode penggandaan pertama negara ini kemudian digunakan untuk menentukan DT rata-rata keseluruhan untuk digunakan dalam struktur Model ST / DT.

Analisis sensitivitas

Karena model dimaksudkan untuk digunakan berulang kali oleh negara-negara untuk menentukan bagaimana penilaian risiko mereka berubah dari waktu ke waktu berdasarkan kondisi yang berkembang seperti penerapan tindakan pengendalian, kami berusaha untuk menilai sensitivitas model terhadap perubahan ini menggunakan subset yang sama dari negara yang digunakan untuk menentukan berarti ST dan DT. Sementara ST tetap tidak berubah, pemendekan atau perpanjangan DT harus mencerminkan kondisi yang berubah, sehingga memungkinkan negara, idealnya, untuk beralih dari risiko tinggi ke risiko cukup rendah atau dari risiko cukup tinggi ke risiko rendah.

Verifikasi

Untuk memverifikasi bahwa Model ST / DT memang dapat mendeteksi perubahan dan mengubah penilaian risiko yang dihasilkan, DT tahap epidemi kemudian dihitung sebagai jumlah rata-rata hari untuk setiap negara untuk mengamati penggandaan kasus (setelah mencapai 8 × kasus SN) menjadi 16 × SN, lalu ke 32 × SN, dan terakhir ke 64 × SN kasus.  Penentuan posisi tahap epidemik selanjutnya dari setiap negara pada bidang koordinat Model ST / DT dibandingkan dengan penentuan posisi tahap sebelumnya.

Validasi

Untuk memvalidasi bahwa perubahan dalam penilaian risiko yang dideteksi oleh Model ST / DT benar-benar bermakna dan masuk akal dalam kaitannya dengan apa yang diketahui tentang perubahan kondisi di suatu negara, perubahan relatif dalam posisi negara (tahap awal ke tahap selanjutnya) dibandingkan dengan apa yang diketahui tentang wabah dan upaya respons negara-negara tersebut. Satu negara (Australia) dipilih dari kelompok 20 ini untuk analisis lebih lanjut.  Juga, satu negara (Belarusia) dari 45 negara yang digunakan untuk melakukan penilaian risiko (lihat di bawah) juga digunakan untuk analisis lebih lanjut. Dalam kedua kasus tersebut, perubahan dalam penilaian risiko dari waktu ke waktu dibandingkan dengan waktu perubahan faktor epidemi dan tindakan respons.

Menilai risiko menggunakan Model ST / DT

Untuk menggunakan Model ST / DT untuk menilai risiko epidemi di tingkat nasional, negara harus menentukan ST dan DT mereka. Menggunakan SN, ST adalah waktu, dalam hari, yang dibutuhkan untuk mengumpulkan cukup banyak kasus untuk mencapai SN dan DT awal adalah waktu yang dibutuhkan untuk menggandakan SN. Awalnya, mean dari beberapa DT pertama untuk negara tersebut harus digunakan. ST masing-masing negara dan DT kemudian diplot pada bidang koordinat (Gambar. 1a) untuk menghasilkan penilaian risiko. Kami menggunakan Model ST / DT untuk menilai risiko di negara-negara yang masih awal wabah. SN, ST, dan DT epidemi awal (yaitu, rata-rata dari dua atau tiga DT pertama) dinilai secara independen oleh dua penulis untuk sampel negara dan wilayah. Ketidaksepakatan kemudian dievaluasi oleh penulis ketiga dan dibahas sampai konsensus tercapai. Semua negara kemudian dikategorikan berdasarkan wilayah dan diplot pada bidang koordinat Model ST / DT.

HASIL

Jumlah Pembibita

Sebanyak 30 negara memenuhi kriteria inklusi dalam penentuan median SN. Kurva epidemiologi dari 30 negara ini, titik "lepas landas" epidemi, dan SN individu ditunjukkan pada Gambar  2 . SN median keseluruhan untuk 30 negara adalah 12 hari (kisaran: 3-28; kisaran interkuartil [IQR]: 10-17). Oleh karena itu, SN yang digunakan untuk Model ST / DT diatur menjadi 12 kasus. Data mentah dan ringkasan yang digunakan untuk menghitung SN median keseluruhan dapat ditemukan di file Tambahan 1 : Tabel S2 dan Tabel S3.

 

Gambar 2

Kurva epidemiologi dari 30 negara digunakan untuk menentukan nomor persemaian (SN). Semua data laporan kasus hingga 31 Maret 2020 digunakan. Beberapa peneliti secara independen menentukan titik "lepas landas" epidemi (lingkaran hitam) dan tanggal. Total kasus kumulatif pada hari sebelum tanggal "lepas landas" menentukan SN negara itu. SN median untuk 30 negara ini digunakan dalam Model ST / DT.

 

Berarti waktu pembibitan dan berarti waktu penggandaan

Di antara 30 negara ini, total 20 digunakan untuk menentukan mean ST dan mean DT. Setiap ST masing-masing negara dihitung pertama kali, menggunakan SN yang ditetapkan menjadi 12 kasus, sebagai waktu dalam hari yang dibutuhkan negara tersebut untuk mengakumulasi 12 kasus mulai dari tanggal kasus pertama. DT masing-masing negara kemudian dihitung sebagai mean dari tiga DT pertamanya (yaitu, waktu dari 12 kasus menjadi 24, dari 24 hingga 48, dan dari 48 hingga 96). ST masing-masing negara dan mean DT kemudian diplot pada bidang koordinat Model ST / DT (Gbr.  3 a). Rata-rata keseluruhan dari nilai ST individu 20 negara dihitung menjadi 18 hari (kisaran: 2-39). Jadi, untuk Model ST / DT, rata-rata ST diatur ke 18 hari seperti yang ditunjukkan oleh garis vertikal hitam pada Model ST / DT (Gbr.  3Sebuah). Rata-rata keseluruhan dari nilai DT rata-rata individu dari 20 negara dihitung menjadi 5 hari (kisaran: 0,67-15,67). Jadi, untuk Model ST / DT, rata-rata DT disetel ke 5 hari seperti yang ditunjukkan oleh garis hitam horizontal pada Model ST / DT (Gbr. 3 a). Data mentah dan ringkasan yang digunakan untuk menghitung ST dan DT spesifik negara dan mean keseluruhan ST dan mean DT dapat ditemukan di File tambahan 1 : Tabel S2 dan Tabel S3.

 

Gambar 3

Penentuan mean seeding time (ST) dan mean doubling time (DT) serta analisis sensitivitas Model ST / DT.  

a Dengan nomor penyemaian (SN) diatur menjadi 12 kasus untuk semua negara dan waktu penyemaian (ST) untuk setiap negara dihitung sebagai jumlah hari yang dibutuhkan untuk mencapai SN = 12, waktu penggandaan tahap epidemi awal (DT) untuk setiap negara dihitung sebagai jumlah rata-rata hari yang diperlukan untuk mengamati kasus berlipat ganda menjadi 24, 48, dan kemudian 96 kasus. Semua 20 negara diplot pada bidang koordinat Model ST / DT dan rata-rata keseluruhan ST ditemukan menjadi 18 hari (garis vertikal) dan rata-rata keseluruhan DT ditemukan menjadi 5 hari (garis horizontal).  

b. Untuk analisis sensitivitas, DT tahap epidemi kemudian dihitung sebagai jumlah rata-rata hari untuk setiap negara untuk mengamati kasus dua kali lipat menjadi 192, 384, dan 768 kasus. Negara-negara dengan perubahan terbesar dari tahap awal ke tahap selanjutnya adalah Australia, Malaysia, dan Thailand, yang semuanya berpindah dari risiko sedang ke risiko tinggi. Vietnam juga mengalami penurunan DT tetapi tetap memiliki risiko yang cukup rendah. Semua negara dalam kuadran risiko cukup tinggi bergerak mendekati garis DT rata-rata tetapi tidak menyeberang ke kuadran risiko rendah. Satu-satunya negara yang tidak bergerak sama sekali (yaitu, tidak ada perubahan DT) adalah Swiss.

 

Verifikasi model (hasil analisis sensitivitas)

 

Hasil bagian verifikasi dari analisis sensitivitas ditunjukkan pada Gambar. 3 . Ketika 20 negara yang sama diplot pada bidang koordinat Model ST / DT di awal epidemi mereka (Gbr. 3 a) dan kemudian dalam epidemi mereka (Gbr. 3b), perubahan posisi dapat diamati di sebagian besar negara. Misalnya, perubahan besar yang terjadi di Thailand (DT dipersingkat 12,7 hari), Australia (DT dipersingkat 10,0 hari), Malaysia (DT dipersingkat 8,0 hari), dan Vietnam (DT dipersingkat 6,3 hari) sehingga semuanya kecuali Vietnam Nam pindah dari kuadran risiko cukup rendah ke kuadran risiko tinggi. Meskipun tidak ada negara dalam kuadran risiko cukup tinggi pindah ke kuadran risiko rendah, beberapa bergerak lebih dekat — DT Italia diperpanjang 1,3 hari, DT Belgia diperpanjang 2,3 hari, dan DT Filipina diperpanjang 2,3 hari. Satu-satunya negara yang tidak bergerak adalah Swiss, yang memiliki DT 2,0 hari di awal dan kemudian dalam epidemi. Data mentah dan ringkasan yang digunakan untuk melakukan analisis sensitivitas dapat ditemukan di file Tambahan 1: Tabel S2 dan Tabel S3.

Hasil penilaian risiko dihasilkan dengan menggunakan model ST / DT

Seperti yang ditunjukkan pada Gambar.  4 , kami dapat menentukan lokasi sampel dari 45 negara pada bidang koordinat Model ST / DT. Sebanyak 39 negara (87%) ditemukan berisiko tinggi, yang berarti mereka memiliki ST pendek dan DT pendek. Sebagai catatan, Belarus dan Georgia di Wilayah Eropa ditemukan memiliki risiko yang cukup rendah (yaitu, ST pendek, DT panjang) seperti halnya Kuwait, Oman, dan wilayah Palestina yang diduduki di Wilayah Mediterania Timur. Satu-satunya negara yang dinilai berisiko cukup tinggi adalah Nigeria, di Wilayah Afrika. Tidak ada negara yang dinilai berisiko rendah. Data ringkasan yang digunakan untuk melakukan penilaian risiko dengan menggunakan Model ST / DT dapat ditemukan di file Tambahan 1 : Tabel S4.

 

Gambar 4

Penggunaan Model ST / DT untuk melakukan penilaian risiko untuk 45 negara dan wilayah dengan jumlah total kumulatif kasus antara 100 dan 500 per 31 Maret 2020.  

a Wilayah Eropa,  

b Wilayah Mediterania Timur, 

c Wilayah Amerika, dan  

d Afrika Wilayah. ST dan DT semua negara menempatkan mereka pada kuadran risiko tinggi kecuali Georgia, Belarus, Kuwait, Oman, dan wilayah Palestina yang diduduki, yang dinilai berisiko cukup rendah (DT panjang, tetapi ST pendek) dan Nigeria, yang dinilai. sebagai risiko cukup tinggi (ST panjang, tapi DT pendek)

 

Validasi model (hasil analisis sensitivitas)

 

Untuk memvalidasi bahwa perubahan dalam penilaian risiko dari waktu ke waktu yang dideteksi oleh model itu bermakna, kami membandingkan perubahan ini dengan laporan fitur epidemi resmi negara tertentu dan ukuran respons untuk dua negara — Australia dan Belarusia.

Tiga DT pertama Australia panjang, memiliki rata-rata 13 hari dari 1 Februari (mencapai 12 kasus SN) hingga 10 Maret (total kumulatif 92 kasus yang dilaporkan; Gbr. 3 a). Selama waktu ini, laporan epidemiologi mingguan nasional menunjukkan bahwa semua kasus yang diketahui terkait dengan perjalanan dari China, Iran (Republik Islam), atau kapal pesiar Diamond Princess. Satu-satunya tindakan tanggapan yang diambil selama periode ini, selain isolasi kasus yang diketahui, adalah pembatasan perjalanan ke daratan Cina (13 Februari), Iran (29 Februari), dan Republik Korea (5 Maret) [ 14 , 15 , 16 , 17 , 18]. Tiga DT kedua Australia secara dramatis lebih pendek, memiliki rata-rata 3 hari dari 11 Maret (112 kasus kumulatif) hingga 19 Maret (681 kasus kumulatif; Gambar  3 b). Pada tanggal 7 Maret, total 15 kasus ditentukan tidak memiliki riwayat perjalanan ke luar negeri baru-baru ini, menunjukkan bahwa penyebaran komunitas telah dimulai [ 18 ]. Hanya 1 minggu kemudian, 34% kasus diketahui didapat secara lokal [ 19 ]. Tindakan respons tingkat populasi yang lebih luas di Australia baru mulai diterapkan pada tanggal 20 Maret [ 19]. Mengingat konteks ini, kami memperkirakan Australia akan beralih dari penilaian risiko yang cukup rendah, ke penilaian risiko tinggi — virus mulai tertahan, penularan komunitas menjadi lebih umum, dan jumlah kasus meningkat, namun tindakan tanggapan yang lebih agresif, seperti jarak sosial, belum diterapkan.

Hasil menggunakan Belarus sebagai negara contoh untuk model validasi ditunjukkan pada Gambar.  5 . Kasus pertama COVID-19 dilaporkan di Belarusia pada 28 Februari. Empat belas hari kemudian ada 12 kasus dan dengan demikian SN tercapai. Jadi, ST <18 hari dan rata-rata dari tiga DT pertama adalah> 5 hari, menempatkan Belarusia awalnya pada kuadran risiko rendah dari Model ST / DT (Gbr. 4 a). Namun, meskipun pengujian sedang ditingkatkan, kasus dan kontak tingkat pertama diisolasi, dan beberapa penyaringan dilakukan di titik masuk nasional utama, jarak sosial hanya diterapkan sebagian, dan penegakan dibatasi [ 20]. Jadi, DT mulai memendek — epidemi semakin cepat. Bergulir rata-rata 3DT (yaitu, rata-rata DT1–3 vs DT2–4 vs DT3–5, dll.) Menunjukkan bahwa mean DT menurun, dan Belarus menyeberang ke kuadran risiko tinggi model. Rata-rata DT hanya mendapat ~ 3 hari, dan WHO menanggapi permintaan bantuan dengan mengunjungi, melakukan penilaian, dan melaporkan rekomendasi kunci untuk penerapan langkah-langkah pengendalian yang ditingkatkan. DT kemudian diperpanjang lagi, melebihi 5 hari, dan Belarusia kembali memasuki kuadran risiko rendah. Meskipun epidemi masih terus berkembang, penyebarannya tidak secepat sebelumnya.

Gambar 5

Kurva epidemiologi Belarusia sebagai ilustrasi bagaimana penilaian risiko berubah dari waktu ke waktu, 28 Februari 2020 hingga 8 Mei 2020. Belarusia mencapai SN (12 kasus) pada 12 Maret, untuk ST 14 hari (di bawah ST rata-rata 18 hari) . Rata-rata dari 3 DT pertamanya (semua DT ditandai pada kurva sebagai berlian hitam) adalah 5,7 hari, menempatkan Belarusia pada awalnya di kuadran risiko rendah (kuning) dari Model ST / DT. Namun, saat DT mulai memendek, Belarusia beralih ke kuadran risiko tinggi (merah) Model ST / DT dan Menteri Kesehatan meminta bantuan dari WHO. Meskipun Belarus telah menguji kasus yang dicurigai; mengisolasi kasus yang dikonfirmasi, kontak tingkat pertama, dan pendatang baru dari negara yang terkena COVID-19; dan menerapkan sebagian jarak sosial sukarela sambil meningkatkan kapasitas rumah sakit, langkah-langkah ini jelas belum cukup.Rekomendasi utama untuk Belarusia oleh WHO termasuk peningkatan dramatis dalam jarak sosial wajib (misalnya, membatalkan acara dan pertemuan, menerapkan kerja dan sekolah jarak jauh, menutup bisnis yang tidak penting, membatasi pergerakan yang tidak penting), meningkatkan pengujian (yaitu, memperluas format pengujian , memastikan kualitas alat tes, dan memperkuat skrining masuk), dan memperkuat infrastruktur sistem kesehatan [20 ]. Perpanjangan DT yang menonjol telah diamati, mengembalikan Belarusia ke risiko yang cukup rendah dalam Model ST / DT.

Diskusi

Dalam studi ini, kami menggunakan data pelaporan kasus COVID-19 yang tersedia untuk umum di tingkat negara / wilayah untuk mengembangkan model sederhana yang dapat digunakan untuk menilai risiko wabah "lepas landas". Model ST / DT ini dimaksudkan untuk digunakan berulang-ulang di tingkat nasional oleh pembuat kebijakan dan lainnya untuk mengevaluasi wabah mereka dan keefektifan upaya tanggapan mereka. Kami menggunakan model ini untuk melakukan penilaian risiko pada wabah di 45 negara / wilayah di 4 wilayah yang masih memiliki antara 100 dan 500 kasus per 31 Maret 2020. Temuan utama kami adalah bahwa 87% (39/45) berisiko tinggi untuk wabah mereka lepas landas dan memasuki tahap epidemi yang berkembang pesat. Negara-negara ini perlu mengambil tindakan segera untuk menerapkan tindakan pengendalian. Meskipun 45 negara ini mewakili kurang dari 10% populasi global, sebagian besar berpenghasilan rendah atau menengah,dan oleh karena itu kemungkinan besar tidak memiliki infrastruktur sistem kesehatan yang mampu menangani sejumlah besar infeksi yang telah dialami oleh negara-negara yang lebih jauh dalam epidemi mereka. Memang, epidemi COVID-19 yang meluas di negara-negara ini berpotensi menghasilkan bencana kemanusiaan yang serius.

Analisis sensitivitas yang kami lakukan dengan Model ST / DT diverifikasi bahwa ia dapat mendeteksi perubahan dalam dua arah — meningkatkan DT sehingga menurunkan risiko, dan menurunkan DT sehingga meningkatkan risiko. Perubahan ini mencerminkan kombinasi yang kompleks dari faktor-faktor yang terkait dengan epidemi itu sendiri (misalnya, dinamika penularan) dan tanggapan negara terhadap epidemi (yaitu, strategi penahanan dan mitigasi serta kapan dan seberapa baik penerapannya). Untuk memvalidasi bahwa perubahan yang dideteksi model itu bermakna, kami membandingkan perubahan ini dengan pelaporan COVID-19 dari dua negara. Untuk Australia, model ST / DT mampu mendeteksi pemendekan DT dan perubahan penilaian risiko dari risiko cukup rendah ke risiko tinggi menjelang penerapan ukuran jarak sosial Australia [ 19]. Untuk Belarusia, Model ST / DT dapat mendeteksi pemendekan DT dan perubahan penilaian risiko dari risiko sedang menjadi risiko tinggi ketika jarak sosial hanya diterapkan secara sukarela dan sebagian. Namun, setelah berkonsultasi dengan WHO, Belarus menerapkan tindakan yang lebih ketat secara nasional [ 20 ]. DT sejak itu diperpanjang. Model ST / DT menunjukkan bahwa Belarus telah kembali ke risiko yang cukup rendah. Hasil ini memvalidasi Model ST / DT kami, yang menunjukkan bahwa model tersebut dapat menghasilkan penilaian yang bermakna.

Terlepas dari demonstrasi ini bahwa Model ST / DT untuk penilaian risiko epidemi COVID-19 kami dapat menambah nilai saat pembuat keputusan di seluruh dunia menilai opsi respons epidemi mereka, model kami memiliki beberapa keterbatasan. Pertama, karena kami sengaja membangun Model ST / DT untuk hanya menggunakan data pelaporan kasus, sehingga akan mudah, nyaman, dan intuitif untuk digunakan di negara-negara yang tidak memiliki kapasitas pengumpulan data yang canggih, keputusan ini membatasi model dalam arti keluaran hanya sebaik masukan data laporan kasus. Data ini mungkin bias oleh faktor-faktor yang dapat mempengaruhi kualitas dan kuantitas pelaporan kasus, yang akan berbeda di setiap negara. Bias informasi ini tidak hanya mempengaruhi penilaian risiko masing-masing negara, tetapi juga dapat mempengaruhi median SN, mean ST,dan berarti DT digunakan untuk menyusun model. Namun, kami mencoba mengurangi risiko ini dengan mengambil sampel negara yang relatif besar dalam tahap epidemi yang sama untuk menentukan titik setel untuk variabel model ini. Kedua, rata-rata DT epidemi awal di 20 negara ditemukan selama 5 hari, yang konsisten dengan perkiraan periode inkubasi SARS-CoV-2,¹¹ memberikan kepercayaan kepada parameter model ini. Namun demikian, karena lebih banyak yang dipelajari dan lebih banyak kasus dilaporkan DT berarti, dan parameter model lainnya, perlu diperbarui untuk meningkatkan Model ST / DT karena semakin banyak informasi yang lebih baik tersedia.

Kesimpulan

Singkatnya, karena COVID-19 menyebar dengan cepat di seluruh dunia, dan setiap negara menemuinya pada waktu yang sedikit berbeda dan dalam kondisi yang berbeda, setiap pemerintah harus memutuskan kapan dan bagaimana menanggapi ancaman kesehatan yang sangat serius ini.  Proses pengambilan keputusan ini harus mencakup beberapa evaluasi tingkat risiko yang dihadapi negara sehubungan dengan apakah wabah mereka akan berkembang pesat menjadi epidemi besar.  Selain itu, banyak negara, terutama yang memiliki infrastruktur kesehatan publik yang lebih lemah, mungkin hanya memiliki data laporan kasus dan mungkin kekurangan kapasitas yang diperlukan untuk mengembangkan pemodelan canggih mereka sendiri.  Model ST / DT kami yang sederhana, intuitif, dan pragmatis memenuhi kebutuhan mendesak ini dan dapat berfungsi sebagai alat untuk memantau keefektifan tindakan respons, mendorong pengambilan keputusan yang tepat waktu dan terinformasi.

DAFTAR PUSTAKA

1.       Wuhan Municipal Health Commission. Report of clustering pneumonia of unknown etiology in Wuhan City. 2019. http://wjw.wuhan.gov.cn/front/web/showDetail/2019123108989. Accessed 7 May 2020.

2.        Novel Coronavirus Pneumonia Emergency Response Epidemiology Team. Vital surveillances: the epidemiological characteristics of an outbreak of 2019 novel coronavirus diseases (COVID-19)—China, 2020. China CDC Weekly. 2020;2(8):113–22.

3.        Wu Z, McGoogan JM. Characteristics of and important lessons from the coronavirus disease 2019 (COVID-19) outbreak in China: summary of a report of 72 314 cases from the Chinese Center for Disease Control and Prevention. JAMA. 2020. https://doi.org/10.1001/jama.2020.2648.

4.       World Health Organization. WHO–China Joint Mission on coronavirus disease 2019 (COVID-19). https://www.who.int/news-room/feature-stories/detail/who-china-joint-mission-on-coronavirus-disease-2019-(covid-19). Accessed 7 May 2020.

5.        World Health Organization. Statement on the second meeting of the International Health Regulations (2005) Emergency committee regarding the outbreak of novel coronavirus (2019-nCoV). 2020. https://www.who.int/news-room/detail/30-01-2020-statement-on-the-second-meeting-of-the-international-health-regulations-(2005)-emergency-committee-regarding-the-outbreak-of-novel-coronavirus-(2019-ncov). Accessed 7 May 2020.

6.       World Health Organization. WHO Director-General’s opening remarks at the media briefing on COVID-19. 2020. https://www.who.int/dg/speeches/detail/who-director-general-s-opening-remarks-at-the-media-briefing-on-covid-19---11-march-2020. Accessed April 13, 2020.

7.       World Health Organization. Coronavirus disease 2019 (COVID-19) situation report – 109. 2020. https://www.who.int/docs/default-source/coronaviruse/situation-reports/20200508covid-19-sitrep-109.pdf?sfvrsn=68f2c632_2. Accessed 8 May 2020.

8.        Wu JT, Leung K, Leung GM. Nowcasting and forecasting the potential domestic and international spread of the 2019-nCoV outbreak originating in Wuhan, China: a modelling study. Lancet. 2020;395(10225):689–97.

9.        Zhao S, Musa SS, Lin Q, Ran J, Yang G, Wang W, et al. Preliminary estimation of the basic reproduction number of novel coronavirus (2019-nCoV) in China, from 2019 to 2020: a data-driven analysis in the early phase of the outbreak. Int J Infect Dis. 2020;92:214–7.

10.    Tang B, Bragazzi NL, Li Q, Tang S, Xiao Y, Wu J. An updated estimation of the risk of transmission of the novel coronavirus (2019-nCov). Infect Dis Model. 2020;5:248–55.

11.     Lauer SA, Grantz KH, Bi Q, Jones FK, Zheng Q, Meredith HR, et al. The incubation period of coronavirus disease 2019 (COVID-19) from publicly reported confirmed cases: estimation and application. Ann Intern Med. 2020. https://doi.org/10.7326/M20-0504.

12.    Enserink M, Kupferschmidt K. With COVID-19, modeling takes on life and death importance. Science. 2020;367(6485):1414–5.

13.    Xu B, Kraemer MUG. Open access epidemiological data from the COVID-19 outbreak. Lancet Infect Dis. 2020;20(5):543.

14.    COVID-19 National Incident Room Surveillance Team. COVID-19, Australia: epidemiology report 2 (reporting week ending 19:00 AEDT 8 February 2020). Commun Dis Intell (2018). 2020. https://doi.org/10.33321/cdi.2020.44.14.

15.    COVID-19 National Incident Room Surveillance Team. COVID-19, Australia: epidemiology report 3 (reporting week ending 19:00 AEDT 15 February 2020). Commun Dis Intell (2018). 2020. https://doi.org/10.33321/cdi.2020.44.15.

16.    COVID-19 National Incident Room Surveillance Team. COVID-19, Australia: epidemiology report 4 (reporting week ending 19:00 AEDT 22 February 2020). Commun Dis Intell (2018). 2020. https://doi.org/10.33321/cdi.2020.44.17.

17.     COVID-19 National Incident Room Surveillance Team. COVID-19, Australia: epidemiology report 5 (reporting week ending 19:00 AEDT 29 February 2020). Commun Dis Intell (2018). 2020. https://doi.org/10.33321/cdi.2020.44.20.

18.       COVID-19 National Incident Room Surveillance Team. COVID-19, Australia: epidemiology report 6 (reporting week ending 19:00 AEDT 7 March 2020). Commun Dis Intell (2018). 2020. https://doi.org/10.33321/cdi.2020.44.21.

19.     COVID-19 National Incident Room Surveillance Team. COVID-19, Australia: epidemiology report 7 (reporting week ending 19:00 AEDT 14 March 2020). Commun Dis Intell (2018). 2020. https://doi.org/10.33321/cdi.2020.44.23.

20.    World Health Organization. COVID-19 Technical Mission of Experts to the Republic of Belarus: 8–11 April 2020. http://www.euro.who.int/__data/assets/pdf_file/0004/440608/Belarus-Mission-Report-Executive-Summary.pdf?ua=1 . Accessed 7 May 2020.

Sumber:

Lei Zhou, Jiang-Mei Liu, Xiao-Ping Dong, Jennifer M. McGoogan and Zun-You Wu.  2020. COVID-19 seeding time and doubling time model: an early epidemic risk assessment tool.  Infectious Diseases of Poverty volume 9, Article number: 76 (2020)