Стохастическая модель для оценки риска передачи Chlamydia trachomatis с использованием данных продольных наблюдений

Контент

Бактерия Chlamydia trachomatis вызывает инфекцию генитального хламидиоза. Тем не менее, мало что известно об эффективности передачи этого организма. Этические ограничения против контакта здоровых субъектов с инфицированными партнерами исключают возможность количественной оценки риска передачи посредством контролируемых экспериментов. Это исследование предлагает альтернативную стратегию, основанную на данных наблюдений. В частности, мы представляем стохастическую модель, которая рассматривает длительно наблюдаемые состояния инфекции в группе молодых женщин как марковский процесс. Предлагаемая модель явно учитывает параметры C. trachomatis.передача, включая риск заражения инфекциями, передаваемыми половым путем (ИППП) при каждом контакте, с защитой презерватива и без него, а также вероятность неэффективности лечения антибиотиками. Затем оценивается вероятность передачи C. trachomatis от мужчины к женщине путем объединения риска заражения при каждом контакте и распространенности этого микроорганизма в популяции партнеров-мужчин. Предлагаемая модель соответствует байесовской вычислительной структуре.

1. Введение

Хламидиоз - это распространенная инфекция, передающаяся половым путем (ИППП), вызываемая бактерией Chlamydia trachomatis . Это одна из самых распространенных ИППП в США (CDC 2007a). По оценкам, ежегодно около 2,3 миллиона гражданских лиц в США в возрасте от 14 до 39 лет, не находящихся в специализированных учреждениях, заражаются C. trachomatis (CDC 2007b; Datta et al . 2007), но известно, что показатели распространенности значительно выше среди молодежи (возраст 14 лет). –25 лет) и жителей центральной части города (Miller et al . 2004; Weinstock et al.. 2004 г.). Повторные и продолжительные инфекции вызывают значительную заболеваемость и пагубные последствия, включая воспалительные заболевания органов малого таза, внематочную беременность и трубное бесплодие у женщин, придаток яичка и реактивный артрит (синдром Рейтера) у мужчин, хотя осложнения у мужчин встречаются реже (Cates and Wasserheit 1991; Hillis et al. др . 1997; Вестром 1999; Фунг и др . 2007). Недавние исследования также показывают, что хламидийные инфекции повышают восприимчивость к вирусу иммунодефицита человека (ВИЧ), тем самым повышая риск передачи ВИЧ (Fleming and Wasserheit 1999).

В США генитальная хламидийная инфекция в основном передается при половом акте между гетеросексуальными партнерами, хотя половой акт с инфицированным партнером не приводит автоматически к инфицированию. Несмотря на рутинное использование антибиотиков для лечения выявленных случаев, неизменно высокие показатели распространенности предполагают значительный риск передачи заболевания (Xu et al . 2000; Lamontagne et al . 2007). Учитывая последствия для здоровья и роль, которую передача играет в распространении этих заболеваний, удивительно, как мало известно о трансмиссивности C. trachomatis . Здесь мы определяем трансмиссивность как вероятность заражения хламидиозом в результате одного контакта с инфицированным партнером.

Основная трудность в оценке вероятности передачи вируса конкретным организмом состоит в том, что это количество невозможно получить непосредственно в результате контролируемых экспериментов из-за этических ограничений, запрещающих сознательное воздействие на людей инфекционных патогенов. В 1970-х годах исследователи изучили риск заражения мужчин гонореей от инфицированных секс-работников женского пола или ЖКС (Holmes et al . 1970). В исследовании неинфицированным членам экипажа на борту корабля ВМС США было разрешено посещать ЖСБ во время посещения иностранного порта. Используя предполагаемую распространенность Neisseria gonorrhoeae среди ЖКС и зарегистрированное количество половых контактов между командой и ЖКС, исследователи смогли оценить соотношение между самцами N. gonorrhoeae и мужчинами.вероятность передачи. Несмотря на опасения по поводу точности оценки распространенности N. gonorrhoeae для ЖСБ из-за ограниченной базы выборки и потенциальной систематической ошибки, связанной с незарегистрированными ЖСБ (Felton 1973; Hooper et al . 1978; Baumgarten 1980), оценка этого эксперимента остается единственной. принятая мера вероятности передачи гонореи. Однако подобные исследования больше не считаются этическими. Хотя исследования заражения человека инъекцией инфекционных патогенов использовались для изучения иммунных ответов хозяина на такие организмы, как N. gonorrhoeae и Haemophilus ducreyi (Cohen and Cannon 1999; Spinola et al.. 2002), методы заражения являются искусственными и поэтому не имеют прямого отношения к передаче половым путем.

Логической альтернативой экспериментальным исследованиям является оценка риска передачи с использованием данных наблюдений. В этом направлении Кац (1992) предложил метод, который использует данные поперечного сечения из программ отслеживания контактов для оценки вероятности передачи хламидиоза среди пар. Однако, поскольку данные отслеживания контактов редко предоставляют информацию о частоте полового акта для каждой отдельной пары партнеров, полученные оценки по существу представляют риски передачи, связанные с некоторым «средним» числом встреч среди всех пар. Риск передачи C. trachomatis на контакт остается неизвестным.

В этой статье мы предлагаем альтернативную стратегию: используя данные наблюдений, собранные из продольной когорты молодых женщин, мы оцениваем риск заражения C. trachomatis при каждом контакте ( p ), то есть вероятность заражения женщины-субъекта C. trachomatis в результате одного незащищенного полового акта с партнером-мужчиной. Следует отметить, что риск заражения C. trachomatis p отражает не только трансмиссивность C. trachomatis.организма, но также и распространенность организма в популяции-партнере. Понятно, что чем более передается организм, тем выше риск заражения. Точно так же, чем более распространен микроорганизм в популяции-партнере, тем выше риск заражения при каждом контакте. Следовательно, с оценкой распространенности C. trachomatis в популяции партнеров-мужчин, мы могли бы точно определить количественно вероятность передачи C. trachomatis от мужчины к женщине, исходя из следующего соотношения: Риск заражения при контакте = Вероятность передачи × Распространенность партнера.

Чтобы оценить риск заражения C. trachomatis ( p ) при каждом контакте , мы предлагаем стохастическую модель, которая описывает изменение инфекционных состояний у субъекта с течением времени. Предлагаемая модель позволяет нам изучить влияние использования презерватива на изменение риска заражения C. trachomatis . Это также позволяет нам оценить вероятность неэффективности лечения антибиотиками. Вероятность передачи достигается с помощью оценочного риска заражения p и оценки C. trachomatisпоказатели распространенности в различных группах партнеров-мужчин. Методологически предлагаемый подход представляет собой новое применение стохастических методов Маркова к данным продольного наблюдения за инфекциями. Модель явно учитывает наиболее важные параметры заражения. Для удобства мы проводим расчет модели в рамках байесовской цепи Маркова методом Монте-Карло. Насколько нам известно, это первая попытка использовать данные наблюдений для количественной оценки риска передачи хламидиоза среди гетеросексуальных партнеров.

Следует отметить, что существует масса литературы о риске передачи ВИЧ / СПИДа (Padian et al. 1990, 1991 и 2007; Европейская исследовательская группа по гетеросексуальной передаче ВИЧ, 1992). Однако фундаментальные различия между вирусными и бактериальными ИППП требуют нового статистического подхода к последним. Например, в отличие от ВИЧ / СПИДа, инфекции, вызванные такими бактериями, как C. trachomatisизлечимы. Выявленные инфекции лечатся в плановом порядке. Антимикробное лечение часто эффективно прерывает эпизод инфекции, вызывая изменение состояния инфекции и создавая более серьезные методологические проблемы для количественной оценки рисков передачи. В этом упражнении важны часто измеряемые данные о заражении, чтобы фиксировать изменяющиеся состояния инфекции. Насколько нам известно, не так много исследований предназначено для получения таких данных. В следующем разделе мы опишем эпидемиологическое исследование, которое предоставляет идеальные данные для нашего исследования.

2 Описание источника данных

Проект молодых женщин (YWP) - это эпидемиологическое исследование рецидивов ИППП у женщин-подростков. Первоначальной целью исследования было изучить факторы риска, связанные с ИППП у молодых женщин. Однако план исследования YWP и сбор данных обеспечивают платформу для оценки вероятности передачи C. trachomatis . Базовая схема сбора данных YWP изображена на рисунке 1.

Схема сбора данных в рамках проекта молодых женщин: Состояния инфекций, передаваемых половым путем (ИППП), определялись при зачислении и во все последующие квартальные посещения (синие кружки представляют собой определение статуса инфекции). Во время этих посещений лечили инфицированных субъектов (зеленые кружки обозначают лечение антибиотиками). Также при каждом ежеквартальном посещении участники участвовали в личных интервью, сообщая о количестве половых актов, с использованием и без защиты презервативами, в предыдущем квартале (показано красными кружками).

Вкратце, молодые женщины в возрасте от 14 до 17 лет, способные понимать английский язык, без серьезных психических расстройств или умственных отклонений и посещающие одну из трех участвующих клиник первичной медико-санитарной помощи, имели право на участие в программе YWP. В этих клиниках к молодым женщинам, которые соответствовали критериям зачисления, которые не зависели от предыдущего сексуального опыта, обращались исследователи. К тем, кто согласился участвовать, подходили и набирали во время запланированных клинических посещений. Информированное согласие и разрешение родителей были получены при зачислении.

При зачислении все участники исследования прошли собеседование и прошли обследование органов малого таза, в ходе которого был взят мазок из шейки матки для тестирования на ИППП и проанализирован с помощью тестов амплификации нуклеиновых кислот на C. Trachomatis.. Инфицированные участники лечились в клиниках или вскоре после того, как стали доступны результаты тестов. Зарегистрированные участники программы YWP проходят ежеквартальные клинические визиты на срок до 54 месяцев. В течение периода исследования тестирование на ИППП и лечение повторялись при каждом ежеквартальном посещении. См. Рисунок 1 для схематического изображения плана исследования. На рисунке 1 тесты STI представлены синими кружками; процедуры представлены зелеными кружками. Все результаты тестов и лечения были записаны в медицинскую карту участника, включая использованные противомикробные препараты, дозу и режим по рецепту, а также способ доставки. Также при каждом ежеквартальном посещении участники участвовали в очном интервью, в ходе которого их спрашивали о количестве половых актов, с использованием и без защиты презервативами, с момента предыдущего ежеквартального посещения.

В этом исследовании мы сосредоточены на анализе первых 200 участников, которые совершили не менее двух последующих посещений после собеседования при зачислении. Мы использовали этот набор данных, потому что это группа молодых женщин, результаты тестов которых доступны на момент анализа.

3 Метод

3.1 Обозначения

Пусть Y ij указывает на инфекционное состояние i- го участника при j- м посещении, i = 1, 2,…, I , и j = 0, 1, 2,…, J i , где j = 0 представляет регистрацию. посещение: Y ij = 1, если участник заражен, Y ij = 0 в противном случае. Аналогично, пусть Z ij будет индикатором лечения: Z ij = 1, если участник лечится, Z ij = 0 в противном случае. Обозначим вероятность неудачи лечения как q. Для самооценки сексуального поведения мы принимаем n ij и m ij как общее количество половых актов и количество половых актов, защищенных презервативом, за трехмесячный период, предшествующий j- му посещению, соответственно.

3.2 Марковская модель инфекций C. trachomatis

Подход, который мы используем для моделирования хламидийной инфекции, представлен на рисунке 2.

Концептуальная модель рецидивирующих инфекций, передаваемых половым путем (ИППП): мы рассматриваем историю инфекции участника как случайный процесс, в котором текущее состояние инфекции зависит от состояния инфекции во время предыдущего визита, лечения, полученного во время предыдущего визита, и связанных с ИППП. сексуальное поведение между двумя посещениями.

Здесь мы предполагаем, что последовательность состояний заражения i- го субъекта формирует случайный процесс, который удовлетворяет свойству Маркова, т. Е. Состояние заражения во время j зависит только от состояния заражения в момент времени j −1, лечение, которое участник получила в j- 1, и ее сексуальное поведение между двумя временными точками, j- 1 и j . Другими словами, мы предполагаем, что состояние инфекции C. trachomatis при любом данном посещении Y ij является стохастической функцией предыдущего инфекционного статуса Y ij -1 , наличия или отсутствия лечения антибиотиками Zij −1 , и ее возможное воздействие на организм (характеризуемое n ij и m ij ) между посещениями. Наша цель - оценить риск заражения C. Trachomatis на основе наблюдаемых данных (Y,Z,n,m).

Для простоты положим р я быть в Хламидийной риск приобретения в незащищенном половом контакте для я - го участника. Точно так же мы принимаем pic как риск, связанный с контактом, защищенным презервативом, где c >0 представляет влияние презерватива на изменение риска контакта p i . В частности, если презервативы действительно эффективны для защиты от заражения C. trachomatis , у нас будет pi>pic или c >1. Поскольку количество половых актов с защитой презерватива и без нее, m ij и n ij - m ij, известны для трехмесячного интервала между j - 1 и j , вероятность того, что i- й участник не заразится через поведение в интервале, может быть рассчитана как Δ ij = (1 - pi) n ij - m ij (1 - рис) m ij.

Следует отметить, что нынешняя формулировка может быть расширена. Например, можно сделать так, чтобы риск приобретения болезни при каждом контакте был привязан к конкретному событию, а не к конкретному субъекту. Такое расширение может быть полезно для оценки модификаторов риска передачи, связанных с конкретным событием, если доступны ковариаты на уровне события (или конкретных партнеров). Мы кратко обсудим это расширение в разделе 4.1. Здесь мы предполагаем, что вероятность приобретения заболевания зависит от конкретного субъекта, поскольку в настоящее время научное понимание состоит в том, что после контакта с C. trachomatisНезависимо от того, разовьется ли у женщины инфекция или нет, в первую очередь зависит от ее собственного иммунного ответа на бактерию, а не от того, кто является источником патогена, или от способа воздействия. Следовательно, как только мы контролируем распространенность заболевания в популяции-партнере, вероятность приобретения болезни можно рассматривать как индивидуальный риск.

При этом все последовательные состояния заражения в стохастическом процессе можно охарактеризовать в четырех сценариях: (а) отсутствие заражения; (б) успешно вылеченная инфекция; (c) вновь приобретенная инфекция; и (d) рецидивирующая инфекция. Эти сценарии графически изображены на рисунке 3.

Четыре сценария анамнеза инфекции между двумя последовательными посещениями: (1) инфекция не обнаружена; (2) успешно вылеченная инфекция; (3) вновь приобретенная инфекция; и (4) рецидивирующие инфекции.

Аналитически сценарии можно описать следующим образом:

Между двумя последовательными посещениями инфекция не обнаружена. Поскольку в момент времени j - 1 тест участника был отрицательным, никакого лечения не проводилось; поскольку тест участника показал отрицательный результат в момент времени j , не должно быть заражения через поведение. Следовательно, мы имеем P ( Y ij = 0 | Y ij −1 = 0) = Δ ij , как показано на рисунке 3 (a).

Успешно вылечили инфекцию. Если тест участницы дал положительный результат в момент времени j - 1, но дал отрицательный результат через три месяца в момент времени j , участница должна была пройти лечение, лечение должно быть успешным, и она не должна заразиться новой инфекцией в результате сексуального поведения. Следовательно, имеем условную вероятность P ( Y ij = 0 | Y ij −1 = 1) = Z ij −1 (1 - q ) ∆ ij .

Новоприобретенная инфекция. Если участник дал отрицательный результат на C. trachomatis во время j - 1, но дал положительный результат во время j , участник, должно быть, заразился новой инфекцией. В этом случае условная вероятность просто: P ( Y ij = 1 | Y ij −1 = 0) = 1 - Δ ij .

Повторные инфекции. Наконец, мы рассматриваем случай повторных инфекций. Если тест участника дал положительный результат в двух последовательных временных точках, может быть несколько возможностей: во-первых, инфекция не лечилась; второй - лечение не увенчалось успехом; третий - это новая инфекция. Следовательно, условную вероятность можно записать как P ( Y ij = 1 | Y ij −1 = 1) = (1 - Z ij −1 ) + Z ij −1 q + Z ij −1 (1 - q ) (1 - Δ ij ).

Используя формулу условной вероятности, легко получить следующую безусловную вероятность

где Δ ij = (1 - pi) n ij - m ij (1 - pic) m ij для j = 1, 2,…, J i.

С помощью итерационной формулы уравнение (3.1) дает вероятностное описание процесса заражения. Поскольку Δ ij представляет собой вероятность того, что i- й участник не заразится половым актом между j - 1-м и j- м посещениями, приведенные выше утверждения о вероятности интуитивно интерпретируемы.

Следует отметить, что указанная выше модель может быть дополнительно расширена для учета ситуаций спонтанного выведения C. trachomatis . Были задокументированы случаи самоочищения C. trachomatis (McCormack et al. 1979, Golden et al. 2000, Morre et al. 2002, Molano et al. 2005). В частности, мы могли бы расширить сценарий 2, включив в него возможность самоочищения ξ. В рамках этого расширения сценарий 2 может быть описан как P ( Y ij = 0 | Y ij −1 = 1) = Z ij −1 (1 - q ) ∆ ij+ (1 - π) ξ, где ξ - вероятность самопроизвольного очищения. Мы не рассматриваем это расширение в текущем исследовании, потому что протокол нашего исследования требует лечения всех выявленных инфекций во время клинического посещения (Tu et al. 2009). Кроме того, между визитами проводится лечение симптоматических инфекций (Batteiger et al. 2010). Такое частое обследование и лечение практически исключили возможность наблюдения спонтанного выведения из квартальных данных об инфекции.

4 Байесовская оценка: вероятность, априорность и апостериорность

4.1 Функция правдоподобия

В этом исследовании мы предполагаем, что вероятность заражения, связанная с одним сексуальным контактом, зависит от конкретного пациента. Для i- го участника эта вероятность равна p i для полового акта без защиты презерватива. Для удобства выразим p i как логистическую функцию

G (θ), а G (θ) обозначает некоторое параметрическое распределение с параметром θ.

Как упоминалось в разделе 3.2, модель может быть расширена за счет включения ковариатов на уровне событий xit через p it = exp (β xit + U i ) / (1 + exp (β xit + U i)). Расширение делает модель особенно полезной для оценки факторов уровня событий, которые могут изменять риск передачи. Например, в будущих исследованиях местных микробицидов эта модель может быть полезна для оценки времени, метода применения и различных характеристик микробицидов. В том же духе можно было бы включить эффект случайного партнера, чтобы приспособить потенциальную структуру корреляции событий в рамках одного и того же партнера, если смена партнера является обычным явлением. В нашем наборе данных относительно небольшая часть субъектов (12%) сообщила о нескольких партнерах в течение ежеквартального периода наблюдения. И, как обсуждалось ранее, C. trachomatisНа риск передачи в первую очередь повлиял иммунный ответ субъекта на вторжение бактерий, что оправдывает предположение о риске, специфичном для субъекта. Но для других организмов структура моделирования, безусловно, может быть расширена с учетом дополнительных соображений.

Согласно нынешней формулировке, хотя принято предполагать нормальные распределения для случайных эффектов субъектов, Ван и Луи (2003) отметили, что при обычном нормальном предположении для U i маргинальная регрессионная модель бинарного отклика больше не имеет логистической формы. когда случайные эффекты были интегрированы. Чтобы сохранить логистическую структуру и интерпретацию отношения шансов, Лин и др. (2009) рекомендуют использовать мостовое распределение с параметром ϕ (0

где ϕ представляет собой коэффициент ослабления предельного отношения шансов.

Плотность перемычек в (4.2) симметрична относительно нуля и имеет σ U 2 = π 2 (ϕ - 2 - 1) / 3. У него немного более тяжелый хвост и более остроконечный, чем у нормальной плотности.

В этой формулировке распределение может быть записано как

Затем следует вероятность

4.2 Предыдущие распространения

При предполагаемом мостовом распределении для U i предельная вероятность обнаружения STI (после интегрирования ненаблюдаемых случайных эффектов U i ) может быть записана как E U [ p i ( U i )] = e τ / [1 + e τ] , где τ = ϕβ, а E U - математическое ожидание относительно плотности U i . Для оценки τ мы используем метод Монте-Карло цепей Маркова (MCMC) для итерационной аппроксимации значений ϕ и β. В рамках каждой итерации значение τ генерируется из τ = ϕβ. И τ становится интересующим параметром.

Следуя Линь и др. (2009), мы предполагаем бета (1, 1) (равномерный) априор для ϕ. Для β мы указываем умеренно размытый нормальный априор с центром вокруг нуля, β

Нормальный (0, 4). Мы используем априорное нулевое среднее, потому что мы не уверены в ожидаемом значении β, а β = 0 дает равные шансы заражения и отсутствия инфекции. Аналогичный подход использовался в настройках модели со смешанными эффектами (Natarajan and McCulloch, 1998). Априорная дисперсия 4 для параметра логистической регрессии дает относительно широкий диапазон для β, что переводится в полный диапазон вероятностной меры (0, 1). Связь между предыдущей дисперсией и результирующим отношением шансов в логистической регрессии обсуждалась Spiegelhalter et al (2004). ПК является на встречу STI риск при использовании презерватива. Для практических целей мы ограничиваем поддержку c положительными значениями, т. Е. C >0. Здесь мы предполагаем, что cследует экспоненциальному распределению π ( c )

Гамма (1, 5). Таким образом, среднее значение λ равно 5, а дисперсия - 25.

Что касается вероятности неудачи лечения q , клинические испытания показали, что азитромицин и доксициклин, антибиотики, которые мы использовали для лечения C. trachomatis в исследовании, очень эффективны (Lau and Qureshi 2002). Но эффективность этих методов лечения в реальных клинических условиях, часто называемая эффективностью использования, не так хорошо определена. На эффективность использования антибиотиков может влиять ряд факторов, включая место проведения клинической практики (например, клиники по лечению ЗППП по сравнению с первичной медико-санитарной помощью), популяцию пациентов, способ введения и, что наиболее важно, приверженность пациента лечению. Для исследуемой популяции наше лучшее предположение состоит в том, что вероятность неудачи лечения q , вероятно, будет меньше 20%. Таким образом, мы полагаем π ( q )

Бета (0,1, 0,9). Эта априорная оценка ожидает 10% вероятности отказа и имеет большую неопределенность, поскольку эффективный размер выборки, соответствующий этому априорному критерию, равен (0,1 + 0,9) = 1. Среди всех бета-априорных значений с одинаковым средним значением те, у которых эффективный размер выборки больше считается более информативным. См. Thall and Wathen (2007) для более подробного обсуждения эффективного размера выборки.

4.3 Апостериорное распространение и вывод

Совместное апостериорное распределение параметров моделей, обусловленных данными, получается путем объединения правдоподобия в (4.3) и априорных плотностей с использованием теоремы Байеса:

Вычисления апостериорных распределений параметров были выполнены с использованием методов Монте-Карло цепи Маркова (MCMC). Условные апостериорные распределения логарифмически вогнуты, и поэтому MCMC может быть реализован с использованием стандартных алгоритмов. Выборка Гиббса и связанный с ней алгоритм Метрополиса-Гастингса были реализованы с использованием легкодоступного бесплатного программного обеспечения WinBUGS (Spiegelhalter et al.. 2005). Мы опускаем явный расчет условного распределения каждого параметра с учетом остальных параметров, потому что WinBUGS не требует указания полного условного распределения. Мы используем 25000 итераций при начальном прожигании 5000. Сходимость сгенерированных выборок оценивалась с помощью стандартных инструментов программы WinBUGS, а именно графиков трассировки, графиков ACF, а также диагностики сходимости Гельмана-Рубина. Начальные значения параметров были выбраны, исходя из предшествующих средних значений и покрывающих ± 3 стандартных отклонения. Мы использовали три разные цепочки MCMC с тремя разными начальными значениями, чтобы получить разумную сходимость.

5 Анализ данных и результаты

Мы анализируем 1173 ежеквартальных результатов тестирования 200 молодых женщин, которые прошли как минимум два контрольных визита. Субъекты исследования были набраны из жителей центральной части города, подвергавшейся повышенному риску ИППП. Каждый субъект привел в среднем 5,86 посещений в диапазоне от 2 до 18 лет. Средний возраст зачисления - 15 лет (стандартное отклонение 1,1). В выборке исследования преобладают афроамериканцы - 91%. На момент включения в исследование испытуемые сообщили в среднем о 2,3 сексуальных партнерах в течение своей жизни (медиана 2). Среднеквартальное количество защищенных и незащищенных половых контактов с использованием презервативов составило 5,8 и 14,3, соответственно. C. trachomatisбыл обнаружен в 208 ежеквартальных пробах мазка (17,7%). Из всех квартальных интервалов примерно 66% относились к сценарию 1 (отрицательный-отрицательный), 16% - к сценарию 2 (положительно-отрицательный), 15% - к сценарию 3 (отрицательно-положительный) и 3% - к сценарию 4 ( положительно-положительный). После постановки диагноза все инфицированные пациенты получали рецепт на антибиотики.

Исходя из оценочного значения τ, мы рассчитываем вероятность заражения C. trachomatis на случай встречи и равняется p = exp (- 4,699) exp (- 4,699) + 1 = 0,009, что означает, что вероятность появления молодой женщины в нашем исследовании Население, заразившееся инфекцией C. trachomatis в результате одного незащищенного полового акта с партнером-мужчиной, составляет менее 1%. Следует отметить, что вероятность заражения C. trachomatis при каждом контакте , p , является оценкой для конкретной популяции, поскольку она отражает не только трансмиссивность организма, но и риск инфицирования, который представляет соответствующая популяция партнера-мужчины по отношению к молодым женщинам. Следовательно, оценка низкого риска заражения ( p= 0,009) не должно вызывать удивления: если только небольшое количество партнеров-мужчин имеют хламидиоз, вероятность того, что субъект женского пола заразится в результате одного полового контакта с партнером-мужчиной, также будет мала!

Фактически, используя предполагаемую распространенность C. trachomatis в соответствующей популяции партнеров-мужчин и соотношение Риск приобретения при встрече = Вероятность передачи × Распространенность партнера, мы сможем рассчитать вероятность передачи, связанную с одним незащищенным контактом. Под вероятностью передачи мы имеем в виду вероятность заражения молодой женщины в результате одного незащищенного полового акта с инфицированным партнером-мужчиной. Например, если уровень распространенности C. trachomatis составляет 5% среди мужчин-партнеров, то вероятность передачи будет 18,0%. На рисунке 3 показана взаимосвязь между вероятностью передачи и C. trachomatis. распространенности в популяции партнеров для точечной оценки вероятности встречи и 95% достоверных пределов.

В нашем исследовании точная распространенность инфекции C. trachomatis среди мужчин-партнеров недоступна. Недавнее исследование распространенности хламидиоза, основанное на результатах тестов, проведенных с участием более 23000 мужчин в Балтиморе, Денвере, Сан-Франциско и Сиэтле, показало, что общая распространенность инфекции C. trachomatis составляла 7%, но этот показатель, как правило, варьировался в зависимости от города (Schillinger и др . 2005). Используя эту общую оценку распространенности, мы рассчитываем вероятность передачи как 0,129 с 95% вероятным интервалом (0,096, 0,206).

Следует также отметить, что оценка параметра эффекта презерватива составляет 1,6 с расчетным 95% -ным доверительным интервалом (1,12, 2,42), не содержащим 1. Это предполагает значительное изменение презервативами вероятности передачи. Другими словами, индивидуальный риск заражения при использовании защиты от презервативов составляет pc= 0,009 1,6 = 0,00053, что значительно ниже, чем риск контакта без использования презервативов. Снова предполагая распространенность 7% среди мужчин-партнеров, мы оцениваем вероятность передачи, связанную с одним контактом, защищенным презервативом, равным 0,0076, что значительно ниже, чем риск передачи без защиты презерватива. Хотя этот вывод согласуется с наблюдениями об эффективности презервативов в защите от ИППП, наша оценка напрямую определяет роль презерватива в изменении вероятности передачи C. trachomatis .

Расчетная вероятность неудачи лечения q = 9,6% немного выше, чем известная частота неудач лечения из клинических испытаний (Lau and Qureshi, 2002). Возможно, это неудивительно, потому что эта оценка не получена из контролируемых экспериментов, а представляет собой частоту неудач лечения в реальном мире. Многие практические факторы, такие как неоптимальная приверженность к лечению, могут способствовать увеличению неэффективности лечения антибиотиками для прерывания эпизода инфекции.

6 Обсуждение

В этом исследовании мы представили метод оценки вероятности передачи C. trachomatis от мужчины к женщине . Основным вкладом метода является то, что он предоставляет эпидемиологам и клиническим исследователям инструмент моделирования для оценки трансмиссивности патогена болезни с использованием данных наблюдений, не прибегая к контролируемым экспериментам. Опираясь на данные наблюдений, предложенная схема оценки помогла преодолеть этические ограничения против воздействия инфекционных патогенов на людей, что значительно повысило нашу способность оценивать эффективность передачи бактериальных организмов.

Применяя предложенный метод к данным наблюдений, собранных у группы городских женщин-подростков, и используя опубликованные данные о распространенности инфекции C. trachomatis среди мужчин из городских районов, мы получили оценку вероятности передачи C. trachomatis . Насколько нам известно, это первый случай, когда C. trachomatis при контакте с самкойвероятность передачи успешно определена. В контексте сексуального поведения подростков оценочная вероятность передачи 0,129 на контакт представляет собой значительный риск заражения. В то же время исследование также демонстрирует резкое снижение риска заражения с 0,129 до 0,0076 при использовании презерватива. Эти данные указывают на две потенциально важные области вмешательства: профилактические меры, направленные на снижение вероятности передачи C. trachomatis , и более агрессивные программы уведомления и лечения партнеров, направленные на снижение распространенности C. trachomatis среди партнеров.

Метод, который мы представили в данной статье, вероятно, окажет значительное влияние на будущие исследования передачи ИППП. Это также может повлиять на разработку будущих стратегий вмешательства. Хотя в текущем примере данных исследуется риск передачи C. trachomatis от мужчины женщине в зависимости от контакта., тот же метод можно использовать для изучения передачи от женщины мужчине, если существуют аналогичные данные наблюдений для мужчин. Направленность передачи ИППП между гетеросексуальными партнерами и величина риска передачи, связанного с каждым направлением, представляют особый интерес из-за их влияния на разработку стратегий вмешательства. Также с помощью этого метода становятся возможными исследования, сравнивающие эффективность передачи различных возбудителей ИППП. Эти будущие сравнительные исследования помогут объяснить, по крайней мере, до некоторой степени, наблюдаемые различия в масштабах различных эпидемий ИППП. Наконец, этот метод также является важной отправной точкой для моделирования динамики передачи STI.

Методологически это исследование представляет собой новую разработку в моделировании исходов инфекционных заболеваний. Стохастический подход к моделированию и байесовские методы вычислений сделали предложенный метод легко реализуемым на различных вычислительных платформах. Как показано в разделе 4.1, метод может быть расширен, чтобы включить важные поведенческие и клинические факторы в качестве ковариант, потенциально влияющих на процесс передачи. Один из возможных способов учесть ковариаты Xсостоит в том, чтобы ввести их через логистическую структуру p = exp (x β) exp (x β) + 1. Хотя основное внимание в текущем исследовании уделяется количественной оценке вероятности передачи при каждом контакте, расширения для включения ковариат могут еще больше обогатить набор аналитических инструментов, доступных для исследователей инфекционных заболеваний, и сделать возможной оценку факторов, непосредственно связанных с риском передачи, вместо статический исход инфекции. Такое расширение может быть более полезным для оценки факторов воздействия, которые могут изменить эффективность передачи организмом. Например, этот метод можно использовать для оценки влияния местных микробицидов, которые обычно применяются примерно во время воздействия, на риск передачи. Кроме того, как кратко сказано в Разделе 3,Информация о конкретном событии о сексуальном партнере также может быть исследована, если доступны информация о партнере и его характеристики.

Однако следует отметить, что предлагаемый метод имеет несколько неявных предположений, которые потенциально могут ограничить его использование на практике. Во-первых, мы предполагаем, что известно о C. trachomatis.распространенность среди мужчин-партнеров. Это предположение необходимо для преобразования риска заражения в вероятность передачи. Во-вторых, мы предполагаем, что вероятность заражения партнера остается неизменной для всех сексуальных контактов. В результате метод не обеспечивает явного учета вклада отдельного партнера в риск заражения. Другими словами, мы не сможем дифференцировать риск заражения, связанный с половыми актами с разными партнерами внутри субъекта, то есть потенциальный эффект кластеризации. Это предположение позволяет нам обойти проблему отсутствия данных о партнерах. Для текущего приложения такой подход, возможно, небезоснователен, потому что после контакта с возбудителем болезни,Развивается ли у женщины клиническая инфекция, вероятно, больше связано с ее собственным иммунным ответом, чем с источником патогена. При этом мы изучаем расширенную структуру байесовского моделирования, которая предполагает предварительное распределение по преобладанию партнеров в новом исследовании, где доступна ограниченная информация о партнерах. В текущем исследовании мы не можем использовать это расширение из-за отсутствия данных о партнерах. В-третьих, достоверность наших оценок зависит от точности тестирования на ИППП, а также от поведенческих отчетов. Несмотря на то, что мы внедрили строгие лабораторные процедуры для обеспечения точности данных тестирования, мы не могли исключить возможность неправильной отчетности со стороны субъектов исследования. Точность поведенческих данных, безусловно, может повлиять на наши оценки. Например,систематическое занижение половых событий участниками исследования может привести к завышению оценки риска заражения ИППП. Чтобы уменьшить опасения по поводу предвзятости в сообщениях, мы провели детальное изучение данных, сравнив подсчет совокуплений, сообщаемый самими пациентами во время ежеквартальных посещений, с данными, полученными из ежедневных дневников испытуемых за тот же период. Мы отмечаем, что более 90% подсчетов из двух источников полностью совпадают. Хотя это все еще не доказывает точность поведенческих отчетов, это дает дополнительные гарантии согласованности этих отчетов. Наконец, в нашем исследовании предполагается, что случайный субъектный эффект имеет параметрическое мостовое распределение. Поскольку трудно подтвердить предположение о распределении, более широкий класс распределений, таких как процессы Дирихле,может представлять собой жизнеспособную альтернативу для защиты модели от ошибок в спецификации.

Несмотря на эти ограничения, мы представляем гибкую и расширяемую платформу для исследования различных аспектов передачи инфекционных патогенов.