Rt推定値に基づく国および州レベルの流行傾向を使用したCOVID-19感染方向のリアルタイム変化の検出－アメリカ全体およびニューメキシコ州、2024年4月～10月

日本語
English

ホーム IMICライブラリ MMWR抄訳 2024年（Vol.73)Rt推定値に基づく国および州レベルの流行傾向を使用･･･

MMWR抄訳

2024/11/21Vol. 73 / No. 46

MMWR73(46):1058－1063
Detection of Real-Time Changes in Direction of COVID-19 Transmission Using National- and State-Level Epidemic Trends Based on Rt Estimates — United States Overall and New Mexico, April–October 2024

Rt推定値に基づく国および州レベルの流行傾向を使用したCOVID-19感染方向のリアルタイム変化の検出－アメリカ全体およびニューメキシコ州、2024年4月～10月

公衆衛生医師は、計画および意思決定にタイムリーな監視データを頼っているが、監視データは頻繁に遅れがちである。ナウキャスティング法を使用した時間とともに変化する効果的再生産数(Rt)推定に基づく流行傾向カテゴリーは、サーベイランスデータ報告のタイムラグを軽減し、報告が完了する前に地域感染の変化を検出することができる。CDCは、2024年夏のアメリカおよびニューメキシコ州におけるCOVID-19の流行傾向カテゴリーのパフォーマンスを分析した。COVID-19流行傾向カテゴリーは、予備データに基づいてリアルタイムで推定および公開し、その後、最終的な救急科(ED)受診データとレトロスペクティブに比較し、その後のED受診におけるリアルタイムの変化を検出または確認する能力が判断した。2024年夏、アメリカではCOVID-19の診断が増加した。2024年5月10日の週には、アメリカ、西海岸と北東部の11州の流行傾向カテゴリーが増加または増加傾向の可能性を示し始めたが、この時点でアメリカにて報告されたCOVID-19関連ED受診率は低く(0.3％)、11州では0.3％～1％であった。夏の流行が8月下旬にピークを迎えた後(8月30日に報告されたCOVID-19のED受診率が2.6％)、流行傾向カテゴリーは、COVID-19の地域感染が全国的に減少していることを示した。ニューメキシコ州の流行傾向カテゴリーは、夏の流行の波の早期シグナルを示した。2024年5月10日には流行傾向が増加していたが、その時点で入手可能なCOVID-19関連ED受診件数に関するデータでは、この増加はまだ示されていなかった。2024年9月6日の週に、流行傾向カテゴリーは2024年5月以来初めて減少すると推定された。ED受診データでは、9月6日の週(7日間)のCOVID-19関連ED受診は304件であり、前週の受診は489件であった。公衆衛生の意思決定者は、流行傾向カテゴリーを他のサーベイランス指標と組み合わせて使用することで、COVID-19の地域感染とその後のED受診が増加しているか、減少しているか、または変化していないかを把握でき、公衆衛生活動に備えることができる。

References

CDC. National Syndromic Surveillance Program (NSSP): about NSSP. Atlanta, GA: US Department of Health and Human Services, CDC; 2024. ＜https://www.cdc.gov/nssp/php/about/index.html＞
CDC. CFA: modeling and forecasting. Current epidemic trends (based on Rt) for states. Atlanta, GA: US Department of Health and Human Services, CDC; 2024. ＜https://www.cdc.gov/cfa-modeling-and-forecasting/rt-estimates/index.html＞
Gostic KM, McGough L, Baskerville EB, et al. Practical considerations for measuring the effective reproductive number, Rt. PLOS Comput Biol 2020;16:e1008409. PMID:33301457 ＜https://doi.org/10.1371/journal.pcbi.1008409＞
Stoner O, Economou T. Multivariate hierarchical frameworks for modeling delayed reporting in count data. Biometrics 2020;76:789–98. PMID:31737902 ＜https://doi.org/10.1111/biom.13188＞
Wolffram D, Abbott S, An der Heiden M, et al. Collaborative nowcasting of COVID-19 hospitalization incidences in Germany. PLOS Comput Biol 2023;19:e1011394. PMID:37566642 ＜https://doi.org/10.1371/journal.pcbi.1011394＞
CDC. Behind the model: CDC’s tools to assess epidemic growth. Atlanta, GA: US Department of Health and Human Services, CDC; 2024. ＜https://www.cdc.gov/cfa-behind-the-model/php/data-research/rt-estimates/index.html＞
Abbott S, Hellewell J, Sherratt K, et al., EpiForecasts. EpiNow2: estimate real-time case counts and time-varying epidemiological parameters. London, England: London School of Hygiene & Tropical Medicine; 2024. ＜https://epiforecasts.io/EpiNow2/dev/＞