Modelos de transmisión epidemiológica
El modelo de dinámica de transmisión del VIH/SIDA se basó en estudios previos.15 y estaba compuesto por ecuaciones de diferenciación ordinarias no lineales y cinco variables dinámicas: aquellos susceptibles a la infección por VIH a través del contacto sexual ((S)), personas VIH positivas que son infecciosas ((I)), personas con SIDA en toda regla ((A)), personas en tratamiento y que por tanto tienen una carga viral indetectable ((T)), y los individuos que aún no son sexualmente activos o han cambiado sus hábitos sexuales, por lo que ya no forman parte de la población prone ((R)). El modelo de TB, basado en estudios previosdieciséisestaba compuesto por ecuaciones diferenciales ordinarias no lineales y cuatro variables dinámicas: prone ((S)), infección primaria ((PAGS)), infección latente ((L)), y enfermedad tuberculosa activa ((I)). Cifra 1 presenta la estructura de los dos modelos compartimentales (para una descripción completa de los modelos y el sistema de ecuaciones, consulte Materials suplementario páginas 2 a 5). La comorbilidad de VIH/SIDA y TB no fue incluida en los modelos porque representa menos del 10% de los casos de TB en Brasil y, por lo tanto, no modificaría significativamente la dinámica de las dos enfermedades.17,18.
Estructura de los modelos compartimentales de VIH/SIDA y Tuberculosis. (a) Modelo de transmisión del VIH/SIDA: (S) aquellos susceptibles a la infección por el VIH a través del contacto sexual, (I) individuos VIH positivos que son infecciosos, (A) individuos con SIDA en toda regla, (T) individuos en tratamiento y que por lo tanto tienen una carga viral indetectable, (R) individuos que aún no son sexualmente activos o han cambiado sus hábitos sexuales, por lo que ya no forman parte de la población prone. (b) Modelo de transmisión de tuberculosis: (S) prone, (P) infección primaria, (L) infección latente, (I) enfermedad tuberculosa activa.
Incorporar la pobreza a los modelos matemáticos
Varios factores, desde mejoras socioeconómicas en la sociedad hasta avances en la atención sanitaria (por ejemplo, nuevos diagnósticos, terapias o nuevos protocolos), pueden influir significativamente en la dinámica del VIH/SIDA y la tuberculosis. Sin embargo, los factores influyentes que cambian rápidamente y experimentan grandes variaciones durante una disaster económica son las tasas de pobreza y las vulnerabilidades socioeconómicas.2,7,19.
De acuerdo con consideraciones teóricas y empíricas en la inclusión de los determinantes sociales de la salud (DSS) en el modelo de enfermedades infecciosas.20incorporamos las tasas de pobreza anual en todos los parámetros del modelo sensibles a la pobreza y las vulnerabilidades sociales en VIH/SIDA y TB de acuerdo con la literatura (ver Materials suplementario páginas 5 y 6)7,9,21.
Además, para tomar en cuenta los cambios en otras condiciones socioeconómicas y los avances en la atención sanitaria, que han ido mejorando durante las últimas dos décadas en el país.17,18,22también incluimos una tendencia temporal decreciente en el modelo, para eso se incluyó un término dependiente del tiempo en el parámetro beta (ver Materials suplementario páginas 6 y 7). Hemos elegido los parámetros beta porque los cambios sociales más significativos en Brasil en las últimas dos décadas, y potencialmente hasta 2030, han sido la reducción de la pobreza y las desigualdades socioeconómicas, y la mejora de los determinantes sociales de la salud. Estos determinantes son muy influyentes y actúan principalmente sobre la reducción del riesgo de infectarse (y en consecuencia en nuestros modelos en los parámetros Beta) a través de varios mecanismos: más relacionados con comportamientos sexuales para VIH/SIDA23,24y al estado nutricional y las condiciones de vivienda en caso de tuberculosis25,26. Además, las intervenciones biomédicas más prometedoras que se implementarán o ampliarán en la próxima década para reducir la carga del VIH/SIDA y la tuberculosis se centran en prevenir la infección. Una de las intervenciones más estudiadas actualmente es el uso de PrEP (profilaxis previa a la exposición): cuando se toma según lo prescrito, la PrEP es muy eficaz para prevenir las infecciones por VIH.27. En cuanto a la tuberculosis, los medicamentos antituberculosos para el tratamiento de la infección tuberculosa latente28 y la vacuna contra la tuberculosis también reducirá las infecciones activas de tuberculosis29.
En consecuencia, para mantener una estructura de modelo más easy, asumimos que otros factores potenciales (como la introducción de nuevos tratamientos) no influirían significativamente en la dinámica de las dos enfermedades y, en consecuencia, en sus proyecciones hasta 2030. De hecho, Según el análisis de sensibilidad, el beta (parámetro de transmisión) fue el parámetro más influyente tanto para el VIH/SIDA como para la tuberculosis, mientras que los otros parámetros afectaron menos las tendencias futuras en la incidencia de enfermedades y la mortalidad. Además, el objetivo de nuestro estudio no fue predecir específicamente la carga de SIDA y tuberculosis durante la próxima década, sino estimar la diferencia entre las proyecciones de SIDA y tuberculosis según respuestas políticas alternativas. Todos los factores y eventos históricos no incluidos en nuestros modelos habrían afectado de manera comparable a todos los escenarios comparados.30,31y no habría cambiado significativamente la magnitud de sus estimaciones de comparación.
Estimación de las tendencias de la pobreza y los efectos de las estrategias de mitigación sobre la pobreza
El cálculo de las tasas de pobreza para el período 2000-2019 se describe en detalle en el Suplementario (ver Materials suplementario páginas 13–16). En cuanto a las políticas de protección social que podrían implementarse para mitigar el impacto de la disaster económica, nos centramos en las políticas de reducción de la pobreza por dos razones: en primer lugar, estas políticas, en specific los programas de transferencias de efectivo (CT), se encuentran entre las políticas de protección social que pueden implementarse para mitigar el impacto de la disaster económica. implementarse con relativa rapidez, amplitud y eficacia durante una disaster2. En segundo lugar, las tasas de pobreza han respondido consistentemente a estas políticas, como lo demuestra el programa CT condicional Bolsa Familia en las últimas dos décadas y el AE CT durante la pandemia.9,13. Si bien las políticas de reducción de la pobreza también pueden afectar otros indicadores socioeconómicos, como el nivel educativo y la infraestructura de los hogares, es possible que tengan un efecto menor y retardado sobre el VIH/SIDA y la tuberculosis a mediano y largo plazo.
En este estudio, se pronosticaron varios escenarios de tasas de pobreza hasta 2030, basados en la evolución potencial de la disaster económica y la implementación de políticas alternativas de protección social (para una descripción completa, consulte Materials suplementario páginas 16 y 17). Los principales análisis mostraron los tres escenarios más relevantes: protección social fuerte, protección social moderada y ninguna protección social. El objetivo period evaluar cómo las diferencias en los niveles de pobreza de las distintas políticas de protección social afectarían la incidencia y la mortalidad por SIDA y tuberculosis, centrándose en comparaciones entre escenarios más que en predicciones de tasas de pobreza durante el período de estudio.
El primer escenario de cobertura fuerte suponía que una intervención comparable a la EA, basada en transferencias de efectivo, se implementa y se mantiene incluso después de la pandemia, manteniendo la pobreza en tasas extremadamente bajas hasta 2030. El escenario se desarrolló a partir de microdatos de las Encuestas Nacionales de Hogares (PNAD) hasta a 2020, año en el que se implementó el EA durante la pandemia, seguido de una extrapolación de las tasas de pobreza hasta 2030 utilizando una función de decaimiento exponencial previamente calibrada con datos reales, como se hizo en estudios anteriores.7,31. El segundo escenario suponía un nivel moderado de protección social comparable al de los años anteriores a la pandemia. En este caso, la protección social EA no se implementará hasta 2020, seguido del mantenimiento de las políticas de protección social existentes. En este escenario, las estimaciones de la tasa de pobreza del año 2001 al 2020 se utilizaron para pronosticar los valores del 2021 al 2030 utilizando modelos de vectores autorregresivos (VAR) (ver Materials suplementario página 13). El tercer escenario de no cobertura se basó en datos de la PNAD hasta 2019. Las tasas de pobreza de 2020 se obtuvieron restando las asignaciones monetarias de las AE (disponibles en los microdatos de la encuesta) del ingreso per cápita de los beneficiarios de las AE en los datos de la PNAD 2020. , estimando así las tasas de pobreza en un escenario de pandemia donde no se implementó EA. Las tendencias de la pobreza se pronosticaron hasta 2030 mediante extrapolación utilizando una función exponencial comparable a la utilizada para el escenario de fuerte protección social, calibrada utilizando las tasas de pobreza de 2019-2020 estimadas para este escenario, como se hizo en estudios anteriores.31. Se asumió una disminución gradual de las tasas de pobreza a partir de mediados de la década (2026), estimada según el comportamiento de recesiones económicas anteriores en el país (se han probado otras duraciones de la disaster como análisis de sensibilidad).31.
Estimación de los parámetros.
Las tasas de natalidad y mortalidad pure se estimaron utilizando recuentos y proyecciones de la población brasileña entre 2003 y 2030. Calibramos los parámetros del modelo de SIDA utilizando datos anuales reportados sobre casos anuales de SIDA recientemente notificados durante el período 2003-2019 (Materials suplementario páginas 11 y 12)18. No utilizamos datos del año 2020 para evitar problemas de subregistro debido a la pandemia, que podrían afectar el proceso de calibración. Utilizamos un algoritmo genético (GA) para ajustar los modelos de VIH/SIDA y TB a los casos de SIDA notificados anualmente y a las muertes relacionadas con el SIDA y a los datos de casos de TB y muertes relacionados con la TB notificados anualmente, respectivamente (ver Materials suplementario páginas 8 y 9). El método consistió en ajustar tanto los nuevos casos anuales como las muertes al mismo tiempo. Como problema inverso obtuvimos los parámetros del modelo que dieron como resultado el menor error usando la fórmula RMSE.
Además, para abordar la posible incertidumbre en los datos administrativos de SIDA y tuberculosis y, por lo tanto, en los parámetros calibrados de los modelos, estimamos intervalos de predicción para cada escenario proyectado de SIDA y tuberculosis. Utilizamos un método de arranque no paramétrico con una distribución de Poisson, desarrollando 100 réplicas de los datos originales durante el período 2003-2019 para la incidencia y muertes por SIDA y TB, como se hizo en estudios de modelado anteriores en Brasil.32. Estimamos sucesivamente los parámetros de los modelos, con los métodos GA descritos anteriormente, para cada una de las 100 réplicas. Para generar los intervalos de incertidumbre utilizamos el enfoque bootstrapping descrito anteriormente, que consistió en crear una muestra de 100 casos nuevos y muertes (para cada enfermedad por separado) y aplicar el método de calibración para cada uno de ellos. Una vez que tuvimos un sistema determinista del método de calibración obtuvimos una serie de tiempo (salida) para cada elemento (serie de tiempo de nuevos casos anuales y muertes) de la muestra calibrada. Con los 100 conjuntos de parámetros, estimamos 100 trayectorias de incidencia y muertes por SIDA y TB para cada uno de los escenarios relacionados con la pobreza descritos anteriormente (Materials suplementario páginas 10 a 12). Calculamos las tasas de incidencia y mortalidad del SIDA y la tuberculosis dividiendo el número de casos y muertes por cada enfermedad por 100.000 personas-año. Por lo tanto, debido al proceso de arranque, al calcular la UI del 95% podríamos tener este modelo ajustado y algunos puntos de datos fuera del rango de incertidumbre. Sin embargo, incluso con esta limitación podemos ver que las tendencias se respetan en ambos modelos.
