Introduzione MDD:
Questo studio non mette in discussione i vaccini antinfluenzali colpevoli di "favorire" in alcuni casi l'avanzata del covid19, anzi, vengono citati diversi studi di segno opposto, ma offre uno spunto sulla necessità di indagare in questa direzione, proprio perché siamo in presenza di una malattia sconosciuta dove le variabili, le interazioni sono moltepilici e, spesso, non vengono calcolate.
Buona lettura...
Autori e referenze:
Rapporti precedenti indicano che la vaccinazione antinfluenzale sembra essere correlata negativamente con la mortalità associata a COVID-19, forse a causa dell'immunità eterologa o dei cambiamenti nell'immunità innata. La comprensione di tali tendenze nelle correlazioni potrebbe prevenire le morti per COVID-19 in futuro. Lo scopo di questo studio era quindi quello di analizzare l'associazione tra i decessi correlati a COVID-19 e il tasso di vaccinazione antinfluenzale (IVR) negli anziani di tutto il mondo.
Metodi
Per determinare l'associazione tra i decessi per COVID-19 e la vaccinazione antinfluenzale, sono stati analizzati i set di dati disponibili dei paesi con più di 0,5 milioni di abitanti (in totale 39 paesi).
Metodi
Per determinare l'associazione tra i decessi per COVID-19 e la vaccinazione antinfluenzale, sono stati analizzati i set di dati disponibili dei paesi con più di 0,5 milioni di abitanti (in totale 39 paesi).
Per stimare accuratamente l'influenza dell'IVR sui decessi di COVID-19 e mitigare gli effetti delle variabili confondenti, è stata eseguita una classificazione sofisticata dell'importanza delle diverse variabili, incluse le variabili predittive IVR e alcune variabili geografiche e socioeconomiche potenzialmente importanti, nonché le variabili correlate intervento non farmaceutico.
Le associazioni sono state misurate mediante coefficienti di correlazione dei ranghi di Spearman non parametrici e funzioni forestali casuali.
Risultati
I risultati hanno mostrato un'associazione positiva tra morti per COVID-19 e IVR di persone di età ≥65 anni. C'è un aumento significativo dei decessi per COVID-19 dalle regioni orientali a quelle occidentali del mondo. Sono necessarie ulteriori esplorazioni per spiegare questi risultati e un ulteriore lavoro su questa linea di ricerca potrebbe portare alla prevenzione dei decessi associati a COVID-19.
La pandemia della malattia da coronavirus 2019 (COVID-19), causata dalla sindrome respiratoria acuta grave coronavirus 2 (SARS-CoV-2), è una crisi sanitaria globale in corso (Yuen et al., 2020), che colpisce direttamente e indirettamente tutte le sfere dell'essere umano vita (Ozili e Arun, 2020).
Risultati
I risultati hanno mostrato un'associazione positiva tra morti per COVID-19 e IVR di persone di età ≥65 anni. C'è un aumento significativo dei decessi per COVID-19 dalle regioni orientali a quelle occidentali del mondo. Sono necessarie ulteriori esplorazioni per spiegare questi risultati e un ulteriore lavoro su questa linea di ricerca potrebbe portare alla prevenzione dei decessi associati a COVID-19.
La pandemia della malattia da coronavirus 2019 (COVID-19), causata dalla sindrome respiratoria acuta grave coronavirus 2 (SARS-CoV-2), è una crisi sanitaria globale in corso (Yuen et al., 2020), che colpisce direttamente e indirettamente tutte le sfere dell'essere umano vita (Ozili e Arun, 2020).
In tutto il mondo sono stati documentati oltre 31.000.000 di casi confermati, inclusi oltre 970.000 decessi, che hanno interessato 213 paesi e territori in tutto il mondo (https://covid19.who.int/).
Determinare i fattori che influenzano la gravità del COVID-19 è importante (Armengaud et al., 2020). Sebbene la malattia COVID-19 non colpisca solo le persone anziane, la gravità dei sintomi aumenta con l'età (https://www.cdc.gov/coronavirus/2019-ncov/need-extra-precuctions/older-adults.html; Le Couteur , Anderson e Newman, 2020). Diversi altri fattori di rischio sono stati trovati per COVID-19 grave, come comorbidità, dispnea, dolore toracico, tosse, espettorazione, diminuzione dei linfociti e aumento degli indicatori di infiammazione (Li et al., 2020). Lo stato socioeconomico basso è un ulteriore fattore di rischio (Yancy, 2020).
In risposta al numero crescente di casi di COVID-19 e di decessi, sono stati implementati numerosi interventi non farmaceutici, tra cui l'allontanamento sociale, la chiusura delle frontiere, la chiusura delle scuole, misure per isolare gli individui sintomatici e i loro contatti e il blocco su larga scala delle popolazioni ( Courtemanche et al., 2020; Flaxman et al., 2020).
Determinare i fattori che influenzano la gravità del COVID-19 è importante (Armengaud et al., 2020). Sebbene la malattia COVID-19 non colpisca solo le persone anziane, la gravità dei sintomi aumenta con l'età (https://www.cdc.gov/coronavirus/2019-ncov/need-extra-precuctions/older-adults.html; Le Couteur , Anderson e Newman, 2020). Diversi altri fattori di rischio sono stati trovati per COVID-19 grave, come comorbidità, dispnea, dolore toracico, tosse, espettorazione, diminuzione dei linfociti e aumento degli indicatori di infiammazione (Li et al., 2020). Lo stato socioeconomico basso è un ulteriore fattore di rischio (Yancy, 2020).
In risposta al numero crescente di casi di COVID-19 e di decessi, sono stati implementati numerosi interventi non farmaceutici, tra cui l'allontanamento sociale, la chiusura delle frontiere, la chiusura delle scuole, misure per isolare gli individui sintomatici e i loro contatti e il blocco su larga scala delle popolazioni ( Courtemanche et al., 2020; Flaxman et al., 2020).
Alcune misure farmacologiche sono state proposte anche (spesso in modo controverso) per prevenire la malattia da COVID-19 o ridurne la gravità, come l'uso di remdesivir (Beigel et al., 2020), desametasone (RECOVERY Collaborative Group, 2020), terapie aggiuntive (https://files.covid19treatmentguidelines.nih.gov/guidelines/section/section_85.pdf) e vaccini candidati COVID-19 (Graham, 2020, https://www.who.int/publications/m/item/draft-landscape-of-covid-19-candidate-vaccines).
Il termine "immunità eterologa" viene applicato quando un'infezione da parte di un patogeno può indurre e / o alterare la risposta immunitaria contro un altro patogeno non correlato.
Il termine "immunità eterologa" viene applicato quando un'infezione da parte di un patogeno può indurre e / o alterare la risposta immunitaria contro un altro patogeno non correlato.
L'immunità eterologa può migliorare o diminuire l'immunità protettiva contro un dato patogeno e / o causare immunopatologia grave o tolleranza agli antigeni auto.
L'immunità eterologa può anche provocare effetti non specifici (chiamati anche “effetti eterologhi”) dei vaccini che influenzano infezioni e malattie non correlate, come l'estensione dei risultati protettivi delle vaccinazioni (Goodridge et al., 2016; Agrawal, 2019). Arokiaraj (2020) ha riportato una correlazione negativa tra i tassi di vaccinazione antinfluenzale (IVR) e la mortalità e morbilità correlate a COVID-19. Marín-Hernández, Schwartz & Nixon (2020) hanno anche mostrato prove epidemiologiche di un'associazione tra un maggiore assorbimento del vaccino antinfluenzale da parte degli anziani e una minore percentuale di morti per COVID-19 in Italia.
In uno studio che analizza 92.664 casi di COVID-19 clinicamente e molecolarmente confermati in Brasile, Fink et al. (2020) hanno riferito che i pazienti che hanno ricevuto un recente vaccino antinfluenzale hanno sperimentato in media il 17% in meno di probabilità di morte.
Inoltre, Pawlowski et al. (2020) hanno analizzato i record di immunizzazione di 137.037 individui risultati positivi in una PCR SARS-CoV-2.
Hanno scoperto che i vaccini contro poliomielite, Hemophilus influenzae di tipo B, morbillo-parotite-rosolia, varicella, coniugato pneumococcico (PCV13), influenza geriatrica e epatite A / epatite B (HepA-HepB), che erano stati somministrati in passato 1, 2 e 5 anni sono stati associati a tassi di infezione da SARS-CoV-2 ridotti.
Al contrario, in uno studio con 6.120 soggetti, Wolff (2020) ha riportato che la vaccinazione antinfluenzale era significativamente associata a un rischio più elevato di alcune altre malattie respiratorie, a causa dell'interferenza del virus. In un esame specifico dei virus non influenzali, le probabilità di infezione da coronavirus (ma non il virus COVID-19) negli individui vaccinati erano significativamente più alte, rispetto agli individui non vaccinati (odds ratio = 1,36).
Dato che l'immunità eterologa potrebbe migliorare l'immunità protettiva contro COVID-19 e, quindi, prevenire morti per COVID-19 in futuro, l'obiettivo di questo studio era analizzare la possibile associazione tra morti per COVID-19 e IVR negli anziani in tutto il mondo. Era prevista un'associazione negativa.
Materiali e metodi
Per cercare un'associazione tra i decessi per COVID-19 e la vaccinazione antinfluenzale, ho analizzato i set di dati disponibili di 39 paesi, ciascuno con ≥0,5 milioni di abitanti. Negli stati più piccoli (cioè <0,5 milioni di abitanti), il tasso di identificazione errata dei decessi per COVID-19 può essere particolarmente alto a causa della mancanza di competenze, dispositivi di misurazione ed esperienza. Inoltre, in tali microstati piccoli cambiamenti assoluti nelle morti per COVID-19 possono portare a valori estremi di indici relativi, come COVID-19 morti per milione di abitanti (DPMI) e COVID-19 Case Fatality Ratio (CFR).
Ho analizzato le variabili DPMI e CFR, sulla base di casi COVID-19 documentati per milione di abitanti (CPMI) nel 2020, test COVID-19 per milione di abitanti e IVR (%) nelle persone di età ≥65 anni nel 2019 o ultimi dati disponibili ( Tabella 1). Ho registrato i dati DPMI, CPMI e CFR dal sito web pubblico https://www.worldometers.info/coronavirus/. Quindi, ho calcolato CFR come tasso di DPMI per CPMI. I dati IVR sono stati presi anche da https://data.oecd.org/healthcare/influenza-vaccination-rates.htm, https://oecdcode.org/disclaimers/israel.html e https://www.statista.com/ chart / 16575 / global-flu-immunization-rates-vary / (recuperato il 25 luglio 2020).
Al contrario, in uno studio con 6.120 soggetti, Wolff (2020) ha riportato che la vaccinazione antinfluenzale era significativamente associata a un rischio più elevato di alcune altre malattie respiratorie, a causa dell'interferenza del virus. In un esame specifico dei virus non influenzali, le probabilità di infezione da coronavirus (ma non il virus COVID-19) negli individui vaccinati erano significativamente più alte, rispetto agli individui non vaccinati (odds ratio = 1,36).
Dato che l'immunità eterologa potrebbe migliorare l'immunità protettiva contro COVID-19 e, quindi, prevenire morti per COVID-19 in futuro, l'obiettivo di questo studio era analizzare la possibile associazione tra morti per COVID-19 e IVR negli anziani in tutto il mondo. Era prevista un'associazione negativa.
Materiali e metodi
Per cercare un'associazione tra i decessi per COVID-19 e la vaccinazione antinfluenzale, ho analizzato i set di dati disponibili di 39 paesi, ciascuno con ≥0,5 milioni di abitanti. Negli stati più piccoli (cioè <0,5 milioni di abitanti), il tasso di identificazione errata dei decessi per COVID-19 può essere particolarmente alto a causa della mancanza di competenze, dispositivi di misurazione ed esperienza. Inoltre, in tali microstati piccoli cambiamenti assoluti nelle morti per COVID-19 possono portare a valori estremi di indici relativi, come COVID-19 morti per milione di abitanti (DPMI) e COVID-19 Case Fatality Ratio (CFR).
Ho analizzato le variabili DPMI e CFR, sulla base di casi COVID-19 documentati per milione di abitanti (CPMI) nel 2020, test COVID-19 per milione di abitanti e IVR (%) nelle persone di età ≥65 anni nel 2019 o ultimi dati disponibili ( Tabella 1). Ho registrato i dati DPMI, CPMI e CFR dal sito web pubblico https://www.worldometers.info/coronavirus/. Quindi, ho calcolato CFR come tasso di DPMI per CPMI. I dati IVR sono stati presi anche da https://data.oecd.org/healthcare/influenza-vaccination-rates.htm, https://oecdcode.org/disclaimers/israel.html e https://www.statista.com/ chart / 16575 / global-flu-immunization-rates-vary / (recuperato il 25 luglio 2020).
L'IVR del Vietnam del 2017 è stato registrato da Nguyen et al. (2020) e l'IVR 2016/2017 di Singapore da https://www.todayonline.com/commentary/why-singapores-adult-vaccination-rate-so-low.
Tabella 1:
Paesi con il loro tasso di vaccinazione antinfluenzale (IVR) (%) di persone di età pari o superiore a 65 anni nel 2019 o più recente disponibile, COVID-19 morti per milione di abitanti (DPMI), COVID-19 Case Fatality Ratio (CFR) basato su COVID-19 documentato casi per milione di abitanti (CPMI) nel 2020, test COVID-19 per milione di abitanti.
Per analizzare i dati, ho prima calcolato il coefficiente di correlazione del rango di Spearman non parametrico (rs) e il suo RS2 e il rispettivo valore p (a 2 code) per determinare qualsiasi associazione tra DPMI e CFR con IVR, utilizzando R (R Core Team, 2017).
Poiché la relazione tra DPMI e il numero di persone testate per COVID-19 non era statisticamente significativa in base a rs e al suo valore p, non ho modificato (corretto) il set di dati DPMI.
Quindi, ho creato curve di regressione per modello additivo generalizzato (GAM) utilizzando il pacchetto e la funzione "ggplot2" (method = "gam") (Wickham, Chang & Wickham, 2013), anche in R.
Poiché l'analisi includeva paesi con stato socioeconomico, struttura demografica, contesti urbani / rurali diversi, ora di arrivo della pandemia e strategie di controllo nazionali, potrebbero esserci interazioni complesse tra IVR e altre variabili predittive correlate.
Poiché l'analisi includeva paesi con stato socioeconomico, struttura demografica, contesti urbani / rurali diversi, ora di arrivo della pandemia e strategie di controllo nazionali, potrebbero esserci interazioni complesse tra IVR e altre variabili predittive correlate.
Con l'obiettivo di stimare accuratamente l'influenza dell'IVR su DPMI e CFR e mitigare gli effetti delle variabili confondenti, ho eseguito la classificazione dell'importanza delle variabili, includendo come variabili predittive l'IVR e alcune variabili di intervento geografiche, socioeconomiche e non farmaceutiche potenzialmente importanti (Escobar, Molina-Cruz e Barillas-Mury, 2020).
Ho utilizzato le longitudini del baricentro (°) e le latitudini (°) di ogni paese come variabili geografiche calcolate dai pacchetti “rgeos” e “rworldmap”, insieme alle funzioni “getMap” e “gCentroid”, implementate in R (versione 3.3. 4; R Core Team, 2017).
Per ogni paese considerato, lo studio ha registrato variabili socioeconomiche come il grado di urbanizzazione (DUR) nel 2020 (https://www.cia.gov/library/publications/the-world-factbook/fields/349.html), la popolazione densità (PD) nel 2018 (https://data.worldbank.org/indicator/EN.POP.DNST), l'indice di sviluppo umano (HDI) nel 2018 (http://hdr.undp.org/en/composite/ HDI) e la percentuale di persone anziane (PEP) nel 2019 (https://data.worldbank.org/indicator/SP.POP.65UP.TO.ZS?name_desc=false), che sono stati tutti recuperati il 13 luglio 2020 (Tavolo 2).
Infine, ho registrato due aspetti come misure di prevenzione COVID-19, ovvero il grado di requisito per l'uso di maschere (maschera) in pubblico (con tre gradi: nessuno, parti del paese, paese intero) (https://masks4all.co / what-countries-require-mask-in-public /) e il grado di blocco (blocco) (con tre livelli: nessun blocco, blocco parziale, blocco nazionale); tutte queste fonti e le annotazioni nella Tabella 3 sono state consultate il 13 agosto 2020.
| Country | IVR* (%) | Year of IVR | DPMI+ (N per M) | CPMI+ (N per M) | CFR+ | COVID-19 tests+ | Continent |
|---|---|---|---|---|---|---|---|
| Australia | 73.0 | 2018/2019 | 6 | 547 | 0.011 | 151,037 | Australia and Ozeanien |
| Belgium | 59.1 | 2019 | 847 | 5,624 | 0.151 | 130,601 | Europe |
| Brazil | 71.8 | 2018/2019 | 402 | 11,078 | 0.036 | 23,094 | America |
| Canada | 59.0 | 2019 | 235 | 3,006 | 0.078 | 98,442 | America |
| Chile | 68.3 | 2019 | 472 | 17,964 | 0.026 | 78,678 | America |
| China | 7.0 | 2018/2019 | 3 | 58 | 0.052 | 62,814 | Asia |
| Croatia | 23.0 | 2017 | 31 | 1,168 | 0.027 | 26,932 | Europe |
| Czech Republic | 21.5 | 2019 | 34 | 1,413 | 0.024 | 61,332 | Europe |
| Denmark | 52.0 | 2019 | 106 | 2,319 | 0.046 | 243,677 | Europe |
| Estonia | 10.2 | 2019 | 52 | 1,532 | 0.034 | 87,692 | Europe |
| Finland | 49.5 | 2019 | 59 | 1,333 | 0.044 | 59,654 | Europe |
| France | 51.0 | 2019 | 462 | 2,765 | 0.167 | 45,683 | Europe |
| Germany | 34.8 | 2019 | 110 | 2,460 | 0.045 | 88,528 | Europe |
| Greece | 56.2 | 2019 | 19 | 400 | 0.048 | 42,244 | Europe |
| Hungary | 24.1 | 2019 | 62 | 458 | 0.135 | 33,116 | Europe |
| Ireland | 68.5 | 2019 | 357 | 5,235 | 0.068 | 121,496 | Europe |
| Israel | 59.8 | 2019 | 49 | 6,577 | 0.007 | 173,662 | Europe |
| Italy | 53.1 | 2019 | 581 | 4,067 | 0.143 | 107,848 | Europe |
| Japan | 48.0 | 2019 | 8 | 221 | 0.036 | 5,516 | Asia |
| Latvia | 11.7 | 2019 | 16 | 640 | 0.025 | 100,009 | Europe |
| Lithuania | 14.8 | 2019 | 29 | 736 | 0.039 | 182,847 | Europe |
| Luxembourg | 39.8 | 2019 | 179 | 9,665 | 0.019 | 618,326 | Europe |
| Mexico | 82.3 | 2018/2019 | 331 | 2,932 | 0.113 | 6,946 | America |
| Netherlands | 62.7 | 2019 | 358 | 3,077 | 0.116 | 49,709 | Europe |
| New Zealand | 62.0 | 2019 | 4 | 311 | 0.013 | 90,746 | Australia and Ozeanien |
| Norway | 38.2 | 2019 | 47 | 1,677 | 0.028 | 77,531 | Europe |
| Portugal | 60.8 | 2019 | 168 | 4,900 | 0.034 | 149,941 | Europe |
| Romania | 16.1 | 2017 | 112 | 2,272 | 0.049 | 56,571 | Europe |
| Singapore** | 14.0 | 2016/2017 | 5 | 8,523 | 0.001 | 199,896 | Asia |
| Slovak Republic | 12.5 | 2019 | 5 | 392 | 0.013 | 46,285 | Europe |
| Slovenia | 12.9 | 2019 | 55 | 994 | 0.055 | 61,108 | Europa |
| South Korea | 85.1 | 2019 | 6 | 275 | 0.022 | 29,619 | Asia |
| Spain | 54.9 | 2019 | 608 | 6,833 | 0.089 | 135,188 | Europe |
| Sweden | 52.2 | 2019 | 562 | 7,819 | 0.072 | 74,353 | Europe |
| Thailand | 12.0 | 2018/2019 | 0.8 | 47 | 0.017 | 9,817 | Asia |
| Turkey | 7.0 | 2019 | 66 | 2,668 | 0.025 | 53,707 | Europe |
| United Kingdom | 72.0 | 2019 | 673 | 4,398 | 0.153 | 214,532 | Europe |
| United States | 68.7 | 2019 | 450 | 12,929 | 0.035 | 159,672 | America |
| Vietnam*** | 12.0 | 2017 | 0 | 4 | 0.000 | 2,824 | Asia |
https://data.oecd.org/healthcare/influenza-vaccination-rates.htm
https://oecdcode.org/disclaimers/israel.html
https://www.statista.com/chart/16575/global-flu-immunization-rates-vary/
https://www.todayonline.com/commentary/why-singapores-adult-vaccination-rate-so-low.
Nguyen et al. (2020)
https://www.worldometers.info/coronavirus/
Tabella 2:
Paesi con le loro coordinate del centroide (longitudine (Long) e latitudine (Lat)), Grado di urbanizzazione nel 2020, Indice di sviluppo umano (HDI) nel 2018, Percentuale di anziani nel 2019 e Densità di popolazione nel 2018.
| Country | IVR* (%) | Year of IVR | DPMI+ (N per M) | CPMI+ (N per M) | CFR+ | COVID-19 tests+ | Continent |
|---|---|---|---|---|---|---|---|
| Australia | 73.0 | 2018/2019 | 6 | 547 | 0.011 | 151,037 | Australia and Ozeanien |
| Belgium | 59.1 | 2019 | 847 | 5,624 | 0.151 | 130,601 | Europe |
| Brazil | 71.8 | 2018/2019 | 402 | 11,078 | 0.036 | 23,094 | America |
| Canada | 59.0 | 2019 | 235 | 3,006 | 0.078 | 98,442 | America |
| Chile | 68.3 | 2019 | 472 | 17,964 | 0.026 | 78,678 | America |
| China | 7.0 | 2018/2019 | 3 | 58 | 0.052 | 62,814 | Asia |
| Croatia | 23.0 | 2017 | 31 | 1,168 | 0.027 | 26,932 | Europe |
| Czech Republic | 21.5 | 2019 | 34 | 1,413 | 0.024 | 61,332 | Europe |
| Denmark | 52.0 | 2019 | 106 | 2,319 | 0.046 | 243,677 | Europe |
| Estonia | 10.2 | 2019 | 52 | 1,532 | 0.034 | 87,692 | Europe |
| Finland | 49.5 | 2019 | 59 | 1,333 | 0.044 | 59,654 | Europe |
| France | 51.0 | 2019 | 462 | 2,765 | 0.167 | 45,683 | Europe |
| Germany | 34.8 | 2019 | 110 | 2,460 | 0.045 | 88,528 | Europe |
| Greece | 56.2 | 2019 | 19 | 400 | 0.048 | 42,244 | Europe |
| Hungary | 24.1 | 2019 | 62 | 458 | 0.135 | 33,116 | Europe |
| Ireland | 68.5 | 2019 | 357 | 5,235 | 0.068 | 121,496 | Europe |
| Israel | 59.8 | 2019 | 49 | 6,577 | 0.007 | 173,662 | Europe |
| Italy | 53.1 | 2019 | 581 | 4,067 | 0.143 | 107,848 | Europe |
| Japan | 48.0 | 2019 | 8 | 221 | 0.036 | 5,516 | Asia |
| Latvia | 11.7 | 2019 | 16 | 640 | 0.025 | 100,009 | Europe |
| Lithuania | 14.8 | 2019 | 29 | 736 | 0.039 | 182,847 | Europe |
| Luxembourg | 39.8 | 2019 | 179 | 9,665 | 0.019 | 618,326 | Europe |
| Mexico | 82.3 | 2018/2019 | 331 | 2,932 | 0.113 | 6,946 | America |
| Netherlands | 62.7 | 2019 | 358 | 3,077 | 0.116 | 49,709 | Europe |
| New Zealand | 62.0 | 2019 | 4 | 311 | 0.013 | 90,746 | Australia and Ozeanien |
| Norway | 38.2 | 2019 | 47 | 1,677 | 0.028 | 77,531 | Europe |
| Portugal | 60.8 | 2019 | 168 | 4,900 | 0.034 | 149,941 | Europe |
| Romania | 16.1 | 2017 | 112 | 2,272 | 0.049 | 56,571 | Europe |
| Singapore** | 14.0 | 2016/2017 | 5 | 8,523 | 0.001 | 199,896 | Asia |
| Slovak Republic | 12.5 | 2019 | 5 | 392 | 0.013 | 46,285 | Europe |
| Slovenia | 12.9 | 2019 | 55 | 994 | 0.055 | 61,108 | Europa |
| South Korea | 85.1 | 2019 | 6 | 275 | 0.022 | 29,619 | Asia |
| Spain | 54.9 | 2019 | 608 | 6,833 | 0.089 | 135,188 | Europe |
| Sweden | 52.2 | 2019 | 562 | 7,819 | 0.072 | 74,353 | Europe |
| Thailand | 12.0 | 2018/2019 | 0.8 | 47 | 0.017 | 9,817 | Asia |
| Turkey | 7.0 | 2019 | 66 | 2,668 | 0.025 | 53,707 | Europe |
| United Kingdom | 72.0 | 2019 | 673 | 4,398 | 0.153 | 214,532 | Europe |
| United States | 68.7 | 2019 | 450 | 12,929 | 0.035 | 159,672 | America |
| Vietnam*** | 12.0 | 2017 | 0 | 4 | 0.000 | 2,824 | Asia |
https://data .oecd.org/healthcare/influenza-vaccination-rates.htm
https://oecdcode.org/disclaimers/israel.html
https://www.statista.com/chart/16575/global-flu-immunization-rates-vary/
https://www.todayonline.com/commentary/why-singapores-adult-vaccination-rate-so-low.
Nguyen et al. (2020)
https://www.worldometers.info/coronavirus/
Tabella 3:
Paesi con alcune misure Covid-19 (grado di requisiti della maschera in pubblico, grado di blocco e inizio di blocco). La classificazione dell'importanza variabile è stata effettuata utilizzando il pacchetto "party" e la funzione foresta casuale non parametrica "cforest", insieme al punteggio Out of bag (con l'opzione predefinita "controls = cforest_unbias" e l'importanza della permutazione condizionale "varimp (obj, condizionale = VERO) "). Seguendo il principio di permutazione dell'importanza della "diminuzione media dell'accuratezza", questo algoritmo di apprendimento automatico garantisce un'importanza variabile imparziale per variabili predittive di diverso tipo (Strobl et al., 2008).
Per mitigare gli effetti dei fattori confondenti, sono state condotte valutazioni IVR, DPMI e CFR anche per paesi con condizioni sociali simili (> 50% di DUR, HDI> 0,80,> 15% di PEP e PD tra 25 e 350 abitanti per km2 ) (Escobar, Molina-Cruz & Barillas-Mury, 2020) e per paesi con longitudini simili (10–20 ° in alcune parti dell'Europa e 100–140 °, Asia orientale e sud-orientale insieme ad Australia e Nuova Zelanda).
Poiché l'IVR e le altre otto variabili predittive non erano strettamente correlate (| rs | ≤ 0,57; rs (IVR × DUR) = +0,52; rs (IVR × Long) = −0,46; rs (IVR × HDI) = 0,36), quindi, ho incluso queste variabili in modelli Random Forest (RF) non parametrici di DPMI e CFR, incluso un approccio di convalida incrociata di 5 volte, ripetuto 30 volte utilizzando il pacchetto "caret" insieme alla funzione "train" (Venables & Ripley, 1999; Williams et al., 2018, http://topepo.github.io/caret/index.html) nel software R. Infine, ho valutato la bontà di adattamento del modello di regressione utilizzando il (pseudo) coefficiente di determinazione (R2) e l'errore quadratico medio (RMSE).
Risultati
Per i 26 paesi europei considerati, i risultati hanno indicato che COVID-19 DPMI e COVID-19 CFR erano associati positivamente e statisticamente in modo significativo all'IVR in persone di età ≥65 anni nel 2019 o ultimi dati disponibili (rs (IVR × DPMI) = +0,62 con p = 0,0008, Rs2 (IVR × DPMI) = 0,38; rs (IVR × CFR) = +0,50 con p = 0,01, RS2 (IVR × CFR) = 0,25) (Figure 1 e 2; Tabella 4). Nelle valutazioni che includevano solo paesi con condizioni sociali simili, rs (IVR × DPMI) era uguale a +0,65 (p = 0,002, N = 20) e rs (IVR × CFR) +0,48 (p = 0,03, N = 20). Nelle analisi che includevano solo paesi con longitudine simile del centroide del paese (lungo), rs (IVR × DPMI) era uguale a +0,83 (p = 0,003, N = 10) (lungo da 10 ° a 20 °) e rs (IVR × DPMI) +0,76 (p = 0,046, N = 7) (Lungo da 100 ° a 140 °).
Figura 1: Associazione di morti per COVID-19 per milione di abitanti (DPMI) fino al 25 luglio 2020 con tasso di vaccinazione antinfluenzale (IVR) di persone di età pari o superiore a 65 anni nel 2019 o dati più recenti disponibili in Europa. DPMI) fino al 25 luglio 2020 con tasso di vaccinazione antinfluenzale (IVR) delle persone di età pari o superiore a 65 anni nel 2019 o ultimi dati disponibili in Europa (26 paesi con più di 0,5 milioni di abitanti). La media (linea blu) e la deviazione standard (area grigia) si basano su modelli additivi generalizzati (GAM); rs (IVR × DPMI) = +0,687 con p = 0,00015.
Figura 2: Associazione del COVID-19 Case Fatality Ratio (CFR) fino al 25 luglio 2020 con il tasso di vaccinazione antinfluenzale (IVR) delle persone di età pari o superiore a 65 anni nel 2019 o dati più recenti disponibili in Europa Associazione COVID-19 Case Fatality Ratio (CFR) fino al 25 luglio 2020 con il tasso di vaccinazione antinfluenzale (IVR) delle persone di età pari o superiore a 65 anni nel 2019 o gli ultimi dati disponibili in Europa (26 paesi con più di 0,5 milioni di abitanti). La media (linea blu) e la deviazione standard (area grigia) si basano su modelli additivi generalizzati (GAM); rs (IVR × CFR) = +0,629 con p = 0,00075.
Tabella 4:
Correlazioni di Spearman (rs) dei decessi per COVID-19 per milione di abitanti (DPMI) con nove variabili predittive.
Correlazioni di Spearman (rs) delle morti per COVID-19 per milione di abitanti (DPMI) con le variabili (var): IVR = tasso di vaccinazione antinfluenzale (IVR,%) delle persone di età pari o superiore a 65 anni nel 2019 o ultimi dati disponibili, Long e Lat = Longitudine e latitudine del centroide del paese (°), DUR = Grado di urbanizzazione nel 2020, HDI = Indice di sviluppo umano nel 2018, PEP = Percentuale di anziani nel 2019, PD = Densità di popolazione nel 2018, Maschera = il grado richiesto per l'utilizzo di maschere in pubblico (con tre gradi: nessuno, parti del paese, intero paese), Blocco = grado di blocco (con tre livelli: nessun blocco, blocco parziale, blocco nazionale) e i loro valori p basati su 26 paesi in Europa (Tabelle 1–3 ).
A livello mondiale (39 paesi studiati), anche le associazioni positive tra DPMI e IVR erano statisticamente significative (rs (IVR × DPMI) = +0,49 con p = 0,0016, Rs2 (IVR × DPMI) = 0,24) (Fig.3; Tabella 5). Tuttavia, le relazioni tra IVR e CFR non erano statisticamente significative.
Correlazioni di Spearman (rs) dei decessi per COVID-19 per milione di abitanti (DPMI) con nove variabili predittive.
Correlazioni di Spearman (rs) delle morti per COVID-19 per milione di abitanti (DPMI) con le variabili (var): IVR = tasso di vaccinazione antinfluenzale (IVR,%) delle persone di età pari o superiore a 65 anni nel 2019 o ultimi dati disponibili, Long e Lat = Longitudine e latitudine del centroide del paese (°), DUR = Grado di urbanizzazione nel 2020, HDI = Indice di sviluppo umano nel 2018, PEP = Percentuale di anziani nel 2019, PD = Densità di popolazione nel 2018, Maschera = il grado richiesto per l'utilizzo di maschere in pubblico (con tre gradi: nessuno, parti del paese, intero paese), Blocco = grado di blocco (con tre livelli: nessun blocco, blocco parziale, blocco nazionale) e i loro valori p basati su 26 paesi in Europa (Tabelle 1–3 ).
A livello mondiale (39 paesi studiati), anche le associazioni positive tra DPMI e IVR erano statisticamente significative (rs (IVR × DPMI) = +0,49 con p = 0,0016, Rs2 (IVR × DPMI) = 0,24) (Fig.3; Tabella 5). Tuttavia, le relazioni tra IVR e CFR non erano statisticamente significative.
Tabella 5:
Correlazioni di Spearman (rs) di COVID-19 morti per milione di abitanti (DPMI) e COVID-19 Case Fatality Ratio (CFR) con nove variabili predittive.
Correlazioni di Spearman (rs) di COVID-19 morti per milione di abitanti (DPMI) e COVID-19 Case Fatality Ratio (CFR) con le variabili: IVR = tasso di vaccinazione influenzale (%) di persone di età pari o superiore a 65 anni nel 2019 o più recente disponibile, Lungo = Longitudine del centroide del paese (°), Latitudine del centroide del paese (°), DUR = Grado di urbanizzazione nel 2020, HDI = Indice di sviluppo umano nel 2018, PEP = Percentuale di anziani nel 2019, PD = Densità di popolazione nel 2018, Maschera = il grado richiesto per l'utilizzo di maschere in pubblico (con tre gradi: nessuno, parti del paese, intero paese), Blocco = grado di blocco (con tre livelli: nessun blocco, blocco parziale, blocco nazionale), basato in 39 paesi del mondo (tabelle 1–3).
Nell'intervallo IVR dal 7% al 50%, l'associazione non era significativa, sebbene sia stata osservata una tendenza per DPMI e CFR ad essere positivamente associati con IVR. DPMI e CFR variavano fortemente quando IVR era del 50% o superiore (Fig. 1–3).
A livello mondiale, la classifica imparziale ha mostrato il grado di importanza di ciascuna variabile analizzata. Le variabili Long (con il 55,9% e 52,3%) e IVR (con il 36,3% e il 24,5%) erano di gran lunga le più importanti delle nove variabili utilizzate per prevedere DPMI e CFR, rispettivamente. Il DUR nel 2020 è stata la terza variabile più importante, con un'importanza del 5,7% per la previsione del DPMI. Il PEP nel 2019 è stata la terza variabile più importante (11,5%) nel modello CFR (Figg.4 e 5). Le nove variabili predittive considerate in questo studio spiegavano il 63% della variazione in DPMI (RMSE = 161,9) e il 43% della variazione in CFR (RMSE = 0,039).
Correlazioni di Spearman (rs) di COVID-19 morti per milione di abitanti (DPMI) e COVID-19 Case Fatality Ratio (CFR) con nove variabili predittive.
Correlazioni di Spearman (rs) di COVID-19 morti per milione di abitanti (DPMI) e COVID-19 Case Fatality Ratio (CFR) con le variabili: IVR = tasso di vaccinazione influenzale (%) di persone di età pari o superiore a 65 anni nel 2019 o più recente disponibile, Lungo = Longitudine del centroide del paese (°), Latitudine del centroide del paese (°), DUR = Grado di urbanizzazione nel 2020, HDI = Indice di sviluppo umano nel 2018, PEP = Percentuale di anziani nel 2019, PD = Densità di popolazione nel 2018, Maschera = il grado richiesto per l'utilizzo di maschere in pubblico (con tre gradi: nessuno, parti del paese, intero paese), Blocco = grado di blocco (con tre livelli: nessun blocco, blocco parziale, blocco nazionale), basato in 39 paesi del mondo (tabelle 1–3).
Nell'intervallo IVR dal 7% al 50%, l'associazione non era significativa, sebbene sia stata osservata una tendenza per DPMI e CFR ad essere positivamente associati con IVR. DPMI e CFR variavano fortemente quando IVR era del 50% o superiore (Fig. 1–3).
A livello mondiale, la classifica imparziale ha mostrato il grado di importanza di ciascuna variabile analizzata. Le variabili Long (con il 55,9% e 52,3%) e IVR (con il 36,3% e il 24,5%) erano di gran lunga le più importanti delle nove variabili utilizzate per prevedere DPMI e CFR, rispettivamente. Il DUR nel 2020 è stata la terza variabile più importante, con un'importanza del 5,7% per la previsione del DPMI. Il PEP nel 2019 è stata la terza variabile più importante (11,5%) nel modello CFR (Figg.4 e 5). Le nove variabili predittive considerate in questo studio spiegavano il 63% della variazione in DPMI (RMSE = 161,9) e il 43% della variazione in CFR (RMSE = 0,039).
Discussione
Contrariamente alle aspettative, l'attuale analisi mondiale e la sottoanalisi europea non supportano l'associazione negativa precedentemente riportata tra morti per COVID-19 (DPMI) e IVR negli anziani, osservata in studi in Brasile e Italia (Fink et al., 2020; Marín-Hernández, Schwartz & Nixon, 2020). Studi precedenti hanno attribuito l'effetto benefico della vaccinazione antinfluenzale nel ridurre la gravità della malattia COVID-19 a una migliore prevenzione delle potenziali coinfezioni influenzali-SARS-CoV-2 (Arokiaraj, 2020) e, più probabilmente, a cambiamenti nell'immunità innata (Netea et al. , 2020). La risposta immunitaria innata indotta dalla recente vaccinazione potrebbe portare a una più rapida ed efficiente eliminazione di SARS-CoV-2, prevenendo la diffusione progressiva nelle aree inferiori dei tessuti polmonari (Fink et al., 2020).
L'associazione negativa tra la proporzione di DPMI e IVR riscontrata in Italia è stata spiegata come probabilmente causata da (i) un tasso di vaccino antinfluenzale più elevato che si verifica in gruppi economici più alti con una salute generale migliore, (ii) possibilità, (iii) una relazione con la respirazione stagionale infezioni virali, o (iv) un'associazione meccanicistica non correlata (Marín-Hernández, Schwartz & Nixon, 2020). Tuttavia, l'induzione di anticorpi neutralizzanti crociati e cellule T che prendono di mira direttamente altri virus a RNA come SARS-CoV-2 e la protezione crociata sembrano improbabili, data la straordinaria diversità dei virus influenzali (Fink et al., 2020).
Pertanto, gli argomenti sopra menzionati non possono spiegare la relazione positiva, diretta o indiretta tra IVR e sia DPMI che CFR trovata in questo studio, che è stata confermata da un'importanza della variabile di classificazione imparziale (Figure 4 e 5) utilizzando modelli RF.
Contrariamente alle aspettative, l'attuale analisi mondiale e la sottoanalisi europea non supportano l'associazione negativa precedentemente riportata tra morti per COVID-19 (DPMI) e IVR negli anziani, osservata in studi in Brasile e Italia (Fink et al., 2020; Marín-Hernández, Schwartz & Nixon, 2020). Studi precedenti hanno attribuito l'effetto benefico della vaccinazione antinfluenzale nel ridurre la gravità della malattia COVID-19 a una migliore prevenzione delle potenziali coinfezioni influenzali-SARS-CoV-2 (Arokiaraj, 2020) e, più probabilmente, a cambiamenti nell'immunità innata (Netea et al. , 2020). La risposta immunitaria innata indotta dalla recente vaccinazione potrebbe portare a una più rapida ed efficiente eliminazione di SARS-CoV-2, prevenendo la diffusione progressiva nelle aree inferiori dei tessuti polmonari (Fink et al., 2020).
L'associazione negativa tra la proporzione di DPMI e IVR riscontrata in Italia è stata spiegata come probabilmente causata da (i) un tasso di vaccino antinfluenzale più elevato che si verifica in gruppi economici più alti con una salute generale migliore, (ii) possibilità, (iii) una relazione con la respirazione stagionale infezioni virali, o (iv) un'associazione meccanicistica non correlata (Marín-Hernández, Schwartz & Nixon, 2020). Tuttavia, l'induzione di anticorpi neutralizzanti crociati e cellule T che prendono di mira direttamente altri virus a RNA come SARS-CoV-2 e la protezione crociata sembrano improbabili, data la straordinaria diversità dei virus influenzali (Fink et al., 2020).
Pertanto, gli argomenti sopra menzionati non possono spiegare la relazione positiva, diretta o indiretta tra IVR e sia DPMI che CFR trovata in questo studio, che è stata confermata da un'importanza della variabile di classificazione imparziale (Figure 4 e 5) utilizzando modelli RF.
Il vaccino antinfluenzale può aumentare l'immunità influenzale a scapito di una ridotta immunità al SARS-CoV-2 mediante un meccanismo biologico sconosciuto, come suggerito da Cowling et al. (2012) per il virus respiratorio non influenzale. In alternativa, un'immunità temporanea e non specifica più debole dopo l'infezione virale dell'influenza potrebbe causare questa associazione positiva a causa della stimolazione della risposta immunitaria innata durante e per un breve periodo dopo l'infezione (McGill, Heusel & Legge, 2009; Khaitov et al., 2009).
Le persone che avevano ricevuto la vaccinazione antinfluenzale sarebbero state protette contro l'influenza ma non contro altre infezioni virali, a causa della ridotta immunità aspecifica nelle settimane successive (Cowling et al., 2012), probabilmente causata dall'interferenza del virus (Isaacs & Lindenmann, 1957; Seppälä et al., 2011; Wolff, 2020).
Sebbene gli adiuvanti del vaccino umano esistenti abbiano un alto livello di sicurezza, anche gli adiuvanti specifici nei vaccini antinfluenzali dovrebbero essere testati per le reazioni avverse, come gli indicatori di infiammazione ulteriormente aumentati (Petrovsky, 2015) nei pazienti COVID-19 con infiammazione già fortemente aumentata (Qin et al. 2020).
La forte variazione di DPMI e CFR da un IVR di circa il 50% o superiore può essere il risultato di interazioni tra le diverse misure applicate nei paesi analizzati (Figg. 1-3), ad esempio, l'avvio di interventi, piani di emergenza e salute sistemi contro COVID-19. Ad esempio, l'Australia e la Corea del Sud avevano un DPMI e un CFR molto bassi rispetto al Belgio e al Regno Unito (Tabella 1).
L'elevata correlazione tra la longitudine del centroide del paese e DPMI e CFR sottolinea un aumento significativo di CP e CFR dalle regioni orientali a quelle occidentali del mondo (Tabella 5; Figg.4 e 5), come confermato da Leung, Bulterys & Bulterys ( 2020) e Skórka et al. (2020).
La forte variazione di DPMI e CFR da un IVR di circa il 50% o superiore può essere il risultato di interazioni tra le diverse misure applicate nei paesi analizzati (Figg. 1-3), ad esempio, l'avvio di interventi, piani di emergenza e salute sistemi contro COVID-19. Ad esempio, l'Australia e la Corea del Sud avevano un DPMI e un CFR molto bassi rispetto al Belgio e al Regno Unito (Tabella 1).
L'elevata correlazione tra la longitudine del centroide del paese e DPMI e CFR sottolinea un aumento significativo di CP e CFR dalle regioni orientali a quelle occidentali del mondo (Tabella 5; Figg.4 e 5), come confermato da Leung, Bulterys & Bulterys ( 2020) e Skórka et al. (2020).
La longitudine potrebbe fungere da proxy per variabili come stile di vita, comportamento sociale, genetica, popolazioni geograficamente isolate e remote, che possono anche essere associate a CP e CFR. Nella grave pandemia influenzale del 1918-1919 furono colpite anche popolazioni remote o isolate, almeno in parte a causa della mancanza di precedente immunità in luoghi che non erano stati recentemente colpiti da alcuna forma di influenza (Mathews et al., 2009).
Pertanto, l'attraversamento delle barriere geografiche ed ecologiche è anche un fattore chiave nella diffusione delle malattie (Hallatschek & Fisher, 2014; Murray et al., 2015).
Sia DPMI che CFR erano debolmente e positivamente correlati (p <0,05) con il valore assoluto di latitudine geografica (abs (Lat)), DUR, PEP e PD (Tabelle 4 e 5). In un'analisi globale, Escobar, Molina-Cruz e Barillas-Mury (2020) hanno anche trovato associazioni positive tra mortalità COVID-19 e percentuale di popolazione di età ≥65 anni e urbanizzazione, ma ancora più fortemente con l'indice di sviluppo umano. Leung, Bulterys & Bulterys (2020) hanno anche riportato associazioni positive tra latitudine, temperatura per settimana e mese prima del primo caso COVID-19 segnalato.
Sia DPMI che CFR erano debolmente e positivamente correlati (p <0,05) con il valore assoluto di latitudine geografica (abs (Lat)), DUR, PEP e PD (Tabelle 4 e 5). In un'analisi globale, Escobar, Molina-Cruz e Barillas-Mury (2020) hanno anche trovato associazioni positive tra mortalità COVID-19 e percentuale di popolazione di età ≥65 anni e urbanizzazione, ma ancora più fortemente con l'indice di sviluppo umano. Leung, Bulterys & Bulterys (2020) hanno anche riportato associazioni positive tra latitudine, temperatura per settimana e mese prima del primo caso COVID-19 segnalato.
La temperatura più bassa alle latitudini settentrionali era un forte predittore indipendente della mortalità nazionale per COVID-19.
Sebbene i blocchi a livello nazionale e l'uso di maschere facciali da parte del pubblico in generale dovrebbero ridurre la trasmissione di COVID-19 (Conyon, He & Thomsen, 2020; Eikenberry et al., 2020), il grado di blocco delle variabili e il grado di requisito per l'uso della maschera in pubblico erano non associato a DPMI e CFR nel presente studio (Tabelle 4 e 5; Fig. 4 e 5). Leffler et al. (2020) hanno riportato in uno studio globale che i requisiti di blocco interno non erano associati alla mortalità, ma che nei paesi che raccomandavano l'uso di maschere facciali all'inizio a livello nazionale, il tasso di mortalità COVID-19 era inferiore al previsto.
Sebbene in molti paesi siano stati proclamati blocchi a livello di contea, le misure restrittive e la loro attuazione differivano per grado, severità e data di attuazione in relazione all'avanzamento della malattia (vedere riferimenti nella Tabella 3). Inoltre, sebbene molti paesi abbiano richiesto maschere in pubblico, la qualità della maschera e l'uso corretto possono differire da paese a paese. A questo proposito, Fischer et al. (2020) hanno scoperto che l'uso di maschere inefficaci potrebbe essere controproducente. Ciò potrebbe spiegare le differenze non significative tra i mezzi di DPMI tra i paesi con e senza uno o entrambi i requisiti, blocco e maschere.
Infine, lo studio è limitato dal fatto che non ho normalizzato l'ora di arrivo della pandemia. Inoltre, le associazioni trovate potrebbero cambiare in futuro perché la pandemia COVID-19 non era terminata alla fine dello studio.
Conclusioni
Data la relazione positiva tra IVR e il numero di morti per milione riscontrato in questo studio, un'ulteriore esplorazione sarebbe utile per spiegare questi risultati e trarre conclusioni. Ulteriori lavori su questa linea di ricerca possono anche produrre risultati per migliorare la prevenzione delle morti per COVID-19.
NOTE:
Agrawal B. 2019. Heterologous immunity: role in natural and vaccine-induced resistance to infections. Frontiers in Immunology 10:164
Armengaud J, Delaunay‐Moisan A, Thuret J‐Y, Anken E, Acosta‐Alvear D, Aragón T, Arias C, Blondel M, Braakman I, Collet J‐F+17 more. 2020. The importance of naturally attenuated SARS-Cov-2 in the fight against Covid-19. Environmental Microbiology 22(6):1997-2000
Arokiaraj MC. 2020. Correlation of influenza vaccination and the COVID-19 severity.
Beigel JH, Tomashek KM, Dodd LE, Mehta AK, Zingman BS, Kalil AC, Hohmann E, Chu HY, Luetkemeyer A, Kline S+30 more. 2020. Remdesivir for the treatment of Covid-19-preliminary report. New England Journal of Medicine
Conyon MJ, He L, Thomsen S. 2020. Lockdowns and COVID-19 deaths in Scandinavia. Covid Economics 26:17-42
Courtemanche C, Garuccio J, Le A, Pinkston J, Yelowitz A. 2020. Strong social distancing measures in the United States reduced the COVID-19 growth rate: study evaluates the impact of social distancing measures on the growth rate of confirmed COVID-19 cases across the United States. Health Affairs 10:1377
Cowling BJ, Fang VJ, Nishiura H, Chan K-H, Ng S, Ip DKM, Chiu SS, Leung GM, Peiris JSM. 2012. Increased risk of noninfluenza respiratory virus infections associated with receipt of inactivated influenza vaccine. Clinical Infectious Diseases 54(12):1778-1783
Eikenberry SE, Mancuso M, Iboi E, Phan T, Eikenberry K, Kuang Y, Kostelich E, Gumel AB. 2020. To mask or not to mask: modeling the potential for face mask use by the general public to curtail the COVID-19 pandemic. Infectious Disease Modelling 5:293-308
Escobar LE, Molina-Cruz A, Barillas-Mury C. 2020. BCG vaccine protection from severe coronavirus disease 2019 (COVID-19) Proceedings of the National Academy of Sciences 117(30):17720-17726
Fink G, Orlova-Fink N, Schindler T, Grisi S, Ferrer AP, Daubenberger C, Brentani A. 2020. Inactivated trivalent influenza vaccine is associated with lower mortality among Covid-19 patients in Brazil. medRxiv
Fischer EP, Fischer MC, Grass D, Henrion I, Warren WS, Westman E. 2020. Low-cost measurement of facemask efficacy for filtering expelled droplets during speech. Science Advances 6(36):eabd3083
Flaxman S, Mishra S, Gandy A, Unwin HJT, Mellan TA, Coupland H, Whittaker C, Zhu H, Berah T, Eaton JW+9 more. 2020. Estimating the effects of non-pharmaceutical interventions on COVID-19 in Europe. Nature 584:257-261
Goodridge HS, Ahmed SS, Curtis N, Kollmann TR, Levy O, Netea MG, Pollard AJ, Van Crevel R, Wilson CB. 2016. Harnessing the beneficial heterologous effects of vaccination. Nature Reviews Immunology 16(6):392-400
Graham BS. 2020. Rapid COVID-19 vaccine development. Science 368(6494):945-946
Hallatschek O, Fisher DS. 2014. Acceleration of evolutionary spread by long-range dispersal. Proceedings of the National Academy of Sciences 111(46):E4911-E4919
Isaacs A, Lindenmann J. 1957. Virus interference. I. The interferon. Proceedings of the Royal Society of London: Series B-Biological Sciences 147(927):258-267
Khaitov M, Laza-Stanca V, Edwards MR, Walton RP, Rohde G, Contoli M, Papi A, Stanciu LA, Kotenko SV, Johnston SL. 2009. Respiratory virus induction of alpha-, beta-and lambda-interferons in bronchial epithelial cells and peripheral blood mononuclear cells. Allergy 64(3):375-386
Le Couteur DG, Anderson RM, Newman AB. 2020. COVID-19 is a disease of older people. Journals of Gerontology Series A Biological Sciences and Medical Sciences 75(9):glaa077
Leffler CT, Ing EB, Lykins JD, Hogan MC, McKeown CA, Grzybowski A. 2020. Association of country-wide coronavirus mortality with demographics, testing, lockdowns, and public wearing of masks. medRxiv
Leung NY, Bulterys MA, Bulterys PL. 2020. Predictors of COVID-19 incidence, mortality, and epidemic growth rate at the country level. medRxiv
Li K, Wu J, Wu F, Guo D, Chen L, Fang Z, Li C. 2020. The clinical and chest CT features associated with severe and critical COVID-19 pneumonia. Investigative Radiology 55(6):327-331
Marín-Hernández D, Schwartz RE, Nixon DF. 2020. Epidemiological evidence for association between higher influenza vaccine uptake in the elderly and lower COVID-19 deaths in Italy. Journal of Medical Virology
Mathews JD, Chesson JM, McCaw JM, McVernon J. 2009. Understanding influenza transmission, immunity and pandemic threats. Influenza and Other Respiratory Viruses 3(4):143-149
McGill J, Heusel JW, Legge KL. 2009. Innate immune control and regulation of influenza virus infections. Journal of Leukocyte Biology 86(4):803-812
Murray KA, Preston N, Allen T, Zambrana-Torrelio C, Hosseini PR, Daszak P. 2015. Global biogeography of human infectious diseases. Proceedings of the National Academy of Sciences 112(41):12746-12751
Netea MG, Domínguez-Andrés J, Barreiro LB, Chavakis T, Divangahi M, Fuchs E, Joosten LAB, Van der Meer JWM, Mhlanga MM, Mulder WJM+7 more. 2020. Defining trained immunity and its role in health and disease. Nature Reviews Immunology 20(6):375-388
Nguyen TTM, Lafond KE, Nguyen TX, Tran PD, Nguyen HM, Do TT, Ha NT, Seward JF, McFarland JW. 2020. Acceptability of seasonal influenza vaccines among health care workers in Vietnam in 2017. Vaccine 38(8):2045-2050
Ozili PK, Arun T. 2020. Spillover of COVID-19: impact on the Global Economy.
Petrovsky N. 2015. Comparative safety of vaccine adjuvants: a summary of current evidence and future needs. Drug Safety 38(11):1059-1074
Pawlowski C, Puranik A, Bandi H, Venkatakrishnan AJ, Agarwal V, Kennedy R, O’Horo JC, Gores GJ, Williams AW, Halamka J+2 more. 2020. Exploratory analysis of immunization records highlights decreased SARS-CoV-2 rates in individuals with recent non-COVID-19 vaccinations. medRxiv
Qin C, Zhou L, Hu Z, Zhang S, Yang S, Tao Y, Xie C, Ma K, Shang K, Wang W+1 more. 2020. Dysregulation of immune response in patients with COVID-19 in Wuhan, China. Clinical Infectious Diseases 71(15):762-768
R Core Team. 2017. R: a language and environment for statistical computing. Vienna: The R Foundation for Statistical Computing.
RECOVERY Collaborative Group. 2020. Dexamethasone in hospitalized patients with Covid-19—preliminary report. New England Journal of Medicine
Seppälä E, Viskari H, Hoppu S, Honkanen H, Huhtala H, Simell O, Ilonen J, Knip M, Hyöty H. 2011. Viral interference induced by live attenuated virus vaccine (OPV) can prevent otitis media. Vaccine 29(47):8615-8618
Skórka P, Grzywacz B, Moroń D, Lenda M. 2020. The macroecology of the COVID-19 pandemic in the Anthropocene. PLOS ONE 15(7):e0236856
Strobl C, Boulesteix AL, Kneib T, Augustin T, Achim Zeileis A. 2008. Conditional variable importance for random forests. BMC Bioinformatics 9(1):307
Venables WN, Ripley BD. 1999. Chapter 10: Tree-based methods. In: Chambers J, Eddy W, Härdle W, Sheather S, Tierney L, eds. Modern Applied Statistics with S-PLUS (Third Edition). New York: Springer-Verlag. 303-327
Wickham H, Chang W, Wickham MH. 2013.
Williams CK, Engelhardt A, Cooper T, Mayer Z, Ziem A, Scrucca L, Kuhn MM. 2018. Package ‘caret’.
Wolff GG. 2020. Influenza vaccination and respiratory virus interference among Department of Defense personnel during the 2017–2018 influenza season. Vaccine 38(2):350-354
Yancy CW. 2020. COVID-19 and African Americans. JAMA 323(19):1891-1892
Yuen KS, Ye ZW, Fung SY, Chan CP, Jin DY. 2020. SARS-CoV-2 and COVID-19: the most important research questions. Cell & Bioscience 10(1):1-5
Sebbene i blocchi a livello nazionale e l'uso di maschere facciali da parte del pubblico in generale dovrebbero ridurre la trasmissione di COVID-19 (Conyon, He & Thomsen, 2020; Eikenberry et al., 2020), il grado di blocco delle variabili e il grado di requisito per l'uso della maschera in pubblico erano non associato a DPMI e CFR nel presente studio (Tabelle 4 e 5; Fig. 4 e 5). Leffler et al. (2020) hanno riportato in uno studio globale che i requisiti di blocco interno non erano associati alla mortalità, ma che nei paesi che raccomandavano l'uso di maschere facciali all'inizio a livello nazionale, il tasso di mortalità COVID-19 era inferiore al previsto.
Sebbene in molti paesi siano stati proclamati blocchi a livello di contea, le misure restrittive e la loro attuazione differivano per grado, severità e data di attuazione in relazione all'avanzamento della malattia (vedere riferimenti nella Tabella 3). Inoltre, sebbene molti paesi abbiano richiesto maschere in pubblico, la qualità della maschera e l'uso corretto possono differire da paese a paese. A questo proposito, Fischer et al. (2020) hanno scoperto che l'uso di maschere inefficaci potrebbe essere controproducente. Ciò potrebbe spiegare le differenze non significative tra i mezzi di DPMI tra i paesi con e senza uno o entrambi i requisiti, blocco e maschere.
Infine, lo studio è limitato dal fatto che non ho normalizzato l'ora di arrivo della pandemia. Inoltre, le associazioni trovate potrebbero cambiare in futuro perché la pandemia COVID-19 non era terminata alla fine dello studio.
Conclusioni
Data la relazione positiva tra IVR e il numero di morti per milione riscontrato in questo studio, un'ulteriore esplorazione sarebbe utile per spiegare questi risultati e trarre conclusioni. Ulteriori lavori su questa linea di ricerca possono anche produrre risultati per migliorare la prevenzione delle morti per COVID-19.
NOTE:
Agrawal B. 2019. Heterologous immunity: role in natural and vaccine-induced resistance to infections. Frontiers in Immunology 10:164
Armengaud J, Delaunay‐Moisan A, Thuret J‐Y, Anken E, Acosta‐Alvear D, Aragón T, Arias C, Blondel M, Braakman I, Collet J‐F+17 more. 2020. The importance of naturally attenuated SARS-Cov-2 in the fight against Covid-19. Environmental Microbiology 22(6):1997-2000
Arokiaraj MC. 2020. Correlation of influenza vaccination and the COVID-19 severity.
Beigel JH, Tomashek KM, Dodd LE, Mehta AK, Zingman BS, Kalil AC, Hohmann E, Chu HY, Luetkemeyer A, Kline S+30 more. 2020. Remdesivir for the treatment of Covid-19-preliminary report. New England Journal of Medicine
Conyon MJ, He L, Thomsen S. 2020. Lockdowns and COVID-19 deaths in Scandinavia. Covid Economics 26:17-42
Courtemanche C, Garuccio J, Le A, Pinkston J, Yelowitz A. 2020. Strong social distancing measures in the United States reduced the COVID-19 growth rate: study evaluates the impact of social distancing measures on the growth rate of confirmed COVID-19 cases across the United States. Health Affairs 10:1377
Cowling BJ, Fang VJ, Nishiura H, Chan K-H, Ng S, Ip DKM, Chiu SS, Leung GM, Peiris JSM. 2012. Increased risk of noninfluenza respiratory virus infections associated with receipt of inactivated influenza vaccine. Clinical Infectious Diseases 54(12):1778-1783
Eikenberry SE, Mancuso M, Iboi E, Phan T, Eikenberry K, Kuang Y, Kostelich E, Gumel AB. 2020. To mask or not to mask: modeling the potential for face mask use by the general public to curtail the COVID-19 pandemic. Infectious Disease Modelling 5:293-308
Escobar LE, Molina-Cruz A, Barillas-Mury C. 2020. BCG vaccine protection from severe coronavirus disease 2019 (COVID-19) Proceedings of the National Academy of Sciences 117(30):17720-17726
Fink G, Orlova-Fink N, Schindler T, Grisi S, Ferrer AP, Daubenberger C, Brentani A. 2020. Inactivated trivalent influenza vaccine is associated with lower mortality among Covid-19 patients in Brazil. medRxiv
Fischer EP, Fischer MC, Grass D, Henrion I, Warren WS, Westman E. 2020. Low-cost measurement of facemask efficacy for filtering expelled droplets during speech. Science Advances 6(36):eabd3083
Flaxman S, Mishra S, Gandy A, Unwin HJT, Mellan TA, Coupland H, Whittaker C, Zhu H, Berah T, Eaton JW+9 more. 2020. Estimating the effects of non-pharmaceutical interventions on COVID-19 in Europe. Nature 584:257-261
Goodridge HS, Ahmed SS, Curtis N, Kollmann TR, Levy O, Netea MG, Pollard AJ, Van Crevel R, Wilson CB. 2016. Harnessing the beneficial heterologous effects of vaccination. Nature Reviews Immunology 16(6):392-400
Graham BS. 2020. Rapid COVID-19 vaccine development. Science 368(6494):945-946
Hallatschek O, Fisher DS. 2014. Acceleration of evolutionary spread by long-range dispersal. Proceedings of the National Academy of Sciences 111(46):E4911-E4919
Isaacs A, Lindenmann J. 1957. Virus interference. I. The interferon. Proceedings of the Royal Society of London: Series B-Biological Sciences 147(927):258-267
Khaitov M, Laza-Stanca V, Edwards MR, Walton RP, Rohde G, Contoli M, Papi A, Stanciu LA, Kotenko SV, Johnston SL. 2009. Respiratory virus induction of alpha-, beta-and lambda-interferons in bronchial epithelial cells and peripheral blood mononuclear cells. Allergy 64(3):375-386
Le Couteur DG, Anderson RM, Newman AB. 2020. COVID-19 is a disease of older people. Journals of Gerontology Series A Biological Sciences and Medical Sciences 75(9):glaa077
Leffler CT, Ing EB, Lykins JD, Hogan MC, McKeown CA, Grzybowski A. 2020. Association of country-wide coronavirus mortality with demographics, testing, lockdowns, and public wearing of masks. medRxiv
Leung NY, Bulterys MA, Bulterys PL. 2020. Predictors of COVID-19 incidence, mortality, and epidemic growth rate at the country level. medRxiv
Li K, Wu J, Wu F, Guo D, Chen L, Fang Z, Li C. 2020. The clinical and chest CT features associated with severe and critical COVID-19 pneumonia. Investigative Radiology 55(6):327-331
Marín-Hernández D, Schwartz RE, Nixon DF. 2020. Epidemiological evidence for association between higher influenza vaccine uptake in the elderly and lower COVID-19 deaths in Italy. Journal of Medical Virology
Mathews JD, Chesson JM, McCaw JM, McVernon J. 2009. Understanding influenza transmission, immunity and pandemic threats. Influenza and Other Respiratory Viruses 3(4):143-149
McGill J, Heusel JW, Legge KL. 2009. Innate immune control and regulation of influenza virus infections. Journal of Leukocyte Biology 86(4):803-812
Murray KA, Preston N, Allen T, Zambrana-Torrelio C, Hosseini PR, Daszak P. 2015. Global biogeography of human infectious diseases. Proceedings of the National Academy of Sciences 112(41):12746-12751
Netea MG, Domínguez-Andrés J, Barreiro LB, Chavakis T, Divangahi M, Fuchs E, Joosten LAB, Van der Meer JWM, Mhlanga MM, Mulder WJM+7 more. 2020. Defining trained immunity and its role in health and disease. Nature Reviews Immunology 20(6):375-388
Nguyen TTM, Lafond KE, Nguyen TX, Tran PD, Nguyen HM, Do TT, Ha NT, Seward JF, McFarland JW. 2020. Acceptability of seasonal influenza vaccines among health care workers in Vietnam in 2017. Vaccine 38(8):2045-2050
Ozili PK, Arun T. 2020. Spillover of COVID-19: impact on the Global Economy.
Petrovsky N. 2015. Comparative safety of vaccine adjuvants: a summary of current evidence and future needs. Drug Safety 38(11):1059-1074
Pawlowski C, Puranik A, Bandi H, Venkatakrishnan AJ, Agarwal V, Kennedy R, O’Horo JC, Gores GJ, Williams AW, Halamka J+2 more. 2020. Exploratory analysis of immunization records highlights decreased SARS-CoV-2 rates in individuals with recent non-COVID-19 vaccinations. medRxiv
Qin C, Zhou L, Hu Z, Zhang S, Yang S, Tao Y, Xie C, Ma K, Shang K, Wang W+1 more. 2020. Dysregulation of immune response in patients with COVID-19 in Wuhan, China. Clinical Infectious Diseases 71(15):762-768
R Core Team. 2017. R: a language and environment for statistical computing. Vienna: The R Foundation for Statistical Computing.
RECOVERY Collaborative Group. 2020. Dexamethasone in hospitalized patients with Covid-19—preliminary report. New England Journal of Medicine
Seppälä E, Viskari H, Hoppu S, Honkanen H, Huhtala H, Simell O, Ilonen J, Knip M, Hyöty H. 2011. Viral interference induced by live attenuated virus vaccine (OPV) can prevent otitis media. Vaccine 29(47):8615-8618
Skórka P, Grzywacz B, Moroń D, Lenda M. 2020. The macroecology of the COVID-19 pandemic in the Anthropocene. PLOS ONE 15(7):e0236856
Strobl C, Boulesteix AL, Kneib T, Augustin T, Achim Zeileis A. 2008. Conditional variable importance for random forests. BMC Bioinformatics 9(1):307
Venables WN, Ripley BD. 1999. Chapter 10: Tree-based methods. In: Chambers J, Eddy W, Härdle W, Sheather S, Tierney L, eds. Modern Applied Statistics with S-PLUS (Third Edition). New York: Springer-Verlag. 303-327
Wickham H, Chang W, Wickham MH. 2013.
Williams CK, Engelhardt A, Cooper T, Mayer Z, Ziem A, Scrucca L, Kuhn MM. 2018. Package ‘caret’.
Wolff GG. 2020. Influenza vaccination and respiratory virus interference among Department of Defense personnel during the 2017–2018 influenza season. Vaccine 38(2):350-354
Yancy CW. 2020. COVID-19 and African Americans. JAMA 323(19):1891-1892
Yuen KS, Ye ZW, Fung SY, Chan CP, Jin DY. 2020. SARS-CoV-2 and COVID-19: the most important research questions. Cell & Bioscience 10(1):1-5
