Kontekst badania
Monitorowanie ścieków jako narzędzie nadzoru epidemiologicznego zyskało na znaczeniu w okresie pandemii COVID-19, szczególnie w sytuacji ograniczonego testowania klinicznego. Wiele badań wskazuje na silną korelację między stężeniem SARS-CoV-2 w ściekach a liczbą zakażeń i hospitalizacji. W Danii klasyfikacja przyczyn hospitalizacji z powodu COVID-19 ma trzytygodniowe opóźnienie, co utrudnia szybkie przewidywanie obciążenia systemu opieki zdrowotnej. Celem badania było sprawdzenie, czy uwzględnienie danych ze ścieków może poprawić prognozy liczby przyszłych hospitalizacji i dostarczyć bardziej aktualnych informacji dla decydentów w zakresie zdrowia publicznego.
Cele i hipotezy
Badanie miało na celu: Określenie, czy uwzględnienie stężeń SARS-CoV-2 w ściekach poprawia przewidywanie liczby hospitalizacji związanych z COVID-19. Sprawdzenie, czy zmiany w stężeniu wirusa w ściekach poprzedzają wzrost liczby hospitalizacji, co pozwoliłoby na wcześniejsze ostrzeganie systemu ochrony zdrowia. Ocenę skuteczności różnych wariantów modeli predykcyjnych, w tym modeli uwzględniających i nieuwzględniających danych ze ścieków.
Metody badawcze
Badanie opierało się na danych zbieranych od 23 marca 2022 do 31 marca 2024 w Danii. Dane o hospitalizacjach pochodziły z krajowego rejestru pacjentów, a próbki ścieków pobierano z różnych lokalizacji. Początkowo analizowano próbki z 202 punktów poboru, ale w trakcie badania liczbę punktów zmniejszono do 29. Wirus SARS-CoV-2 w ściekach był wykrywany techniką RT-qPCR, a jako wskaźniki kałowe stosowano PMMoV i crAssphage. Do modelowania liczby hospitalizacji wykorzystano modele przestrzeni stanów (state-space models) z filtrami Kalmana, testując trzy wersje: MWo – model nieuwzględniający danych o ściekach; MW – model uwzględniający stężenie SARS-CoV-2 w ściekach; MWlag – model z opóźnieniem uwzględnienia danych o ściekach, by sprawdzić, czy zmiany w ściekach wyprzedzają wzrost hospitalizacji. Każdy model generował pięciotygodniowe prognozy: dwa hindcasty – dotyczące przeszłości (hospitalizacje rejestrowane z opóźnieniem); jeden nowcast – prognoza bieżącego tygodnia; dwa forecasty – prognozy na przyszłość.
Rezultaty badań i ich interpretacja
Analiza wykazała, że modele uwzględniające dane o stężeniu SARS-CoV-2 w ściekach skuteczniej prognozowały liczbę hospitalizacji niż model bazujący wyłącznie na danych klinicznych. Modele MW i MWlag miały wyższe wartości log-likelihood, co oznacza, że ich prognozy były bardziej precyzyjne i lepiej dopasowane do rzeczywistych danych. Najlepsze wyniki uzyskano dla modelu MW, który uwzględniał bieżące stężenie wirusa w ściekach, natomiast model MWlag, w którym dane ściekowe były przesunięte o tydzień, nie wykazał istotnej poprawy w prognozowaniu hospitalizacji. Oznacza to, że choć istnieje silna korelacja między obecnością wirusa w ściekach a hospitalizacjami, zmiany w ściekach nie zawsze wyprzedzają wzrost hospitalizacji w stopniu, który mógłby znacząco poprawić prognozy.
Największa różnica między modelami uwzględniającymi i nieuwzględniającymi dane o ściekach była widoczna w krótkoterminowych prognozach na 1–2 tygodnie. Modele MW i MWlag skuteczniej przewidywały liczbę hospitalizacji w tych okresach, podczas gdy model MWo miał większy poziom niepewności i częściej odbiegał od rzeczywistych wartości. W dłuższych prognozach (3–5 tygodni) różnice między modelami malały, ale nadal modele ze ściekami wykazywały lepsze dopasowanie do rzeczywistych danych. Zaobserwowano również, że skuteczność prognoz była wyższa w okresach stabilnych, podczas gdy w momentach gwałtownych zmian liczby hospitalizacji, spowodowanych np. nowymi wariantami wirusa lub zmianami w zachowaniach społecznych, modele traciły na dokładności.
Warto również podkreślić, że uwzględnienie danych ściekowych pozwalało na zmniejszenie opóźnienia wynikającego z trzytygodniowego okresu klasyfikacji hospitalizacji. W praktyce oznaczało to, że prognozy mogły dostarczać aktualnych informacji o rzeczywistym obciążeniu systemu ochrony zdrowia, zanim dane kliniczne stały się dostępne. Dzięki temu modele z danymi o ściekach mogły być użyteczne w podejmowaniu decyzji dotyczących działań zdrowotnych, takich jak alokacja zasobów medycznych czy przygotowanie na wzrost hospitalizacji.
Pod względem niepewności prognoz, zauważono, że zwiększała się ona wraz z wydłużeniem horyzontu czasowego prognozy. Prognozy krótkoterminowe były bardziej precyzyjne, ale w dłuższym okresie modele miały trudności z przewidywaniem nagłych zmian trendów. W szczególności modele miały problemy z przewidzeniem gwałtownych spadków liczby hospitalizacji, co wskazuje na konieczność uwzględniania dodatkowych czynników, takich jak odporność populacyjna czy zmiany w polityce zdrowotnej.
Wnioski
Uwzględnienie danych o SARS-CoV-2 w ściekach poprawia prognozy liczby hospitalizacji z powodu COVID-19. Modele bazujące na danych ze ścieków są szczególnie skuteczne w krótkoterminowych prognozach, co może pomóc w planowaniu działań zdrowotnych. Nie wykazano, aby wcześniejsze zmiany w stężeniach wirusa w ściekach istotnie wyprzedzały wzrost hospitalizacji, co oznacza, że ścieki nie mogą być jedynym źródłem danych predykcyjnych. Systemy predykcyjne powinny integrować różne źródła danych, aby uzyskać pełniejszy obraz sytuacji epidemiologicznej.
Ograniczenia zakresu badawczego
Geograficzny zasięg badania – dane dotyczyły wyłącznie Danii, co może ograniczać możliwość ich uogólnienia na inne kraje o odmiennych systemach zdrowotnych i warunkach epidemiologicznych. Zmiana metodologii – w trakcie badania zmieniło się laboratorium analizujące próbki ścieków, co mogło wpłynąć na spójność danych. Brak uwzględnienia nowych wariantów SARS-CoV-2 – modele nie uwzględniały potencjalnego wpływu zmieniających się wariantów wirusa na dynamikę zakażeń i hospitalizacji. Efekt szczepień i odporności populacyjnej – nie analizowano, w jakim stopniu odporność zbiorowa wpływała na prognozy hospitalizacji. Ograniczenia predykcyjne – modele działały dobrze w warunkach stabilnych, ale miały trudności z przewidywaniem gwałtownych skoków hospitalizacji. Ściekowe systemy monitorowania mogą stanowić cenne narzędzie nadzoru epidemiologicznego, zwłaszcza w warunkach ograniczonego testowania populacyjnego.
Podsumowanie
Badanie wykazało, że monitorowanie SARS-CoV-2 w ściekach może znacząco poprawić krótkoterminowe prognozy liczby hospitalizacji z powodu COVID-19, ale nie może zastąpić klasycznych metod nadzoru epidemiologicznego. Połączenie danych klinicznych i ściekowych może stanowić skuteczne narzędzie do monitorowania sytuacji epidemiologicznej i podejmowania decyzji zdrowotnych.
Artykuł opublikowany w Science of The Total Environment.