Locally-informed risk maps for yellow fever: a modelling study in Ghana

Resumo Técnico: Mapas de risco localmente informados para febre amarela: um estudo de modelagem em Gana

Definição do Problema
Apesar da disponibilidade de uma vacina eficaz, surtos de Febre Amarela (FA) persistem na África e na América do Sul. Embora existam mapas de risco globais e continentais para a FA, eles carecem da granularidade necessária para a tomada de decisões em nível subnacional. Os mapas existentes frequentemente dependem de dados locais limitados, carecem do envolvimento de especialistas nacionais e são projetados primariamente para a estimativa de carga, em vez de serem políticas acionáveis. À medida que a estratégia "Eliminar Epidemias de Febre Amarela" (EYE) da Organização Mundial da Saúde transita, os encargos econômicos e operacionais estão se deslocando para as jurisdições nacionais e subnacionais, criando uma necessidade urgente de mapas de risco de alta resolução e localmente informados para orientar campanhas de vacinação direcionadas e a alocação de recursos diagnósticos em Gana.

Metodologia
O estudo empregou um processo de co-desenvolvimento envolvendo pesquisadores da UCLA, da Universidade de Gana e do Serviço de Saúde de Gana (GHS) para criar mapas de risco de FA subnacionais. A metodologia consistiu em três fases primárias:

1. Coleta e Preparação de Dados:

   • Dados de Vigilância: A equipe agregou dados de vigilância de nível de linha de 2005–2024, compreendendo 14.534 indivíduos testados para FA (14.349 suspeitos, 154 prováveis e 31 casos confirmados). Os dados foram georreferenciados para 261 distritos administrativos.
   • Covariáveis: Dados de observação da Terra de alta resolução foram integrados, incluindo variáveis bioclimáticas (temperatura, precipitação), elevação, índices de vegetação (NDVI, densidade de borda florestal) e fatores sociodemográficos (densidade populacional, ambiente construído).
   • Cobertura Vacinal: Um modelo de coorte de vacinação estruturado por idade foi desenvolvido para estimar a cobertura de imunização de FA anual por distrito (2000–2025), categorizando os distritos por vulnerabilidade com base em limiares de população não vacinada.

2. Modelagem de Nicho Ecológico (ENM):

   • Três algoritmos de aprendizado de máquina — Maximum Entropy (Maxent), Random Forest (RF) e Boosted Regression Trees (BRT) — foram avaliados para modelar a adequabilidade ambiental para a FA.
   • Os modelos foram treinados em 97 locais de ocorrência (2005–2023) e testados em 33 locais retidos (2024).
   • A autocorrelação espacial foi abordada usando validação cruzada de bloco espacial hierárquica de tabuleiro de 4 dobras (4-fold checkerboard). O desempenho do modelo foi avaliado usando o Índice de Boyce Contínuo (CBI) e taxas de omissão.
   • O modelo Maxent demonstrou o melhor desempenho. Sua saída contínua foi transformada em um mapa de risco categórico usando limiares específicos (OR10 e Presença de Treinamento Mínima).

3. Co-desenvolvimento e Ciclo de Feedback:

   • Fase 1: A colaboração semanal com oficiais de vigilância de doenças do GHS garantiu o uso de definições operacionais de casos, limites administrativos atuais e paletas de cores apropriadas.
   • Fase 2: Um simpósio foi realizado com líderes de saúde pública para avaliar os mapas usando uma abordagem de métodos mistos (pesquisa e entrevistas semiestruturadas) baseada no framework teórico de aceitabilidade (atitude afetiva, eticidade, eficácia percebida, autoeficácia e carga).
   • Produto Final: Um mapa de risco bivariado foi produzido sobrepondo o mapa categórico de adequabilidade ambiental com as estimativas de cobertura vacinal de 2025.

Principais Resultados

• Tendências Epidemiológicas: O estudo identificou 185 casos prováveis/confirmados, com uma mediana de idade de 12 anos. A maioria dos casos era do sexo masculino (57%) e vivia em áreas rurais (64%). Notavelmente, 29% dos casos prováveis/confirmados tinham um histórico autorrelatado de vacinação prévia contra FA, levantando questões sobre a eficácia da vacina ou o enfraquecimento da imunidade em coortes específicas.
• Padrões Espaciais: A incidência foi mais alta nas regiões do norte (Savana e Upper West), particularmente durante o surto de 2021–2022 originado no distrito de West Gonja. Os hotspots correlacionaram-se com as zonas ecológicas de Savana Guineense e de Transição.
• Desempenho do Modelo: O modelo Maxent local alcançou um alto CBI de teste de 0,94, superando o mapa de risco global mais recente (CBI 0,85) quando testado nos dados de 2024. O mapa global falhou em prever a alta adequabilidade no distrito de West Gonja, onde ocorreu a maior incidência.
• Drivers Preditivos: O modelo identificou a área de superfície construída e a temperatura média do trimestre mais frio como os fatores preditivos mais importantes. Foram encontradas associações positivas com maior precipitação, densidade de vegetação e elevação.
• Identificação de Risco: O mapa bivariado final destacou as regiões de Western e Western North como áreas de preocupação, caracterizadas por adequabilidade ambiental de moderada a alta e a menor cobertura vacinal estimada (<72%). Por outro lado, as regiões do norte apresentaram alta adequabilidade, mas maior cobertura vacinal (>80%).
• Feedback de Especialistas: 91% dos especialistas em saúde pública concordaram que os mapas estavam alinhados com suas expectativas. Eles expressaram maior confiança nos mapas co-desenvolvidos em comparação com os gerados externamente e identificaram os mapas como úteis para priorizar testes diagnósticos e vacinação proativa, embora tenham observado barreiras relativas à compreensão técnica e lacunas de vigilância.

Significância e Alegações
O artigo afirma que este estudo demonstra a viabilidade e o valor de co-desenvolver mapas de risco de doenças infecciosas com especialistas nacionais. A principal significância reside na mudança de avaliações de risco de escala global ampla para ferramentas subnacionais granulares que informam diretamente a política.

Especificamente, os autores alegam que:

1. Melhoria na Precisão: Modelos locais incorporando dados granulares e feedback de especialistas superam os modelos globais na previsão de locais de surtos recentes.
2. Capacidade de Ação: Os mapas de risco bivariados identificam efetivamente áreas onde a alta adequabilidade ambiental se sobrepõe à baixa cobertura vacinal, fornecendo um mecanismo direto para direcionar recursos.
3. Aceitabilidade: O processo de co-desenvolvimento aumenta a aceitabilidade e a probabilidade de adoção por tomadores de decisão nacionais em comparação com mapas gerados externamente.
4. Escalabilidade: O processo descrito serve como um template para o desenvolvimento de mapas de risco para outras doenças arbovirais e contextos, particularmente à medida que a estratégia EYE termina e as jurisdições locais assumem maior responsabilidade pela prevenção de surtos.

Os autores mantêm uma postura modesta, reconhecendo limitações como potenciais vieses na vigilância passiva, o uso da residência como um proxy para o local de infecção e a exclusão da dinâmica de mobilidade humana. Eles concluem que, embora os mapas de risco não sejam uma solução isolada, são um componente crítico de um quadro de tomada de decisão mais amplo para o controle da FA em Gana.