Search

Although less well-recognized than for other infectious diseases, heterogeneity is a defining feature of tuberculosis (TB) epidemiology. To advance toward TB elimination, this heterogeneity must be better understood and addressed. Drivers of heterogeneity in TB epidemiology act at the level of the infectious host, organism, susceptible host, environment, and distal determinants. These effects may be amplified by social mixing patterns, while the variable latent period between infection and disease may mask heterogeneity in transmission. Reliance on notified cases may lead to misidentification of the most affected groups, as case detection is often poorest where prevalence is highest. Assuming that average rates apply across diverse groups and ignoring the effects of cohort selection may result in misunderstanding of the epidemic and the anticipated effects of control measures. Given this substantial heterogeneity, interventions targeting high-risk groups based on location, social determinants, or comorbidities could improve efficiency, but raise ethical and equity considerations.

The article by Leal Neto et al. focuses on exponential technological growth and the consequent changes in the current paradigms of health sciences. The text cites several specific cases, from the perspective of "disruptive innovations" and their impact on public health. In this commentary we will look at some of the cases cited by Leal Neto et al., Complementing his presentation with additional examples, reflecting on some challenges and opportunities inherent to digital health.

Submitted by Maria Creuza Silva (mariakreuza@yahoo.com.br) on 2017-06-06T12:13:40Z No. of bitstreams: 1 Mauricio Barreto. End Tb...2016.pdf: 493856 bytes, checksum: 5abb74442d6cf1940ecfc3156bca1989 (MD5) Made available in DSpace on 2017-06-06T12:13:40Z (GMT). No. of bitstreams: 1 Mauricio Barreto. End Tb...2016.pdf: 493856 bytes, checksum: 5abb74442d6cf1940ecfc3156bca1989 (MD5) Background: Diseases occur in populations whose individuals differ in essential characteristics, such as exposure to the causative agent, susceptibility given exposure, and infectiousness upon infection in the case of infectious diseases. Discussion: Concepts developed in demography more than 30 years ago assert that variability between individuals affects substantially the estimation of overall population risk from disease incidence data. Methods that ignore individual heterogeneity tend to underestimate overall risk and lead to overoptimistic expectations for control. Concerned that this phenomenon is frequently overlooked in epidemiology, here we feature its significance for interpreting global data on human tuberculosis and predicting the impact of control measures. Summary: We show that population-wide interventions have the greatest impact in populations where all individuals face an equal risk. Lowering variability in risk has great potential to increase the impact of interventions. Reducing inequality, therefore, empowers health interventions, which in turn improves health, further reducing inequality, in a virtuous circle. London

Traduction de Nicolas Bacaer; International audience; Man studiert das SIR-System von Differentialgleichungen mit periodischen Koeffizienten, das eine Epidemie in einer jahreszeitlichen Umgebung beschreibt. Im Gegensatz zu den konstanten Umgebungen kann die Endgrösse einer Epidemie eine steigende Funktion der Nettoreproduktionsrate oder des anfänglichen Anteils der infizierten Personen nicht sein. Grosse Epidemien können auch wenn $R_01 ist die Endgrösse der Epidemie grösser als der Anteil 1-1/R0 der anfänglichen nicht immunisierten Bevölkerung. Die Nettoreproduktionsrate R0 behält also die Rolle einer Schwelle, aber viele klassische Merkmale sind in einer jahreszeitlichen Umgebung nicht mehr wahr. Man sollte diese theoretischen Bemerkungen nicht vergessen wenn man Daten für Vektorkrankheiten wie das Chikungunyafieber, das Denguefieber oder das West-Nil-Virus untersucht, weil diese Krankheiten jahreszeitlich sind. Das gilt auch für Krankheiten, die direkt mit dem Luft übertragen sind, wie die Grippe oder das SARS.; On étudie d'abord un système SIR d'équations différentielles à coefficients périodiques qui décrit une épidémie dans un environnement saisonnier. Contrairement à un environnement constant, la taille finale de l'épidémie peut ne pas être une fonction croissante de la reproductivité nette R0 ou de la fraction initiale de personnes infectées. De plus, de grandes épidémies peuvent se produire même si R0 < 1. Mais comme dans un environnement constant, la taille finale de l'épidémie tend vers 0 quand R0 < 1 et quand la fraction initiale de personnes infectées tend vers 0. Lorsque R0 > 1, la taille finale de l'épidémie est supérieure à la fraction 1 − 1/R0 de la population initiale non immunisée. En résumé, la reproductivité nette R0 garde la propriété classique de seuil mais de nombreuses autres propriétés ne sont plus vraies dans un environnement saisonnier. On devrait conserver ces résultats théoriques a l'esprit lorsqu'on analyse des données pour des maladies émergentes à vecteurs (virus du Nil occidental, dengue, chikungunya) ou transmises par voie aérienne (SRAS, grippe pandémique), toutes ces maladies étant influencées par la saisonnalité.