Come e' elevato il mixing pattern del Bel paese

L'11 giugno 2009 l'Organizzazione mondiale della sanità ha innalzato il livello di allerta per il ceppo influenzale A (H1N1) al sesto grado, dichiarando una situazione generale di pandemia.

In un periodo in cui il rischio di una pandemia è diventato realtà, medici, epidemiologi, matematici ed economisti condividono, forse per la prima volta in modo così esplicito, un argomento di ricerca che ha come obiettivo principale la riduzione dell'impatto che questo evento avrà sulla popolazione. Se da una parte medici ed epidemiologi sono impegnati sul fronte delle cure e dell'analisi dei nuovi casi, dall'altra matematici ed economisti sviluppano modelli che permettono di simulare in tempo reale l'avanzamento dell'epidemia e di valutare le strategie d'intervento più efficaci ed economicamente più realizzabili. I modelli matematici rappresentano, infatti, uno strumento sempre più utilizzato per la comprensione delle dinamiche di trasmissione epidemiche e per la valutazione dell'impatto di politiche d'intervento quali vaccinazione, profilassi, screening o interventi come la chiusura delle scuole, di centri di ritrovo o addirittura dei confini territoriali. Ma quali modelli utilizzare per offrire proiezioni sensate? Modelli statici o dinamici, deterministici o stocastici, modelli di popolazione o ad agenti individuali: la varietà è notevole e la scelta dipende anche dalle caratteristiche della malattia sotto osservazione. Le malattie infettive, ad esempio, possiedono un'importante proprietà che le differenzia da quelle croniche e cioè che sono trasmissibili, ossia che la loro diffusione dipende non solo da fattori biologici insiti all'agente infettivo ma anche da caratteristiche proprie della popolazione che ne viene colpita, come il livello di suscettibilità a un determinato ceppo e il livello di interazione (mixing) tra gli individui appartenenti a quella popolazione. Questi fattori traducono il potenziale di contagiosità in nuovi casi e, così facendo, determinano la cosiddetta forza d'infezione, parametro chiave nelle scienze epidemiologiche. Il mixing pattern di una popolazione diventa quindi una variabile cruciale che i modellisti, al pari degli economisti, ambiscono a ottenere con l'intento di produrre proiezioni le più vicine possibili alla realtà. Questo permette di offrire supporto a chi è coinvolto nella decisione sulle strategie d'intervento. Attraverso la sua partecipazione a un progetto finanziato dall'Unione europea, che ha visto coinvolti otto paesi (Belgio, Finlandia, Francia, Germania, Inghilterra, Italia, Lussemburgo e Polonia), il Centro Dondena ha collaborato alla raccolta e all'analisi di dati italiani sui contatti sociali degli individui che permettono di definire il mixing pattern. Un campione di oltre 800 partecipanti e rappresentativo del contesto italiano ha fornito informazioni sul numero e tipo di contatti, fisici e non fisici, avvenuti nell'arco di una giornata. Se da una parte lo studio ha evidenziato grande omogeneità tra i paesi europei sulla struttura dei contatti, dall'altra sono emerse alcune differenze di rilievo tra cui una media italiana di quasi 20 contatti giornalieri rispetto ad una europea di 13. Ma se davvero un mixing pattern più intenso caratterizza la nostra società, quali saranno gli effetti sulla diffusione delle infezioni rispetto ad altri paesi dove il numero di contatti medio giornaliero è notevolmente più basso del nostro? E quali saranno in Italia gli effetti delle politiche sanitarie d'intervento considerata la nostra più marcata propensione al contatto? Domande importanti nel contesto attuale di emergenza pandemica, in cui i ministeri della sanità dei singoli paesi e gli organismi internazionali pianificano le misure di contenimento da implementare in vista della prossima ondata di casi prevista per la stagione invernale. Questi dati sul mixing pattern italiano ed europeo costituiscono oggi una risorsa preziosa che contribuirà alla parametrizzazione dei modelli epidemiologici e che permetterà la valutazione dell'efficacia e della costo-efficacia delle politiche di controllo.