Chemotaxis-inspired PDE models of airborne infectious disease transmission: epidemiologically-motivated mathematical and numerical analyses

Sintesi Tecnica: Modelli PDE ispirati alla chemiotassi per la trasmissione di malattie infettive aeree

Definizione del Problema
La modellazione matematica delle malattie infettive si è tradizionalmente basata su modelli compartimentali a equazioni differenziali ordinarie (ODE) (ad esempio, SIR), che mancano di una dinamica spaziale esplicita. Sebbene siano stati proposti modelli a equazioni differenziali alle derivate parziali (PDE) per affrontare la propagazione spaziale, questi tipicamente trattano la diffusione della malattia come un processo diffusivo fickiano. In questo quadro standard, l'infezione si propaga da regioni ad alta densità di infezione verso regioni a bassa densità di infezione. Tuttavia, gli autori sostengono che tale assunzione sia insufficiente per le malattie trasmesse per via aerea nelle popolazioni umane. I dati empirici, in particolare quelli della pandemia di COVID-19, suggeriscono che la trasmissione correli fortemente con la densità di popolazione, muovendosi spesso da aree di minore densità di suscettibili verso aree di maggiore densità (ad esempio, verso i centri urbani). I modelli di pura diffusione non riescono a catturare questo movimento "verso il gradiente" e la conseguente formazione di hotspot di infezione nei centri di popolazione densamente popolati. Inoltre, gli approcci PDE esistenti spesso faticano a fornire quantità epidemiologicamente interpretabili, come un numero di riproduzione di base ($R_0$) spazialmente consapevole, che sono cruciali per il processo decisionale della sanità pubblica.

Metodologia
Il documento estende un modello PDE precedentemente introdotto e ispirato alla chemiotassi [42] per le malattie infettive trasmesse per via aerea. Il modello utilizza un sistema di equazioni di reazione-diffusione con l'aggiunta di un termine di chemiotassi per descrivere la dinamica delle popolazioni suscettibili ($s$), infette ($i$) e guarite ($r$).

• Formulazione Matematica: L'innovazione principale risiede nel termine di flusso $j$ per la popolazione infetta. Mentre un termine di diffusione standard ($-\nu_i \nabla i$) tiene conto del movimento casuale, il modello introduce un termine di chemiotassi ($\mu_i \chi(i) \nabla s$). Questo termine postula che la malattia si propaghi lungo il gradiente positivo della densità della popolazione suscettibile, muovendosi efficacemente verso aree con concentrazioni più elevate di individui suscettibili. La funzione $\chi(i)$ funge da termine di capacità di saturazione per prevenire una crescita illimitata.
• Analisi Matematica: Gli autori eseguono un'analisi matematica rigorosa del sistema, stabilendo l'esistenza e l'unicità di soluzioni deboli. Un focus primario è la derivazione di un numero di riproduzione di base spazialmente dipendente. Analizzando la stabilità della popolazione infetta nella norma $L^2$, gli autori derivano un $R_0$ modificato che incorpora il Laplaciano della popolazione suscettibile ($\Delta s$). Questa formulazione suggerisce che la concavità della densità di popolazione locale (specificamente, i massimi locali dove $\Delta s < 0$) influenza significativamente i tassi di trasmissione.
• Soluzione Numerica: Il documento affronta le sfide computazionali legate alla risoluzione di questo sistema, in particolare la potenziale instabilità numerica dovuta alle dinamiche di tipo convettivo introdotte dal termine di chemiotassi. Gli autori utilizzano un Metodo degli Elementi Finiti (FEM) per la discretizzazione spaziale e una formula di differenziazione posteriore del secondo ordine (BDF2) per la discretizzazione temporale. Per garantire la stabilità e la conservazione della massa, utilizzano uno schema di avanzamento temporale completamente implicito e introducono una tecnica di stabilizzazione di tipo streamline-diffusion per gestire i gradienti ripidi.

Contributi Chiave

1. Analisi Epidemiologicamente Interpretabile: Il documento deriva un numero di riproduzione di base ($R_0$) spazialmente consapevole che tiene conto dell'eterogeneità spaziale nella densità di popolazione. A differenza del classico $R_0$ basato su ODE, questa metrica dipende dal Laplaciano locale della popolazione suscettibile, fornendo una base teorica al motivo per cui si formano hotspot di infezione nelle aree urbane dense.
2. Stabilizzazione Numerica: Gli autori introducono e discutono uno schema di stabilizzazione (streamline-diffusion) necessario per risolvere il sistema PDE guidato dalla chemiotassi, affrontando l'aumento della complessità computazionale rispetto ai modelli di pura diffusione.
3. Studi di Simulazione Comparativa: Il modello viene testato in due distinte regioni geografiche: la Lombardia, in Italia, e lo stato della Georgia, negli USA. Le simulazioni confrontano il modello di chemiotassi con i modelli di reazione-diffusione pura utilizzando parametri indipendenti dal tempo.

Risultati
Gli studi di simulazione dimostrano che il modello di chemiotassi cattura le dinamiche spazio-temporali osservate nei dati di sorveglianza reali del COVID-19 in modo più accurato rispetto ai modelli di pura diffusione, anche senza parametri variabili nel tempo.

• Lombardia, Italia: I modelli di pura diffusione non sono riusciti a replicare la rapida diffusione dell'epidemia nei principali centri urbani come Milano, Bergamo e Brescia, mantenendo l'infezione artificialmente concentrata nelle zone di focolaio iniziale (Lodi e Cremona). Al contrario, il modello di chemiotassi ha simulato con successo la migrazione del fronte d'infezione verso i centri di popolazione ad alta densità, riproducendo gli "hotspot" osservati a Bergamo e Milano. Il modello ha identificato correttamente che le aree con alti valori negativi del Laplaciano nella popolazione suscettibile (massimi locali di densità) erano particolarmente vulnerabili.
• Georgia, USA: In una simulazione a livello statale, i modelli di pura diffusione hanno faticato a generare trasmissione nei principali centri di popolazione al di fuori dell'area metropolitana di Atlanta (ad esempio, contee di Chatham, Richmond, Bibb), pur sovrastimando la trasmissione nelle aree suburbane a bassa densità (ad esempio, Forsyth, Cherokee). Il modello di chemiotassi ha corretto queste discrepanze, aumentando significativamente la trasmissione nei centri di popolazione sottostimati e riducendola nelle aree a bassa densità sovrastimate, allineandosi più strettamente ai trend di mortalità osservati.

Significatività e Rivendicazioni
Il documento sostiene che fornisca una "prova di concetto" del fatto che i modelli PDE ispirati alla chemiotassi offrano un framework superiore per descrivere la trasmissione di malattie infettive trasmesse per via aerea nelle popolazioni umane rispetto ai modelli di diffusione standard. Gli autori sottolineano che il loro lavoro colma il divario tra la modellazione matematica complessa e l'applicazione epidemiologica pratica, derivando quantità interpretabili (l'$R_0$ spaziale) che collegano il comportamento del modello ai pattern di densità di popolazione.

La significatività del lavoro risiede nella sua capacità di spiegare e prevedere la formazione di hotspot di infezione guidati dai gradienti di popolazione spaziale senza richiedere una complessa calibrazione di parametri dipendenti dal tempo. Gli autori notano con modestia che lo studio attuale è qualitativo; il modello non è inteso come uno strumento predittivo definitivo per il COVID-19 senza incorporare altre complessità come la struttura per età, la vaccinazione e le politiche di mobilità. Tuttavia, i risultati suggeriscono che l'incorporazione del drift chemiotattico sia un passo necessario per modellare accuratamente la propagazione spaziale delle malattie trasmesse per via aerea in popolazioni umane eterogenee. Il lavoro futuro proposto mira ad estendere questi modelli a strutture compartimentali più complesse e a sviluppare schemi di stabilizzazione di ordine superiore.