Rischio pandemico zoonotico: ecco le aree e le popolazioni maggiormente esposte

Le epidemie e le pandemie causate dalla trasmissione di agenti patogeni dagli animali all’uomo (spillover zoonotico) stanno diventando più frequenti e severe, con potenziali gravi conseguenze per la salute umana. Secondo la letteratura scientifica il motivo di questo fenomeno può essere identificato in cinque gruppi principali di fattori antropogenici, che sono: cambiamenti climatici, dinamiche della popolazione umana, produzione zootecnica, intensificazione agricola e perdita di biodiversità.

Un recente studio condotto dal JRC (Joint Research Center) e pubblicato sulla rivista Science Advances (qui), ha voluto mappare il rischio globale di epidemie e a identificare i territori più esposti e la loro capacità di risposta. L’analisi si concentra sulle malattie prioritarie dell’Organizzazione Mondiale della Sanità (OMS), che includono: Ebola, Zika, Febbre Emorragica Crimea-Congo (CCHF), Lassa, MERS, SARS, Marburg, Nipah e Rift Valley Fever (RVF).

Lo studio 

Il lavoro in esame ha utilizzato un approccio di apprendimento automatico (machine learning), specificamente un modello spaziale chiamato Bayesian Additive Regression Trees (BART), analizzando dati di focolai (dal 1975 al 2020) e variabili derivate da satellite, per identificare i potenziali fattori e stimare il rischio di focolai delle malattie prioritarie OMS (escludendo COVID-19).

Sono stati analizzati nove fattori (driver) chiave, raggruppati in tre categorie:

1. Fattori Climatici: temperatura, precipitazioni e deficit idrico.
2. Fattori Ambientali: prossimità uomo-foresta, perdita di biodiversità, densità del bestiame e frequenza del cambiamento di uso del suolo.
3. Fattori Demografici: densità della popolazione.

Per garantire una valutazione del rischio più accurata, il modello ha incorporato il tempo di percorrenza verso le strutture sanitarie come variabile per correggere il potenziale bias di rilevamento, influenzato dall’accessibilità all’assistenza sanitaria.

 I risultati dell’analisi evidenziano che condizioni climatiche e attività umane specifiche sono le variabili che maggiormente elevano il rischio di focolai.

Fattori Climatici

• Temperatura e precipitazioni: Aree costantemente più calde, con massime e minime più elevate, sono risultate più inclini ai focolai. Anche livelli di precipitazioni annuali più alti possono aumentare il rischio di focolai fino a un certo punto, in linea con ricerche che collegano l’aumento delle precipitazioni al rischio di malattie trasmesse da vettori.
• Deficit idrico: Il rischio di focolai è correlato positivamente con i livelli di deficit idrico, sebbene in modo non lineare. Il rischio più elevato si verifica in aree con valori medi del deficit idrico, dove la scarsità di acqua e vegetazione può portare alla concentrazione di animali selvatici e bestiame attorno a risorse limitate, aumentando la probabilità di contatto e di spillover.

Fattori Ambientali e Demografici

• Uso del suolo e foreste: I cambiamenti di uso del suolo, compresi gli insediamenti umani in prossimità delle aree boschive, contribuiscono al rischio. L’analisi rivela che una maggiore frequenza di cambiamenti nell’uso del suolo aumenta il rischio di focolai. Inoltre, il rischio aumenta all’accorciarsi della distanza tra esseri umani e foreste, facilitando le interazioni uomo-fauna selvatica.
• Densità zootecnica: Un’elevata densità di bestiame è un fattore di rischio riconosciuto, anche se oltre una certa soglia di densità, il rischio medio si stabilizza e diventa meno prevedibile, a causa dell’incertezza legata alle pratiche di gestione e biosicurezza.
• Perdita di biodiversità: La relazione è complessa e non lineare. La perdita iniziale di circa il 20% della ricchezza di specie incontaminate aumenta bruscamente il rischio, supportando l’ipotesi dell’effetto di diluizione.
• Densità di popolazione: La densità di popolazione umana ha un impatto significativo sul rischio complessivo di focolai, che risulta superiore al contributo degli altri singoli fattori, quando le altre variabili sono mantenute costanti.

Mappatura globale delle aree maggiormente a rischio

Lo studio rivela che il 9,3% della superficie terrestre globale è classificato ad alto (6,3%) o molto alto (3%) rischio di epidemie delle malattie prioritarie OMS.

La maggior parte di queste aree ad alto rischio si trova in America Latina e Oceania. La proporzione di area terrestre a rischio alto/molto alto per continente è massima in:

• America Latina: 27,1%
• Oceania: 18,6%
• Asia: 6,9%
• Africa: 5,2%
• Europa: 0,2%
• Nord America: 0,08%

Considerando la distribuzione spaziale della popolazione, si stima che il 3% della popolazione mondiale viva in aree ad alto e molto alto rischio, mentre il 20% risiede in aree a rischio medio.

L’Indice di Rischio Epidemico Nazionale

Per complementare le previsioni sul rischio puro, lo studio ha sviluppato un indicatore denominato “Indice di Rischio Epidemico“ (ERI), che combina il rischio massimo di focolai con la capacità specifica di un paese di rispondere alle minacce zoonotiche. Questa capacità è valutata utilizzando i dati IHR C3 (Regolamento Sanitario Internazionale C3) sull’interfaccia salute umana-animale.

L’indice dimostra che un’efficace capacità di risposta può mitigare il rischio di epidemie, anche in paesi con un alto rischio di focolai previsto. La maggior parte dei paesi è classificata come “esposta ma resiliente”. Tuttavia, nazioni come Papua Nuova Guinea e la Repubblica del Congo si collocano ai primi posti nell’indice, con Papua Nuova Guinea classificata a livello critico.

Conclusioni e prospettive

Questo studio mette, dunque, in evidenza il ruolo fondamentale dei fattori ambientali, climatici e sociodemografici nel modellare il rischio di malattie con potenziale epidemico e pandemico. I cambiamenti climatici, includendo temperature più elevate, aumento delle precipitazioni e scarsità idrica, sono identificati come driver chiave, creando nuove vulnerabilità.

Le scoperte sottolineano la necessità di integrare gli sforzi di adattamento e mitigazione climatica nella pianificazione della sanità pubblica. Le pratiche sostenibili di uso del suolo e gli sforzi di conservazione sono cruciali per prevenire la rottura degli habitat che favorisce la trasmissione delle malattie.

L’utilizzo di modelli di machine learning è, quindi, da considerarsi un valido supporto per sviluppare mappe di rischio che possano guidare la sorveglianza e informare le decisioni di sanità pubblica. La traduzione di queste stime in un indice di rischio epidemico aiuta i decisori politici ad allocare risorse in modo efficace e a promuovere la collaborazione internazionale.

Nonostante i limiti metodologici, come l’aggregazione di diverse malattie e l’utilizzo del tempo di viaggio per l’assistenza sanitaria come indicatore indiretto  per il bias di rilevamento, il modello fornisce una base solida per comprendere e mitigare i rischi di malattie epidemiche e pandemiche. Studi futuri potrebbero beneficiare dell’integrazione di indicatori socioeconomici e della capacità e qualità del sistema sanitario per affinare ulteriormente i modelli predittivi.