Negli ultimi anni, il mondo ha vissuto una profonda trasformazione nella percezione delle malattie infettive e del loro impatto sulla salute pubblica. La pandemia da COVID-19 ha messo in luce l’importanza di una risposta rapida e coordinata alle emergenze sanitarie, spingendo governi, istituzioni e comunità scientifiche a riconsiderare le priorità nella gestione della salute pubblica. Questa nuova consapevolezza ha amplificato l’attenzione verso una serie di malattie infettive, compresa l’Influenza aviaria, che rappresenta una minaccia sempre presente, seppur spesso sottovalutata, per la salute globale.
L’Influenza aviaria ha una lunga storia di coesistenza con gli esseri umani e gli animali, ma il rischio di una trasmissione interspecie e la possibilità di mutazioni virali hanno sollevato seri interrogativi sulla sua gestione e controllo. L’emergenza sanitaria legata al COVID-19 ha messo in luce l’importanza della sorveglianza epidemiologica e della condivisione tempestiva dei dati per prevenire la diffusione delle malattie infettive. Il monitoraggio costante delle malattie zoonotiche richiede un approccio olistico che coinvolga la collaborazione tra scienziati, professionisti della salute, istituzioni governative e organizzazioni internazionali. Gli open data giocano un ruolo chiave in questo contesto, consentendo una maggiore trasparenza e condivisione delle informazioni, rafforzando la fiducia del pubblico nelle istituzioni e nelle politiche sanitarie e promuovendo una maggiore consapevolezza e aderenza alle misure di prevenzione e controllo.
La raccolta e condivisione di dati epidemiologici in formato machine-readable, estratti dai bollettini rilasciati in formato PDF da fonti autorevoli come l’Autorità Europea per la Sicurezza Alimentare (EFSA), il Centro Europeo per la Prevenzione e il Controllo delle Malattie (ECDC) e il Laboratorio di Riferimento dell’Unione Europea per i Nematodi Parassitari delle Piante (EURL) e resi disponibili tramite un repository su GitHub con licenza Creative Commons Attribution 4.0 International (CC BY 4.0), ha agevolato gli sforzi di sorveglianza fornendo un aggiornamento epidemiologico pubblico, completo e tempestivo sulla diffusione a livello globale della malattia. Ad esempio, a partire dal dataset creato, è stato possibile studiare le tendenze e i modelli spazio-temporali dei focolai di Influenza aviaria in Italia nel pollame domestico e nei volatili selvatici da ottobre 2021 a luglio 2023.
Sfruttando la cosiddetta hotspot analysis usando la statistica Getis-Ord Gi* è stato possibile identificare con precisione le aree geografiche in cui si sono verificati cluster significativi di casi, cioè Lombardia, Veneto ed Emilia-Romagna, sottolineando l’importanza di implementare una sorveglianza attiva e di adottare interventi mirati in queste specifiche aree per contenere la diffusione dell’infezione.
È stato possibile anche sperimentare alcune tecniche innovative come l’utilizzo di indici economici che promette di essere particolarmente promettente nell’ambito dell’epidemiologia. Ecco una sintesi dei tre indici usati per fornire una panoramica completa della situazione dell’Influenza aviaria in Italia:
- Homogeneity Index (HI): Valuta la diversità dei casi di Influenza aviaria all’interno di ciascuna regione. Un HI più alto indica una distribuzione più omogenea dei casi, mentre un valore più basso suggerisce maggiore diversità. Questo indice permette di valutare gli effetti a catena di un’epidemia e comprendere il livello di uniformità nella diffusione della malattia all’interno delle regioni.
- Specialization Index (SI): Aiuta a identificare le regioni con casi di influenza aviaria meno eterogenei rispetto al conteggio territoriale globale marginale. Le regioni con valori più bassi di SI sono considerate meno specializzate in termini di incidenza della malattia. Comprendere questo indice consente di individuare le aree in cui le misure di controllo della malattia dovrebbero essere intensificate e di allocare strategicamente le risorse per affrontare le esigenze specifiche delle regioni meno specializzate.
Il gabbiano comune (Chroicocephalus ridibundus) è risultato essere la specie più omogenea con un valore di HI pari a 44. Le regioni meno omogenee sono risultate essere Emilia-Romagna e Veneto con valori di HI rispettivamente di 3.41 e 10.20. Le regioni con una distribuzione meno eterogenea dei casi di Influenza aviaria rispetto al conteggio territoriale globale marginale sono risultate essere Veneto, Lombardia ed Emilia-Romagna con valori di SI rispettivamente di 15.72, 24.53 e 28.62.
- Location Index (LI): Aiuta a comprendere i patterns di diffusione della malattia. Identifica le regioni con forti legami e prossimità che potrebbero facilitare la trasmissione rapida dell’Influenza aviaria. Analizzando questo indice, è possibile individuare le aree più suscettibili all’impatto della malattia e implementare interventi mirati per prevenire ulteriori diffusioni.
Il raggruppamento delle specie in categorie A*, B** e C*** è stato utilizzato per semplificare l’analisi dei dati e consentire una migliore comprensione della distribuzione dei casi di influenza aviaria tra le diverse specie di uccelli coinvolte. Per la specie A, si osserva che la Lombardia ha il valore più alto di LI con 1.40, indicando una concentrazione particolarmente elevata di questa specie rispetto alle altre regioni. Per la specie B, Piemonte e Veneto presentano i valori più alti di indice di localizzazione rispettivamente con 3.68 e 1.59, suggerendo una maggiore concentrazione di questa specie in queste due regioni. Per la specie C, Friuli-Venezia Giulia e Sardegna mostrano i valori più alti di indice di localizzazione, entrambi con 8.22, indicando una concentrazione significativa di questa specie in queste due regioni.
**Germano reale (Anas crecca), Germano comune (Anas platyrhynchos), Gallina domestica (Gallus gallus domesticus), Colombaccio (Columba livia), Pavone comune (Pavo cristatus);
***Oca selvatica (Greylag goose), Fischione (Eurasian wigeon), Cigno reale (Mute swan), Cicogna bianca (White stork), Picchio rosso maggiore (Great spotted woodpecker), Poiana comune (Common buzzard), Fenicottero maggiore (Greater flamingo), Anatra mandarina (Mandarin duck), Oca facciabianca (Barnacle goose), Tortora dal collare (Eurasian collared dove).
Di recente però l’emergenza dell’Influenza aviaria non ha coinvolto solo gli uccelli, ma si è estesa a diversi mammiferi, inclusi volpi rosse, volpi artiche, foche, procioni, gatti, visoni americani e coati sudamericani, evidenziando la capacità del virus di infettare una vasta gamma di specie animali. In particolare, la trasmissione del virus dell’Influenza aviaria a specie vicine agli uomini come i gatti crea una nuova dinamica nella diffusione della malattia, poiché questi animali possono fungere da serbatoi intermedi per il virus. Ciò solleva il timore che il virus possa mutare ulteriormente e adattarsi per infettare efficacemente gli esseri umani, aumentando il rischio di una trasmissione interspecifica.
È stato dunque necessario integrare il dataset originario con un ulteriore insieme di dati per
monitorare real-time le infezioni di Influenza aviaria nei mammiferi attraverso la raccolta dei report pubblicati dal World Animal Health Information System (WAHIS). È importante notare che con poche linee di codice in R è possibile ora identificare le specie animali coinvolte, il tasso di mortalità, categorizzare i ceppi di influenza aviaria e individuare le aree con maggiori focolai di infezione, valutare le misure di contenimento messe in atto.
L’analisi dei modelli di diffusione dell’Influenza aviaria, facilitata dall’utilizzo di metodologie innovative e open data, ha permesso di identificare aree critiche e permette di guidare l’adozione di misure preventive mirate. Tuttavia, la recente espansione del virus a diverse specie di mammiferi sottolinea l’urgente necessità di una vigilanza continua e di una risposta agile per proteggere la salute pubblica. In questo contesto, la collaborazione globale tra ricercatori, istituzioni scientifiche, governi e organizzazioni internazionali diventa cruciale per affrontare le sfide delle malattie infettive in modo efficace e proteggere la salute e il benessere delle popolazioni in tutto il mondo. La nuova sensibilità acquisita può fungere da catalizzatore per promuovere politiche sanitarie più solide e una maggiore consapevolezza pubblica, preparandoci meglio per affrontare le sfide future nel campo della salute globale.
Data Analysis ospita interventi di ricercatori e docenti universitari e analisi di data journalist ed esperti su working paper, articoli scientifici e studi che parlano in modo più o meno diretto alla società e alle politiche data-driven.
Autore: Francesco Branda, PhD
Affiliazione: Adjunct professor, Università Campus Bio-Medico di Roma
Per approfondire
Perché gli anziani hanno rinunciato alle visite mediche? Non è stata tutta colpa del COVID
Come si misura la felicità? Dal Covid in poi ci sentiamo tutti molto più soli
La maggior parte degli studi su COVID-19 sono stati condotti da enti no profit
