Monitoreo en tiempo real de COVID

Scientific Reports volumen 13, Número de artículo: 9371 (2023) Citar este artículo

1 Altmetric

Detalles de métricas

Las comunidades de todo el mundo han utilizado vacunas y mascarillas para mitigar la pandemia de COVID-19. Cuando una persona opta por vacunarse o usar una máscara, puede reducir su propio riesgo de infectarse, así como el riesgo que representa para los demás mientras está infectado. El primer beneficio, la reducción de la susceptibilidad, se ha establecido en múltiples estudios, mientras que el segundo, la reducción de la infectividad, se comprende menos. Utilizando un nuevo método estadístico, estimamos la eficacia de las vacunas y las mascarillas para reducir ambos tipos de riesgos a partir de los datos de rastreo de contactos recopilados en un entorno urbano. Encontramos que la vacunación redujo el riesgo de transmisión posterior en un 40,7 % [95 % IC 25,8–53,2 %] durante la onda Delta y en un 31,0 % [95 % IC 19,4–40,9 %] durante la onda Omicron y que el uso de mascarillas redujo el riesgo de infección en un 64,2 % [IC del 95 %: 5,8–77,3 %] durante la oleada de Omicron. Al aprovechar los datos de rastreo de contactos recopilados comúnmente, el enfoque puede proporcionar estimaciones oportunas y procesables de la eficacia de la intervención contra un patógeno que evoluciona rápidamente.

La vacunación y el uso de mascarillas siguen siendo dos de las herramientas de salud pública más importantes para prevenir la transmisión y la mortalidad de la COVID-191,2,3,4,5,6,7,8,9,10. Sin embargo, las estimaciones de su eficacia varían ampliamente entre comunidades y etapas de la pandemia11. Medir los impactos de la vacunación y el uso de mascarillas es particularmente importante para proteger a las comunidades vulnerables, que incluyen hogares de ancianos y entornos de congregación, como campus universitarios12. Comprender la eficacia de la intervención de las estrategias que tienen un impacto mínimo en la actividad económica mundial puede informar mejor las respuestas políticas que equilibran la reducción de la carga epidémica y el costo económico.

Las discrepancias en las estimaciones de la efectividad de la intervención pueden deberse a la variación entre las poblaciones de estudio, como la prevalencia de comorbilidades, la estructura demográfica y los patrones de contacto. Durante la onda Delta, las estimaciones de la eficacia de dos dosis de ARNm-1273 (Moderna) contra la infección sintomática y asintomática fueron tan altas como 86,7 %13,14,15 en un entorno hospitalario y tan bajas como 53,1 % en residentes de hogares de ancianos16. Aunque ambos estudios controlaron las fuentes comunes de heterogeneidad (edad e infección previa), puede haber una mayor prevalencia de comorbilidades en la población de hogares de ancianos. Durante la ola de Omicron, las estimaciones de efectividad para dos dosis de las vacunas de ARNm de Moderna o Pfizer oscilaron entre el 70 % en un hospital de Sudáfrica17 y el 36,6 % en múltiples instalaciones de prueba en Ontario, Canadá18. Nuevamente, estos estudios controlaron muchas de las mismas variables de confusión, incluida la edad y las comorbilidades; sin embargo, Buchan et al. no pudieron controlar los niveles previos de infección en la población, lo que posiblemente condujo a la discrepancia en los hallazgos18. Estos resultados destacan que la efectividad de la intervención del SARS-CoV-2 varía con el tiempo y entre las comunidades y que los modelos estadísticos para estimar la efectividad deben considerar las condiciones epidemiológicas, demográficas y de comportamiento locales.

El aislamiento de seguimiento de prueba, que incluye el "rastreo de contactos", se ha utilizado ampliamente para prevenir la transmisión de COVID-19, particularmente durante los primeros meses de la pandemia. Si bien tales esfuerzos a menudo se vieron obstaculizados por demoras en las pruebas y limitaciones de recursos19, con frecuencia recopilaron datos valiosos sobre el historial de vacunación, [historial de uso de máscaras], comportamiento, patrones de contacto, infección previa y estado de infección de los pacientes índice y sus contactos2,9,20 . [Tales datos permiten estimar el efecto protector del uso de máscaras y la vacunación simultáneamente, así como su efecto tanto en la infección como en la transmisión]. Contrastamos esto con los diseños tradicionales de eficacia de la vacuna con "prueba negativa", donde las personas sintomáticas se presentan a los proveedores de atención médica y se registra su estado de prueba y vacuna. En los diseños tradicionales de prueba negativa, se supone que los factores de confusión son aleatorios y están condicionados a recibir una prueba (con la excepción del comportamiento de búsqueda de atención médica)21. Sin embargo, los diseños de pruebas negativas no pueden estimar conjuntamente el efecto protector de las intervenciones contra la transmisión posterior y, a menudo, tienen dificultades para controlar la infección previa. En el contexto de los diseños negativos de las pruebas de COVID-19, no está claro si presentarse en un centro de pruebas controla suficientemente la propensión de una persona a usar una máscara o la distancia social. Finalmente, los diseños negativos de prueba pueden sufrir un sesgo de agotamiento susceptible22, que no puede ocurrir en estudios basados en el rastreo de contactos, ya que el análisis se realiza condicionalmente a un conjunto de exposiciones de individuos susceptibles.

Analizamos datos de un programa de rastreo de contactos de SARS-CoV-2 en una gran universidad de los EE. UU. para estimar el impacto cambiante de las vacunas y las máscaras faciales en la transmisión, al tiempo que destacamos las estructuras comunitarias que tienen un mayor riesgo. [Hasta donde sabemos, este es el primer estudio en estimar la efectividad de la vacuna y la mascarilla facial en una comunidad universitaria y el primero en estimar simultáneamente la efectividad de más de una intervención en cualquier población; sin embargo, otros estudios han aprovechado los datos de rastreo de contactos para la efectividad de la vacuna estimación]2,23. Nuestro marco está diseñado para proporcionar estimaciones en tiempo real y específicas del lugar, como los riesgos de transmisión asociados con las escuelas, los lugares de trabajo, los eventos deportivos y la vida en grupo, al tiempo que informa las intervenciones específicas y las comunicaciones de riesgo.

Definimos la efectividad de la intervención (\(\mathbb {E}_A\)) como

donde \(Y_{A=1}\) denota la tasa de positividad de la prueba contrafactual si todos hubieran recibido la intervención y \(Y_{A=0}\) denota la tasa de positividad de la prueba contrafactual si nadie hubiera recibido la intervención. De manera equivalente, definimos la eficacia de una intervención como uno menos la relación de riesgo causal21,24,25. Idealmente, mediríamos las infecciones verdaderas en lugar de las que dan positivo, pero esto no es observable.

Estimamos la Ec. (1) de los datos observados en presencia de confusión al marginar las covariables (W).

No limitamos el valor esperado de la efectividad de la intervención entre 0 y 1, sino que permitimos valores negativos, lo que indicaría que la intervención está asociada con un aumento en la probabilidad de una prueba positiva. Para establecer \(\mathbb {E_A}\) como una cantidad causal, debemos asumir que no hay confusión no medida después de condicionar las covariables observadas, así como la consistencia contrafáctica. [Verificamos que cada combinación de covariables tenga al menos un individuo que dio positivo y al menos uno que dio negativo.]

Como estamos particularmente interesados en la efectividad a lo largo del tiempo debido a la disminución del sistema inmunológico y las variantes emergentes, también definimos la efectividad de la intervención condicional, condicionada a que una variante particular (V) domine durante un período de tiempo determinado.

Comenzamos formulando un modelo de regresión logística paramétrica para la probabilidad de una interacción positiva de prueba entre un caso índice y un contacto. Denotamos \(Y_{i,j}\) como un indicador de un contacto positivo del j-ésimo caso índice con el i-ésimo contacto.

En la ecuación. (4), la duración es un indicador binario de la duración del contacto (más o menos de 60 minutos), el interior es un indicador binario de si la interacción ocurrió en el interior o al aire libre, el contacto físico es un indicador de un contacto físico directo, y relación denota una variable categórica de la relación (compañero de cuarto, compañero de clase o línea de base, que incluye tipos de relación comunes como amigos, socios, compañeros de trabajo, familia). Incluimos un término de interacción del efecto de la vacunación y el uso de mascarillas (tanto para casos como para contactos) con un indicador de la variante que circula durante tres ondas distintas, Alfa, Delta y Omicron. Cuando los casos índice tienen múltiples contactos, los riesgos asociados con esos eventos pueden estar correlacionados. Para dar cuenta de esta correlación, incluimos una intersección aleatoria (\(b_{0,j}\)) específica del caso índice j que captura el riesgo de transmisión adicional más allá de las covariables explícitas.

Vinculamos este modelo a la [estimación] definida en la ecuación. (3) a través de una formulación paramétrica bayesiana de la fórmula de cálculo g. [La fórmula de cálculo g es un método establecido para marginar las variables de confusión cuando se estima un efecto de tratamiento marginal, en este caso, uno menos la razón de riesgo marginal]26,27. Como ejemplo, para recuperar la eficacia de la vacuna a partir de la ecuación. (2) durante la onda Omicron apuntamos al siguiente funcional de los datos observados.

Bajo un modelo de regresión de resultados logísticos paramétricos, podemos insertar la expresión de la probabilidad esperada en el numerador y el denominador de la ecuación. (5) y marginar la distribución empírica de los factores de confusión.

La ecuación (6) se puede considerar como el valor esperado en la distribución empírica de los datos si tuviéramos que "establecer" el estado de vacunación de contacto y "establecer" la variante circulante en Omicron. Como cada \(\beta _k\) es una variable aleatoria en un contexto bayesiano, obtenemos estimaciones de incertidumbre de nuestro estimador objetivo en la ecuación. (6) a través de muestreo MCMC estándar de la parte posterior. Consulte el Apéndice 1 para obtener más detalles.

Los datos fueron generados por el programa de prueba y rastreo COVID-19 de la Universidad de Texas en Austin (UT) que funcionó bajo la autoridad de Salud Pública de Austin. [Para los propósitos de nuestro análisis, dividimos los datos en tres ondas variantes distintas; el período en que la variante Alpha fue dominante (15/02/2021–15/06/2021), cuando la variante Delta fue dominante (15/06/2021–10/12/2021) y cuando la variante Omicron fue dominante (12 /10/2021–04/03-2022). Definimos un período de predominio por variante como el período de tiempo en el que más del 95 % de los casos en el área metropolitana de Austin se atribuyeron a una variante específica. UT Austin informó un promedio de menos del 1 % de positividad en la prueba tanto para el período en que las variantes alfa y delta eran dominantes y hasta un 8,7 % de positividad en la prueba para el período en que Omicron era dominante. La universidad nunca implementó un mandato de vacunación, pero sugirió fuertemente la vacunación. Hubo un mandato de máscara durante el período en que Alpha era dominante, así como una estrategia híbrida para las clases presenciales y remotas. Sin embargo, con la llegada de la variante Delta, la universidad levantó el mandato del uso de mascarillas y reanudó las clases en persona con opciones remotas limitadas.] Los casos de estudiantes, personal y profesores se informaron a UT Contact Tracing luego de una amplificación rápida positiva de antígeno o ácido nucleico. prueba realizada entre el 15/02/2021 y el 04/03/2022 (Tabla 1). Se recibieron informes de casos de los programas de pruebas del campus y mediante autoinforme. En colaboración con Austin Public Health, el seguimiento de contactos de UT identificó casos adicionales de estudiantes, personal y profesores de UT que fueron entrevistados por Austin Public Health. Los rastreadores de contactos entrevistaron casos por teléfono sobre sus síntomas, historial de vacunación y contactos expuestos durante su período infeccioso. En 2021, se estimó que el período infeccioso comenzaría 2 días antes y terminaría 10 días después del inicio de los síntomas (o resultado positivo de la prueba si es asintomático) . A partir del 1 de enero de 2022 y durante la ola de Omicron, se asumió que el período infeccioso terminaría 5 días después del inicio de los síntomas28. Se recopiló información detallada sobre la naturaleza de cada exposición del caso, incluida la duración de la exposición, el contexto (interior o exterior), la naturaleza del contacto (físico o no físico), la relación con el contacto (p. ej., compañero de cuarto, compañero de clase, o línea de base, que incluía tipos de relaciones comunes como amigos, socios, compañeros de trabajo, familia) y si tanto el caso como el contacto usaban máscaras. Los contactos fueron notificados de su exposición por teléfono y entrevistados sobre sus síntomas, antecedentes de infección por SARS-CoV-2 y vacunación. Se alentó a los contactos sin antecedentes de infección reciente (dentro de los tres meses posteriores a la exposición) a buscar una prueba COVID-19 dos veces, entre 3 y 5 días después de la exposición para detectar nuevas infecciones temprano y entre 5 y 7 días para alinearse con las pautas nacionales. , independientemente del estado de vacunación. Los resultados negativos de las pruebas se adquirieron a través de programas de pruebas del campus y mediante autoinforme. Los datos se almacenaron en la base de datos de rastreo de contactos de UT.

Los casos se incluyeron en el análisis si: (1) se investigaron con éxito en UT y estaban dispuestos a compartir sus contactos, (2) tenían al menos un contacto que se hizo la prueba al menos una vez de 3 a 14 días después de la exposición y (3) tenía un estado de vacunación conocido en el momento de la exposición. Los contactos se incluyeron si habían recibido al menos un intento de llamada telefónica del rastreo de contactos y si se conocía el estado de vacunación del contacto. Los resultados de las pruebas para cada contacto se adjuntaron al caso índice. [Como no pudimos observar todos los contactos de cada caso índice, y esta ausencia puede estar asociada tanto con el estado de vacunación como con la positividad de la prueba, puede haber un sesgo en las estimaciones resultantes de la efectividad de la vacuna. La ausencia fue particularmente pronunciada durante el período en que Omicron era dominante debido a una cantidad abrumadora de casos de rastreadores de contacto (Fig. 1A). Exploramos este sesgo en detalle "Datos de seguimiento de contactos" en la sección] [La mayoría de los casos índice tenían menos de 5 contactos y las distribuciones del número de contactos para cada una de las ondas variantes parecían aproximadamente la ley de potencia (Fig. 1B)]. Cualquier contacto que informara un resultado positivo de la prueba de 3 a 14 días después de la exposición se consideró un contacto con prueba positiva. Los contactos con solo resultados negativos durante este período se consideraron contactos con prueba negativa. Los contactos a los que les faltaban los resultados de las pruebas se incluyeron en un análisis de falta de respuesta. Algunos contactos afiliados a UT que no pudieron ser notificados por los rastreadores de contactos en UT aún se evaluaron en un sitio de prueba del campus y sus resultados se ingresaron en la base de datos de rastreo de contactos. El estado de vacunación de casos y contactos se evaluó a través de dos vías principales. En primer lugar, se realizaron entrevistas telefónicas para evaluar el estado de vacunación en el momento de la exposición tanto de los casos como de los contactos. Sin embargo, cuando los rastreadores de contactos no pudieron notificar a un contacto y obtener un estado de vacunación, se utilizaron los registros universitarios de vacunación. Los casos y contactos se consideraron completamente vacunados si la exposición ocurrió al menos 14 días después de la [segunda] dosis de una vacuna de ARNm aprobada por la FDA. Los individuos vacunados de Johnson and Johnson y AstraZeneca se eliminaron del análisis. Los casos y contactos que no estaban vacunados, parcialmente vacunados o tuvieron una exposición que ocurrió en el período de 14 días después de la dosis final de una vacuna de ARNm aprobada por la FDA se consideraron no vacunados. El tamaño de la muestra no fue suficiente para estimar la disminución natural de la inmunidad o la eficacia del refuerzo dentro de un período dominado por una variante en particular. La Junta de Revisión Institucional de la UT determinó que este estudio no era una investigación con sujetos humanos.

(A): Proporción de contactos investigados con éxito a lo largo del tiempo. Hubo una caída significativa en la capacidad de los rastreadores de contactos para investigar contactos de casos índice durante el aumento de Omicron debido a la magnitud de la carga de casos. (B): Distribución del número de contactos por caso índice [, condicionado a que un caso índice tenga al menos un contacto, ] en los períodos de tiempo en que Alfa (15/02/2021–15/06/2021), Delta (06 /26/2021–10/12/2021) y Omicron (10/12/2021–04/03/2022) fueron dominantes.

Faltaba un resultado de prueba para el 10,3% de los contactos. A diferencia de los diseños negativos de prueba tradicionales, la ausencia en los diseños negativos de prueba de rastreo de contactos puede ser informativa. Si un contacto se involucra en un comportamiento de riesgo de COVID-19, es más probable que se infecte, que no esté vacunado y que no obtenga el resultado de una prueba. Sí observamos una menor tasa de vacunación entre los que faltan a una prueba (Tabla 1). Dada la integración de los datos de prueba y rastreo en UT, aún pudimos observar a las personas que realizaron la prueba en UT, independientemente de si un rastreador de contactos notificó con éxito a la persona. [Sin embargo, no pudimos observar el estado de su examen si lo hicieron fuera del campus o si no lo hicieron en absoluto. También pudimos monitorear la proporción de contactos que fueron investigados con éxito por los rastreadores de contactos (Fig. 1A). La proporción cayó drásticamente durante la ola de Omicron, cuando los rastreadores de contactos se vieron abrumados por la cantidad de casos. Si las personas no vacunadas que tenían probabilidades de resultado positivo debido a conductas de riesgo tenían más probabilidades de] no [responder a los rastreadores de contactos, entonces esto puede sesgar significativamente a la baja la estimación de la efectividad de la vacuna. En particular, cuando la efectividad de la vacuna es baja (13 %), el sesgo puede llegar a -100 % , lo que indica que la vacunación aumenta drásticamente las probabilidades de dar positivo. Al monitorear la proporción de contactos notificados con éxito, podemos identificar períodos de tiempo en los que las estimaciones pueden volverse poco confiables, como el aumento de Omicron. Más detalles, incluidos estudios de simulación específicos del sesgo, están disponibles suministrado en el Apéndice A2].

Todos los esfuerzos de recopilación de datos se llevaron a cabo de acuerdo con las pautas de la Universidad de Texas en Austin y fueron aprobados por la junta de revisión interna de la Universidad de Texas en Austin (STUDY00000438-MOD02). Se obtuvo el consentimiento informado de todos los sujetos y/o sus tutores legales.

Había 3782 pares de casos y contactos disponibles para el análisis. Para el período en que la variante Alfa era dominante, hubo 300 casos y 593 contactos. Para el período en que la variante Delta era dominante, hubo 703 casos y 2433 contactos. Para el período en que la variante Omicron era dominante, hubo 456 casos y 756 contactos. La distribución del número de contactos por caso se muestra en el Apéndice A2. El 57% de los casos y el 56% de los contactos fueron mujeres (tabla 1). La mediana de edad de los casos índice y los contactos fue de 21 años (rango = 17–48 años) y 20 años (rango = 14–40 años), respectivamente. Más de la mitad de todos los casos índice y contactos estaban vacunados (56,7% y 56,6%, respectivamente). La mayoría de los casos y contactos estaban desenmascarados en el momento de la exposición (80,4% y 85,4%, respectivamente). Las exposiciones típicamente duraron más de 60 minutos (82,2 %) y fueron en interiores (96,7 %). La cantidad promedio de días desde que recibieron dos dosis fue de 169 para los contactos, y el 95 % se vacunaron entre 50 y 250 días antes de la exposición. En general, al 76,8 % de los contactos se les notificó con éxito su exposición al caso índice y al 82,5 % de los contactos se les hizo la prueba después de su exposición, independientemente de la notificación. Para dar cuenta de los resultados faltantes de las pruebas entre los contactos, se consideraron cuatro escenarios diferentes: (1) se notificó al contacto de la exposición (es decir, respondió la llamada del rastreador de contactos) y se capturó el resultado de la prueba (61,0 %); (2) el contacto fue notificado de la exposición pero no se hizo la prueba (15,7 %); (3) el contacto no se notificó con éxito, pero aún así se probó (21,3 %); y (4) el contacto no fue notificado con éxito y no se dispuso de ningún resultado de la prueba (2 %). La positividad de la prueba fue del 3,6 % y del 52,3 % entre los contactos a los que se contactó o no, respectivamente.

Estimamos la efectividad de la vacuna contra la infección en la comunidad UT durante tres períodos diferentes de la pandemia (Fig. 2A). Cuando la variante alfa era dominante (15/02/2021–15/06/2021), la vacunación de un contacto redujo su riesgo de infección en un 25,1 % [IC del 95 %: 16,0–62,0 %] según 493 pares de contactos de casos índice ( Figura 2A). Cuando la variante Delta era dominante (15/06/2021–10/12/2021), la estimación fue del 36,8 % [IC del 95 %: 20,8–51,3 %] según 1885 pares de contactos de casos índice. Finalmente, cuando la variante de Omicron fue dominante (10/12/2021–04/03/2022), no encontramos ningún efecto protector, con una efectividad estimada de -107,0 % [IC 95 % - 159,2 a - 64,8 %] basado en 294 pares de contactos de casos índice. En cuanto al estado de vacunación del caso índice, se estimó que la efectividad de la vacuna contra la transmisión posterior fue del 38,7 % [95 % IC 23,9–51,1 %] durante la onda alfa, 40,7 % [95 % IC 25,8–53,2 %] durante la onda delta , y 31,0 % [IC 95 % 19,4–40,9 %] durante el período en que Omicron era dominante (Fig. 2C).

Estimaciones de la efectividad de la intervención (en porcentaje) contra la infección del contacto con intervalos creíbles del 95% (marcas negras verticales). (A): Densidad posterior de la efectividad de la vacuna contra la infección (estado de vacunación de contacto). La estimación negativa para el período de tiempo en que Omicron era dominante puede deberse a un exceso de riesgos de comportamiento en el grupo vacunado. (B): Densidad posterior de la eficacia de la máscara contra la infección (estado de enmascaramiento de contacto). (C): Densidad posterior de la eficacia de la vacuna contra la transmisión posterior (estado de vacunación índice). (D): Densidad posterior de la eficacia de la máscara frente a la transmisión posterior (estado de enmascaramiento del índice).

El uso de mascarillas tanto por parte del contacto como del caso índice no fue significativamente protector durante las ondas variantes Alfa o Delta (Alfa: 22,7 % [IC 95 % − 36,2–63,9 %], Delta: 20,4 % [IC 95 % − 61,8–71,4 % ] ) (Fig. 2B). Sin embargo, durante el período de tiempo en el que Omicron era dominante, se estimó que la eficacia de la mascarilla era del 64,2 % [IC del 95 %: 5,8–77,3 %]. El uso de mascarilla solo por parte del caso índice, aunque no fue significativo, tuvo estimaciones puntuales en la dirección de un efecto protector (Alfa: 26,7 % [IC 95 % − 23,8–63,3 %], Delta: 43,4 % [IC 95 % − 8,4– 76,9 %], Omicron: − 8,0 % [IC 95 % − 74,2–47,8 %]) (fig. 2D).

También estimamos la razón de posibilidades de transmisión como una función de las covariables ambientales y de comportamiento mientras se tomaba en cuenta el estado de vacunación y el enmascaramiento durante la exposición. Compañeros de clase (OR = 0,15 [IC 95 % 0,06–0,29]) y compañeros de cuarto (OR = 0,53 [IC 95 % 0,39–0,70]) (Fig. 3A) tenían una probabilidad significativamente menor de transmitir en relación con el valor inicial , que incluía tipos de relaciones comunes (amigos, socios, compañeros de trabajo, familia). También encontramos que las interacciones más largas (> 60 minutos) (OR = 1,46 [IC 95% 1,13-1,89]) y aquellas que involucran contacto físico directo (RR = 1,37 [IC 95% 1,07-1,84]) aumentan la probabilidad de una prueba- contacto positivo en relación con contactos más cortos y menos físicos, respectivamente. Las intersecciones aleatorias estimadas por caso índice exhiben una variación significativa (Fig. 3B), y algunos casos índice tienen más del doble de probabilidades de transmisión promedio después de controlar las covariables. Por lo tanto, es probable que existan otros impulsores de los riesgos de infección más allá de la vacunación, el uso de mascarillas, el tipo de relación, la naturaleza o duración de la exposición y el lugar de exposición.

Factores de riesgo de transmisión del SARS-CoV-2 en un campus universitario. (A): Densidades posteriores o variables potencialmente confusoras a lo largo del período de estudio (15/02/2021 hasta 04/03/2022), incluida la relación entre el caso índice y el contacto (compañero de clase, compañero de cuarto o línea de base, que incluía relación común tipos como amigos, socios, compañeros de trabajo, familia), la ubicación de la exposición (interior o exterior), la duración de la interacción (más o menos de una hora) y si hubo contacto físico directo. La razón de probabilidades indica las probabilidades de quienes tienen el indicador en relación con quienes no lo tienen. (B): Histograma de las intersecciones aleatorias estimadas de los casos índice, que representan el exceso de heterogeneidad en la transmisión no explicada por el estado de vacunación del caso índice y el contacto, el comportamiento de uso de mascarilla del caso índice y el contacto, la relación entre el caso índice y el contacto , duración de la exposición, ubicación de la exposición o contacto físico directo. Los valores menores que uno (mayores que uno) corresponden a casos índice que fueron menos (más) infecciosos que el promedio.

Los datos de rastreo de contactos de una gran universidad urbana en los EE. UU. revelaron una disminución abrupta en la efectividad de las vacunas contra la infección por SARS-CoV-2 [a medida que avanzaba la pandemia], en consonancia con otros estudios18,29,30. Es probable que las disminuciones se deban a una combinación de evasividad inmunitaria de las variantes, disminución natural de la inmunidad durante los meses posteriores a la vacunación y factores conductuales no observados. [Sin embargo, durante la oleada de Omcron, los rastreadores de contactos se vieron abrumados por el volumen de casos y el seguimiento de los contactos disminuyó significativamente. Esto puede explicar la estimación negativa estadísticamente significativa de la eficacia de la vacuna durante el aumento de Omicron y destaca una debilidad del diseño de eficacia de la vacuna basado en el rastreo de contactos. Sin embargo, al monitorear constantemente la tasa de investigaciones de contactos exitosas, los funcionarios de salud pública pueden identificar períodos en los que las estimaciones pueden volverse poco confiables.]Lyngse et al. De manera similar, encontró una estimación puntual negativa para la efectividad de la vacuna contra la infección durante la ola de Omicron31. El alto grado de incertidumbre en nuestras estimaciones de la efectividad de la intervención se deriva de los tamaños de muestra pequeños, particularmente para los períodos en los que dominaban Alpha y Omicron.

Descubrimos que las vacunas ofrecían un alto nivel de protección contra la transmisión durante las ondas Alfa, Delta y Omicron. Si bien estudios previos en el hogar han demostrado este efecto protector32,33, creemos que esta es la primera indicación de que las vacunas reducen la infectividad en una comunidad más grande. Estas estimaciones brindan evidencia en apoyo de mensajes claros y consistentes para promover la vacunación, el refuerzo y el uso vigilante de máscaras durante picos peligrosos en las comunidades universitarias. Los datos de rastreo de contactos nos permiten controlar los factores ambientales y de comportamiento que influyen en la transmisión, al estimar la efectividad de las intervenciones. En nuestra población de estudio en edad universitaria, las relaciones entre el caso índice y el contacto se correlacionaron fuertemente con el riesgo de infección. Las personas que se conocieron a través de las actividades universitarias diarias (como compañeros de clase y de cuarto) tenían menos probabilidades de dar positivo que las relaciones estructuradas no universitarias (amigos, familiares, compañeros de trabajo, etc.). Estos resultados tienen implicaciones contrarias a la intuición para los administradores universitarios que se enfrentan a los costos y beneficios de limitar las actividades del campus durante los picos34,35. Limitar las clases en persona puede ser menos efectivo para prevenir infecciones que limitar las reuniones sociales entre amigos a pequeñas "burbujas" o alentar encarecidamente la vacunación, el uso de máscaras y las pruebas para mitigar los riesgos durante los encuentros sociales.

Si bien los estudios a gran escala han confirmado el efecto protector del uso de mascarillas quirúrgicas36,37, en un ensayo aleatorizado por grupos, Abaluck et al. encontró que el uso de mascarillas redujo significativamente la seropositividad sintomática en un 9 %38, pero el efecto disminuyó para las mascarillas de tela en relación con las mascarillas quirúrgicas. Esto puede sugerir que nuestros resultados están impulsados por la combinación de mascarillas de tela, quirúrgicas y de otro tipo utilizadas en esta población universitaria o problemas de calidad de datos relacionados con el autoinforme del uso de mascarillas. Se necesitan estudios a mayor escala para separar los impulsores conductuales de los virológicos de los cambios en la eficacia de las mascarillas. Nuestras estimaciones de la efectividad de la vacuna y la mascarilla facial en una gran comunidad universitaria pueden ser más altas que las de una población más amplia de EE. UU. Los estudiantes universitarios son más propensos a involucrarse en conductas de riesgo en comparación con los adultos mayores39, y esto puede verse agravado por el mensaje constante de que el COVID-19 es menos grave en los adultos jóvenes39. Los estudiantes universitarios también tienden a tener una gran cantidad de contactos físicos cercanos por semana, dadas las condiciones de vida comunitaria y las estructuras de las aulas. También tienden a ser jóvenes y saludables, con menor prevalencia de comorbilidades, lo que puede reducir los riesgos de desarrollar síntomas que de otro modo inhibirían las actividades sociales mientras son infecciosos. Incluso si este mayor riesgo se mitigara con la vacunación y las máscaras faciales, aún podríamos esperar estimaciones más bajas de la efectividad de la intervención en comparación con otras poblaciones con menor riesgo.

Si bien los diseños de pruebas negativas a menudo tienen la ventaja de grandes conjuntos de datos (alto poder estadístico), el monitoreo constante de la efectividad de la vacuna utilizando datos de rastreo de contactos puede proporcionar estimaciones complementarias en tiempo real que pueden informar respuestas políticas rápidas y efectivas, particularmente cuando las intervenciones dejan de funcionar. A diferencia de los estudios de prueba negativos sobre la efectividad de la vacuna, que monitorean solo a las personas sintomáticas que se presentan a los proveedores de atención médica, los datos de rastreo de contactos también pueden detectar infecciones asintomáticas e identificar a las personas que se propagan en exceso dentro de una comunidad, lo que podría ayudar a identificar amenazas de variantes emergentes. Sin embargo, el uso de datos de rastreo de contactos para estudiar la efectividad de la intervención es propenso a tres fuentes de sesgo que no ocurren con el diseño de prueba negativa más comúnmente utilizado. Primero, [como se señaló anteriormente, los errores de asignación pueden ser muy informativos y pueden sesgar significativamente la estimación de la efectividad de la vacuna (Apéndice A2)]. [Segundo,] los factores de confusión de la interacción particular entre el caso y el contacto deben capturarse retrospectivamente y controlarse estadísticamente. Por ejemplo, cuando se estudia la eficacia de la vacuna, se debe controlar el uso de mascarillas, ya que la elección de vacunar y la elección de usar una mascarilla pueden estar correlacionadas. Por el contrario, se debe considerar el estado de la vacuna al estimar la efectividad del enmascaramiento. [Finalmente], el rastreo de contactos puede implicar mediciones repetidas en un solo caso índice con múltiples contactos. Estas mediciones repetidas pueden estar correlacionadas debido a propiedades no medidas del caso índice, como una mayor carga viral o inmunidad de infecciones previas, y deben tenerse en cuenta al estimar los efectos de la intervención para evitar estimaciones sesgadas. Otros estudios basados en el rastreo de contactos40 han etiquetado los resultados de las pruebas faltantes como contactos con pruebas negativas, lo que podría sesgar los resultados (Apéndice A2). Si bien no existe un remedio estadístico para la ausencia no aleatoria, los análisis de los datos de rastreo de contactos deben incluir [el monitoreo de las tasas de seguimiento de contactos para identificar estimaciones poco confiables]. Notamos que los datos recopilados por los programas de rastreo de contactos en los EE. UU. son muy heterogéneos, y van desde información mínima sobre casos41 hasta detalles completos de cada exposición42. Además, a menudo es difícil vincular los datos de rastreo de contactos con los registros de vacunación y otros datos de salud relevantes42,43. Una mayor inversión en sistemas de vigilancia de enfermedades infecciosas que mejoren la captura de datos e integren datos de atención médica y salud pública facilitaría una estimación precisa y oportuna de la efectividad de la intervención y los riesgos conductuales.

Nuestro estudio proporciona un marco estadístico general para el uso de datos de rastreo de contactos recopilados comúnmente para rastrear la utilidad de las intervenciones a medida que el virus continúa evolucionando y los comportamientos humanos cambian. El modelo de cálculo bayesiano g propuesto puede evaluar simultáneamente múltiples intervenciones, proporcionar estimaciones probabilísticas de su eficacia para reducir tanto la susceptibilidad como la infectividad, e identificar factores individuales y relacionados con la exposición que aumentan los riesgos de transmisión. Si bien los esfuerzos globales de rastreo de contactos están disminuyendo, el enfoque se puede aplicar en tiempo real a medida que el rastreo de contactos se recopila en poblaciones específicas para proporcionar una conciencia situacional crucial e informar estrategias efectivas de mitigación y comunicación.

Los datos que respaldan los hallazgos de este estudio están disponibles en la Universidad de Texas en Austin, pero se aplican restricciones a la disponibilidad de estos datos, que se usaron bajo licencia para el estudio actual y, por lo tanto, no están disponibles públicamente. Sin embargo, los datos están disponibles de los autores previa solicitud razonable y con el permiso de la Universidad de Texas en Austin.

Sheikh, A., Robertson, C. & Taylor, B. Eficacia de la vacuna BNT162b2 y ChAdOx1 nCoV-19 contra la muerte por la variante delta. N. ingl. J.Med. 385(23), 2195–2197 (2021).

Artículo CAS PubMed Google Académico

Braeye, T. et al. Efectividad de la vacuna contra la infección y la transmisión posterior de COVID-19: análisis de datos de rastreo de contactos belgas, enero-junio de 2021. Vaccine 39(39), 5456–5460 (2021).

Artículo CAS PubMed PubMed Central Google Scholar

Oon, TN et al. Impacto de la variante delta y la vacunación en la tasa de ataque secundario de SARS-CoV-2 entre los contactos cercanos del hogar. Registro de lanceta. Salud West Pac. 17, 100299 (2021).

Artículo Google Académico

Yair, G. et al. Disminución de la inmunidad después de la vacuna BNT162b2 en Israel. N. ingl. J.Med. 5, 789 (2021).

Google Académico

Patricio, T. et al. Efectividad de la vacuna BNT162b2 y mRNA-1273 COVID-19 contra la variante delta del SARS-CoV-2 en qatar. Nat. Medicina. 5, 968 (2021).

Google Académico

Francisco, CM et al. Evaluación de pruebas de vigilancia simulada y cuarentena en una población de estudiantes vacunados contra el SARS-CoV-2 en un campus universitario. Ciencia 5, 2147 (2021).

Google Académico

John, TB & Jay, CB Eficacia del uso de mascarillas para controlar la propagación comunitaria del SARS-CoV-2. JAMA 325(10), 998–999 (2021).

Artículo Google Académico

Yu, W. et al. Reducción de la transmisión secundaria de SARS-CoV-2 en los hogares mediante el uso de mascarillas, desinfección y distanciamiento social: un estudio de cohorte en Beijing, China. Ciencia 5, 214 (2020).

Google Académico

Jacob, R., Jamie, MH, Jennifer, AM, Amelia, LBS & Grant, DB Eficacia de la máscara para prevenir casos secundarios de COVID-19, condado de Johnson, Jowa, EE. UU. emergente Infectar. Dis. 28(1), 69–75 (2022).

Google Académico

Hendrix, MJ, Charles, W., Kendra, F. y Robin, T. Ausencia de transmisión aparente de SARS-CoV-2 de dos estilistas después de la exposición en un salón de belleza con una política universal de cobertura facial-Springfield, Missouri. MMWR Morb. Mortal. Semanal. Rep. 69(28), 930–932 (2020).

Artículo CAS PubMed Google Académico

Melissa, MH et al. Una revisión sistemática de la eficacia y efectividad de la vacuna COVID-19 contra el SARS-CoV-2. Infectar. Dis. 2, 456 (2021).

Google Académico

Hannah, L. et al. ¿Son los campus universitarios superpropagadores? Un estudio de modelado basado en datos. computar Métodos Biomecánica. biomedicina Ing. 24(10), 1136–1145 (2021).

Artículo Google Académico

Katia, JB et al. Efectividad de mRNA-1273 contra delta, mu y otras variantes emergentes de SARS-CoV-2: estudio de casos y controles con prueba negativa. BMJ 375, e068848 (2021).

Google Académico

Jill, MF et al. Disminución de la eficacia de 2 y 3 dosis de vacunas de ARNm contra el departamento de emergencias asociado con COVID-19 y encuentros de atención urgente y hospitalizaciones entre adultos durante períodos de predominio de variantes delta y omicron: red VISION. Ciencia 2, 968 (2022).

Google Académico

Marca, GT et al. Efectividad de una tercera dosis de vacunas de ARNm contra el departamento de emergencias asociado con COVID-19 y encuentros de atención urgente y hospitalizaciones entre adultos durante períodos de predominio de variantes delta y omicron: red VISION. ciencia Rep. 3, 968 (2022).

Google Académico

Srinivas, N. et al. Efectividad de las vacunas Pfizer-BioNTech y moderna en la prevención de la infección por SARS-CoV-2 entre los residentes de hogares de ancianos antes y durante la circulación generalizada de la red nacional de seguridad de atención médica variante SARS-CoV-2 b.1.617.2 (delta). MMWR Morb. Mortal. Semanal. Rep. 70(34), 1163–1166 (2021).

Artículo Google Académico

Collie, S., Champion, J., Moultrie, H., Bekker, L.-G. & Gray, G. Efectividad de la vacuna BNT162b2 contra la variante omicron en Sudáfrica. N. ingl. J.Med. 386(5), 494–496 (2022).

Artículo PubMed Google Académico

Sara, AB et al. Efectividad de las vacunas COVID-19 contra la infección sintomática omicron o delta y resultados graves. ciencia Rep. 21, 8633 (2022).

Google Académico

Eva, C., Elizabeth, YC & Amirian, ES Por qué los esfuerzos de rastreo de contactos no lograron frenar la transmisión de la enfermedad por coronavirus 2019 (COVID-19) en gran parte de los Estados Unidos. clin. Infectar. Dis. 72(9), e415–e419 (2021).

Artículo Google Académico

Ivo, MF, Michael, H., Jill, MF y David, KS El diseño de prueba de caso negativo para estudios de la efectividad de la vacuna contra la influenza. Vacuna 31(30), 3104–3109 (2013).

Artículo Google Académico

Joseph, AL, Christine, T., Benjamin, JC y Marc, L. Medición de los efectos directos de la vacuna bajo el diseño Test-Negative. Soy. J. Epidemiol. 187(12), 2686–2697 (2018).

Artículo Google Académico

Rebecca, K., Stephanie, JS, Jennifer, RV y Marc, L. Identificación y alivio del sesgo debido al agotamiento diferencial de personas susceptibles en las evaluaciones posteriores a la comercialización de las vacunas contra el COVID-19. Soy. J. Epidemiol. 5, 2147 (2022).

Google Académico

Pastor, RS et al. Eficacia de la vacuna COVID-19 de ARNm BNT162b2 contra la variante beta del SARS-CoV-2 (b.1.351) entre personas identificadas a través del rastreo de contactos en Israel: un estudio de cohorte prospectivo. EClinicalMedicine 42, 101190 (2021).

Artículo Google Académico

Benjamin, JC & Sheena, GS Preocupación por la terminología en los estudios de efectividad de las vacunas. Ciencia 5, 641 (2018).

Google Académico

Anders, H., Mats, JS & Etsuji, S. Sobre la colapsabilidad de las medidas de efecto en el marco causal contrafáctico. emergente Temas Epidemiol. 16, 1 (2019).

Artículo Google Académico

Jonathan, MS, Sherri, R. y Kathleen, MM Implementación del cálculo g en un conjunto de datos simulados: Demostración de una técnica de inferencia causal. Soy. J. Epidemiol. 173(7), 731–738 (2011).

Artículo Google Académico

Alexander, PK, Eric, JD, Stephanie, ME, Jessie, PB y Jessie, KE Un enfoque bayesiano de la fórmula g. Ciencia 6, 7489 (2018).

Google Académico

Muluneh, A. et al. Intervalo serial y período de incubación de covid-19: una revisión sistemática y metanálisis. BMC infectado. Dis. 21(1), 1–9 (2021).

Google Académico

Eli, SR et al. Efectividad de la vacuna Covid-19 en el estado de Nueva York. N. ingl. J.Med. 386(2), 116–127 (2022).

Artículo Google Académico

Sara, YT et al. Efectividad de la vacuna mRNA BNT162b2 COVID-19 hasta 6 meses en un gran sistema de salud integrado en los EE. UU.: un estudio de cohorte retrospectivo. Ciencia 42, 3896 (2021).

Google Académico

Frederik, PL et al. Transmisión de SARS-CoV-2 omicron VOC subvariantes BA.1 y BA.2: Evidencia de hogares daneses. ciencia Rep. 21, 796 (2022).

Google Académico

David, WE et al. Efecto de la vacunación covid-19 en la transmisión de variantes alfa y delta. N. ingl. J.Med. 386(8), 744–756 (2022).

Artículo Google Académico

de Brechje, G., de Brechje, G., Stijn, A., Jantien, AB, Susan, JMH, van den Susan, H., de Hester, EM, Mirjam, JK y equipo de vigilancia y epidemiología de la COVID-19 del RIVM . Eficacia de la vacuna contra la transmisión del SARS-CoV-2 a los contactos domésticos durante el predominio de la variante delta (b.1.617.2), agosto-septiembre de 2021, Países Bajos.

Harry, P. y Robin, D. Una revisión de la pérdida de aprendizaje durante la COVID-19 (Springer, Berlín, 2021).

Google Académico

Per, E., Arun, F. & Mark, DV Pérdida de aprendizaje debido al cierre de escuelas durante la pandemia de COVID-19. ciencia Rep. 5, 214 (2021).

Google Académico

Daniel, CP, Sarah, ES-J., Gosia, N., Uzo, C., Jesse, RG, Robert, JH, Jeffrey, AJ, Natalie, JT, Jarad, S., Zachary, W., Bettina, B ., Michael, DB, Adam, M., Monita, RP, Eric, D., Bruce, LG, Rebekah, T., Rene, G., Shannon, R., Brett, W., Ashley, K., Peyton , S., Christopher, L. y James, G. Grupo de laboratorio de aumento de COVID-19 de los CDC y Grupo de laboratorio de aumento de COVID-19 de los CDC. Infecciones por SARS-CoV-2 y respuestas serológicas de una muestra de miembros del servicio de la marina de EE. UU.: USS theodore roosevelt (2020).

Pawinee, D.-ngern, Rapeepong, S., Apinya, P., Chawisar, J., Duangrat, R., Nawaporn, D., Napatchakorn, E., Nichakul, P., Nuengruethai, S., Oiythip, Y ., y otros (2012) Estudio de casos y controles sobre el uso de medidas de protección personal y el riesgo de infección por coronavirus 2 del SARS, Tailandia.

...Jason, A. et al. Impacto del enmascaramiento comunitario en COVID-19: un ensayo aleatorizado por grupos en Bangladesh. Ciencia 375 (6577), eabi9069 (2022).

Artículo Google Académico

Alison, KC, Lindsay, TH, Chloe, RN, Neshat, Y. y Miranda, PD Oportunidades para reducir los comportamientos de riesgo relacionados con el COVID-19 de los estudiantes universitarios adultos jóvenes: perspectivas de una cohorte longitudinal nacional. J. Adolescentes. Salud 69(3), 383–389 (2021).

Artículo Google Académico

Frederik, PL, Laust, HM, Matthew, JD, Lasse, EC, Camilla, HM, Robert, LS, Katja, S., Anders, F., Maria, ML, Morten, R., Marc, S., Claus, N., Raphael, NS, Arieh, SC, Frederik, TM, Maria, O., Kåre, M., Tyra, GK y Carsten, TK SARS-CoV-2 transmisión de COV omicron en hogares daneses (2021).

Paige, K. et al. Implementación y proceso de una iniciativa de rastreo de contactos de COVID-19: aprovechar a los estudiantes profesionales de la salud para ampliar la fuerza laboral durante una pandemia. Soy. J. infectar. Control 48(12), 1451–1456 (2020).

Artículo Google Académico

Seung-Ji, K., Sooyeon, K., Kyung-Hwa, P., Sook, IJ, Min-Ho, S., Sun-Seog, K., Hyang, P., Seong-Woo, C., Eungyu , L., & So, YR Control exitoso del brote de COVID-19 a través del rastreo, las pruebas y el aislamiento: Lecciones aprendidas de los esfuerzos de control de brotes realizados en una ciudad metropolitana de Corea del Sur.

Anjum, K., Justin, FR, Steven, BA y William, MT Establecimiento de un entorno de intercambio de datos para un centro de salud académico del siglo XXI (2020).

Descargar referencias

Esta investigación fue apoyada por una donación de Love, Tito's (el brazo filantrópico de Tito's Homemade Vodka, Austin, TX, EE. UU.) a la Universidad de Texas para apoyar el modelado de estrategias de mitigación de COVID-19. El Consejo de Epidemiólogos Estatales y Territoriales proporcionó financiación adicional con el número de subvención NU38OT000297.

Los Alamos National Laboratory, Los Alamos, USA

Graham C Gibson

Departamento de Biología Integrativa, Universidad de Texas en Austin, Austin, EE. UU.

Spencer Woody, Spencer J. Fox y Lauren Ancel Meyers

Departamento de Salud de la Población, Facultad de Medicina Dell, Universidad de Texas en Austin, Austin, EE. UU.

Emily james y darlene bhavnani

Unidad de Vigilancia de Enfermedades y Epidemiología, Salud Pública de Austin, Austin, EE. UU.

mente weldon

También puede buscar este autor en PubMed Google Scholar

GG, DB y LM concibieron y diseñaron el análisis. EJ, MW y DB recopilaron los datos. SF y SW aportaron datos o herramientas de análisis. GG y DB realizaron el análisis.

Correspondencia a Graham C. Gibson.

Los autores declaran no tener conflictos de intereses.

Springer Nature se mantiene neutral con respecto a los reclamos jurisdiccionales en mapas publicados y afiliaciones institucionales.

Acceso abierto Este artículo tiene una licencia internacional Creative Commons Attribution 4.0, que permite el uso, el intercambio, la adaptación, la distribución y la reproducción en cualquier medio o formato, siempre que se otorgue el crédito correspondiente al autor o autores originales y a la fuente. proporcionar un enlace a la licencia Creative Commons e indicar si se realizaron cambios. Las imágenes u otro material de terceros en este artículo están incluidos en la licencia Creative Commons del artículo, a menos que se indique lo contrario en una línea de crédito al material. Si el material no está incluido en la licencia Creative Commons del artículo y su uso previsto no está permitido por la regulación legal o excede el uso permitido, deberá obtener el permiso directamente del titular de los derechos de autor. Para ver una copia de esta licencia, visite http://creativecommons.org/licenses/by/4.0/.

Reimpresiones y permisos

Gibson, GC, Woody, S., James, E. et al. Monitoreo en tiempo real de la efectividad de la intervención COVID-19 a través de datos de rastreo de contactos. Informe científico 13, 9371 (2023). https://doi.org/10.1038/s41598-023-35892-0

Descargar cita

Recibido: 02 Septiembre 2022

Aceptado: 25 de mayo de 2023

Publicado: 09 junio 2023

DOI: https://doi.org/10.1038/s41598-023-35892-0

Cualquier persona con la que compartas el siguiente enlace podrá leer este contenido:

Lo sentimos, un enlace para compartir no está disponible actualmente para este artículo.

Proporcionado por la iniciativa de intercambio de contenido Springer Nature SharedIt

Al enviar un comentario, acepta cumplir con nuestros Términos y Pautas de la comunidad. Si encuentra algo abusivo o que no cumple con nuestros términos o pautas, márquelo como inapropiado.

Noticias