Autore: Walter Martelli, Istituto Zooprofilattico Sperimentale del Piemonte, Liguria e Valle d’Aosta
walter.martelli@izsto.it
Elisabetta Crescio, Tecnológico de Monterrey, Messico Aitor Garcia Vozmediano, Istituto Zooprofilattico Sperimentale del Piemonte, Liguria e Valle d’Aosta, Italia Chiara Pasqualini, Regione Piemonte – Regional Service for Surveillance and Control of Infectious Diseases (SEREMI), I-15121 Alessandria, Italia Daniela Lombardi, Regione Piemonte – Regional Service for Surveillance and Control of Infectious Diseases (SEREMI), I-15121 Alessandria, Italia Giuseppe Ru, Istituto Zooprofilattico Sperimentale del Piemonte, Liguria e Valle d’Aosta
Categoria Primaria: One health/Epidemiologia veterinaria
Categoria Secondaria: Metodi epidemiologici e biostatistici
Introduzione: La leishmaniosi è una malattia parassitaria zoonotica trasmessa da flebotomi endemica in diversi paesi del mediterraneo, compresa l’Italia. I dati disponibili evidenziano una sotto-segnalazione della leishmaniosi nell’uomo (HumLs) e la conseguente necessità di migliorare i sistemi di sorveglianza. I cani sono considerati il principale serbatoio di Leishmania; l’incidenza di leishmania canina (CanLs) nei paesi endemici in Europa è in aumento a causa dei viaggi, del trasferimento di cani da aree endemiche a zone non endemiche e a causa del riscaldamento globale in grado di favorire sia il flebotomo che il patogeno.
Obiettivi: Questo lavoro, attraverso l’uso di tecniche di machine learning, si propone di mettere a sistema i dati sulla leishmania canina e umana e dati ambientali per prevedere nello spazio e nel tempo il rischio di insorgenza di focolai umani nella regione Piemonte. Preliminarmente, per confermare l’associazione tra casi di leishmania nel cane e malattia nell’uomo, è stato condotto uno studio caso-controllo su base comunale.
Metodi: I dati relativi a HumLs sono stati raccolti dal servizio regionale di epidemiologia delle malattie infettive, mentre i dati relativi ai test nei cani sono stati raccolti dall’Istituto Zooprofilattico del Piemonte; il dataset è stato corredato anche di variabili ambientali. Sono stati definiti diversi lag temporali per valutare l’associazione, in diversi scenari, tra CanLs e HumLs. Nell’analisi statistica sono stati usati modelli di regressione logistica e modelli Random Forest di machine learning (MRFs-ML); la capacità di predizione di HumLs per l’anno 2019 è stata valutata allenando diversi MRFs-ML sul periodo 2014-2018. Risultati: In Piemonte, nel periodo 2014-2019, sono stati riportati 51 casi di HumLs e 8.015 test di cui 1.702 positivi nei cani. I comuni con la più alta probabilità (OR=3,66; IC90 1.88-7.14) di osservare casi di HumLs sono risultati essere quelli in cui erano stati registrati casi di CanLs nei due anni precedenti. È stata inoltre osservata un’associazione con OR crescenti all’aumentare del lag tra CanL e HumL negli anni. Nei MRFs-ML la percentuale di accuratezza ottenuta dai modelli varia tra l’82% e il 92%, mentre il MAPE (mean absolute percentage error) varia tra l’11,51% e il 15,55%. Conclusioni: Lo studio caso-controllo ha confermato l’ipotesi di associazione tra casi di CanLs e casi di HumLs in Piemonte e l’opportunità di utilizzare quindi i dati canini. Attraverso gli MRFs-ML è stato possibile produrre mappe utili ad identificare nel tempo le aree a maggior rischio di comparsa di nuovi casi di HumL. Per consentire previsioni più accurate, sarà necessario ampliare il database disponibile. I risultati di questo lavoro potrebbero essere utili nella programmazione di campagne di screening volte ad evidenziare casi umani non segnalati e contribuiranno a migliorare l’uso dei dati veterinari e ambientali già disponibili per scopi di sanità pubblica.