Lo Studio della Resilienza Sanitaria nei Paesi oggetto di … · CENTRO ALTI STUDI CENTRO PER LA...
Transcript of Lo Studio della Resilienza Sanitaria nei Paesi oggetto di … · CENTRO ALTI STUDI CENTRO PER LA...
CENTRO ALTI STUDI
PER LA DIFESA
CENTRO MILITARE
DI STUDI STRATEGICI
Marlene Mauro
Lo Studio della Resilienza Sanitaria nei
Paesi oggetto di interesse informativo
quale strumento predittivo l’outbreak
di patologie diffusive WHO-PHEIC
(Codice AM-SMD-10)
Il Centro Militare di Studi Strategici (Ce.Mi.S.S.), costituito nel 1987 e situato presso Palazzo Salviati
a Roma, è diretto da un Generale di Divisione (Direttore), o Ufficiale di grado equivalente, ed è
strutturato su tre Dipartimenti (Relazioni Internazionali - Sociologia Militare - Scienze, Tecnologia,
Economia e Politica industriale) ed un Ufficio Relazioni Esterne e le attività sono regolate dal Decreto
del Ministro della Difesa del 21 dicembre 2012.
Il Ce.Mi.S.S. svolge attività di studio e ricerca a carattere strategico-politico-militare, per le esigenze
del Ministero della Difesa, contribuendo allo sviluppo della cultura e della conoscenza, a favore della
collettività nazionale.
Le attività condotte dal Ce.Mi.S.S. sono dirette allo studio di fenomeni di natura politica, economica,
sociale, culturale, militare e dell'effetto dell’introduzione di nuove tecnologie, ovvero dei fenomeni
che determinano apprezzabili cambiamenti dello scenario di sicurezza. Il livello di analisi è
prioritariamente quello strategico.
Per lo svolgimento delle attività di studio e ricerca, il Ce.Mi.S.S. impegna:
a) di personale militare e civile del Ministero della Difesa, in possesso di idonea esperienza e
qualifica professionale, all’uopo assegnato al Centro, anche mediante distacchi temporanei, sulla
base di quanto disposto annualmente dal Capo di Stato Maggiore dalla Difesa, d’intesa con il
Segretario Generale della difesa/Direttore Nazionale degli Armamenti per l’impiego del personale
civile;
b) collaboratori non appartenenti all’amministrazione pubblica, (selezionati in conformità alle vigenti
disposizioni fra gli esperti di comprovata specializzazione).
Per lo sviluppo della cultura e della conoscenza di temi di interesse della Difesa, il Ce.Mi.S.S. instaura collaborazioni con le Università, gli istituti o Centri di Ricerca, italiani o esteri e rende pubblici gli studi di maggiore interesse.
Il Ministro della Difesa, sentiti il Capo di Stato Maggiore dalla Difesa, d’intesa con il Segretario
Generale della difesa/Direttore Nazionale degli Armamenti, per gli argomenti di rispettivo interesse,
emana le direttive in merito alle attività di ricerca strategica, stabilendo le lenee guida per l’attività di
analisi e di collaborazione con le istituzioni omologhe e definendo i temi di studio da assegnare al
Ce.Mi.S.S..
I ricercatori sono lasciati completamente liberi di esprimere il proprio pensiero sugli argomenti
trattati, il contenuto degli studi pubblicati riflette esclusivamente il pensiero dei singoli autori, e non
quello del Ministero della Difesa né delle eventuali Istituzioni militari e/o civili alle quali i Ricercatori
stessi appartengono.
CENTRO ALTI STUDI
PER LA DIFESA
CENTRO MILITARE
DI STUDI STRATEGICI
Marlene Mauro
Lo Studio della Resilienza Sanitaria
nei Paesi oggetto di interesse
informativo quale strumento
predittivo l’outbreak di patologie
diffusive WHO-PHEIC
(Codice AM-SMD-10)
Lo Studio della Resilienza Sanitaria nei Paesi oggetto di
interesse informativo quale strumento predittivo
l’outbreak di patologie diffusive WHO-PHEIC
NOTA DI SALVAGUARDIA
Quanto contenuto in questo volume riflette esclusivamente il pensiero dell’autore, e non
quello del Ministero della Difesa né delle eventuali Istituzioni militari e/o civili alle quali
l’autore stesso appartiene.
NOTE
Le analisi sono sviluppate utilizzando informazioni disponibili su fonti aperte.
Questo volume è stato curato dal Centro Militare di Studi Strategici
Direttore
CA. Maurizio Ertreo
Vice Direttore – Capo Dipartimento Sociologia Militare
Col. c (li.) s.SM Andrea Carrino
Progetto grafico
Massimo Bilotta - Roberto Bagnato
Autore
Marlene Mauro
Stampato dalla tipografia del Centro Alti Studi per la Difesa
Centro Militare di Studi Strategici
Dipartimento Sociologia Militare
Palazzo Salviati
Piazza della Rovere, 83 - 00165 – Roma
tel. 06 4691 3204 - fax 06 6879779
e-mail [email protected]
Chiusa a dicembre 2017
ISBN 978-88-99468-73-6
5
Indice 5
Abstract
6
Introduzione
8
1. Resilienza e Resilienza Sanitaria
12
1.1 Definire la resilienza 12
1.2 La resilienza sanitaria e le patologie diffusive 14
2. Costruire la Resilienza Epidemiologica: introduzione all’epidemiologia ed ai
modelli epidemiologici
19
2.1 Introduzione all’Epidemiologia 19
2.2 Modelli matematici – SIR e SEIR 22
3. Resilienza Epidemiologica: costruzione del modello
28
3.1 Modellazione – SEIR e SIR 31
3.2 Ebola – Liberia, Guinea, Sierra Leone 35
3.3.SARS – Cina, Hong Kong, Canada 42
3. 4 MERS – Arabia Saudita, Emirati Arabi Uniti, Hong Kong 48
3.5. ZIKA – Brasile, Messico, Colombia 55
Conclusioni 60
4. Costruzione di un algoritmo di resilienza sanitaria
62
4.1 Costruzione del dataset e considerazioni preliminari 63
4. 2 Un modello lineare 72
5. Conclusioni e piano di raccolta informativa
93
Bibliografia
98
NOTA SUL Ce.Mi.S.S. e NOTA SUGLI AUTORI
102
Allegato: Questionario Raccolta Informativa 103
6
Abstract
Nel corso degli ultimi anni le autorità nazionali ed internazionali si sono dovute confrontare
con uno scenario di minaccia composito, caratterizzato da alti livelli di interconnessione, da
una profonda evoluzione dei fenomeni e dei contesti di interesse e da variabili complesse,
legate tra loro in termini di cause e conseguenze e inevitabilmente destinate ad aumentare
la difficoltà di gestione dei fenomeni. L’effetto moltiplicatore di fattori dinamici ed eterogenei1
sull’ambiente di riferimento, ha contestualmente riorientato le attività delle forze di sicurezza
nazionali, ivi incluse le FF.AA., verso settori (si pensi nello specifico al settore sanitario) che
pur non costituendo il core business in ambito di impiego delle Forze Armate, risultano
fondamentali per garantire una concreta capacità di intervento e gestione del rischio nelle
aree di crisi. Se le considerazioni appena esposte trovano applicazione pressoché in ogni
settore di attività, l’analisi della resilienza sanitaria impone con forza ancor maggiore
un’accurata valutazione della complessità dello scenario di riferimento, senza che alcuna
variabile rilevante possa essere esclusa. Si pensi a riguardo alle conseguenze derivanti dal
drastico aumento dei flussi migratori e a quanto gli stessi abbiano determinato un inevitabile
innalzamento dei livelli di rischio connessi alla potenziale trasmissione di patologie diffusive
“importate” in contesti ambientali differenti in cui, mancando un pregresso contatto (e la
conseguente immunizzazione) con la patologia, esse rischiano di avere impatti non
trascurabili.
Nello scenario descritto, il concetto di sicurezza così come generalmente elaborato va
necessariamente ripensato nella direzione già correttamente intrapresa da tutte le principali
analisi e pianificazioni presenti a livello nazionale e internazionale. La sicurezza da
immaginare, costruire e pianificare oggi ingloba infatti al suo interno profili tra loro molto
differenti ed un raggio d’azione ben più ampio della sola difesa armata del Paese.
Questa nuova definizione di sicurezza, omnicomprensiva e non concettualmente confinata
alle sole attribuzioni “classiche” delle forze militari e di difesa, richiede contestualmente la
capacità di effettuare analisi multilivello e di realizzare piani di intervento ad ampio raggio
che non trascurino – per quanto possibile – nessun settore o potenziale scenario di rischio.
Lo studio del rischio sanitario, inserendosi all’interno del quadro descritto, non fa eccezione
e si configura, al contrario, come elemento prioritario nel determinare quella capacità di
prevenzione e pianificazione indispensabile nel caso in cui, in seguito agli stravolgimenti
1 Si pensi ad esempio alle conseguenze dell’attuale congiuntura economica, all’instabilità degli equilibri strategici, alla fluidità dei modelli sociali o al fenomeno migratorio.
7
politici, economici e sociali, dovessero presentarsi eventi non attesi capaci di impattare
sull’intero sistema sanitario.
Verificare quanto ed in che termini i sistemi sanitari nazionali siano in grado di reagire a
potenziali shock interni ed esterni rappresenta quindi elemento di importanza non
secondaria. Ciò vale specialmente ove si consideri il problema in relazione alle patologie
diffusive e, conseguentemente, al rischio di importare (causa flussi migratori) agenti
patogeni ad elevata pericolosità ed ampia diffusione.
Il lavoro si concentrerà sullo studio di questa capacità di “resistenza” del sistema sanitario,
focalizzando l’attenzione sul rischio epidemiologico e indagando la capacità di reazione
sistemica a quelle malattie diffusive che l’Organizzazione Mondiale della Sanità classifica
come PHEIC2, definendole, per le loro specifiche caratteristiche, potenziali emergenze
sanitarie di interesse internazionale.
L’obiettivo della ricerca è l’elaborazione di un algoritmo, capace di calcolare la resilienza
sanitaria con validità su diversi tipi di evento avverso e su diversi contesti nazionali, da
impiegare tanto in fase di pianificazione e prevenzione, quanto in fase di intervento.
L’intera metodologia di ricerca parte dall’analisi di fattori e dati epidemiologici. Di
conseguenza, una volta definito il concetto di resilienza, si procederà a fornire un quadro
generale che permetta a chi legge di comprendere la natura dei problemi e dei dati di
carattere epidemiologico presi a fondamento dell’intera architettura del lavoro.
Nella fase successiva si verificherà la possibilità di costruire un algoritmo di resilienza
sanitaria impiegando modelli di regressione lineare multipla e verificando la correlazione tra
la capacità di risposta dei sistemi sanitari ed il Fragile State Index (FSI).
Individuato l’algoritmo e calcolati i valori di Resilienza, la ricerca si concluderà con una
proposta di raccolta informativa e con alcune indicazioni utili per indirizzare eventuali ulteriori
future indagini sul tema.
2 Public Health Emergencies of International Concern (PHEIC). http://www.who.int/ihr/procedures/pheic/en/
8
Introduzione
Definito l’ambito di approfondimento dell’analisi3, si presentano di seguito alcune premesse
metodologiche di carattere generale.
Ciò che ci si prefigge qui è l’indagine e la definizione di un algoritmo capace di misurare la
resilienza sanitaria, intesa come capacità dei sistemi sanitari di reagire ad un evento avverso
ristabilendo rapidamente normali livelli di funzionamento ed efficienza. La ricerca si prefigge
dunque di individuare i parametri rilevanti per la determinazione e quantificazione numerica
della “capacità” in termini di resilienza dei sistemi sanitari nazionali, con particolare
attenzione ai Paesi considerati prioritari per la raccolta e l’elaborazione informativa
nazionale.
Nonostante un focus che si configura, per obiettivi e necessità di applicazione, come
prevalentemente “esterno” ai confini nazionali, il tema di indagine ha inevitabilmente
carattere generale e applicazione – potenzialmente - anche interna.
La resilienza sanitaria ed i procedimenti capaci di interpretare e prevedere la risposta
sistemica, sono infatti stati indagati ponendosi come obiettivo l’elaborazione di un algoritmo
che potesse rivelarsi valido a prescindere dall’evento avverso che il sistema si trova a
fronteggiare (NBCR, calamità naturali, epidemie, effetti derivanti da eventi antropici etc.).
Ugualmente, ci si è posti l’obiettivo di individuare un algoritmo applicabile, pur con i
necessari aggiustamenti, a qualsivoglia contesto nazionale per cui sia presente un numero
adeguato di informazioni.
Per fare ciò si è cercato di definire una metodologia di ricerca che riducesse per quanto
possibile le scelte arbitrarie in merito ai parametri da includere nella costruzione
dell’algoritmo.
L’analisi si è quindi sviluppata secondo alcune fasi principali indicate di seguito:
1. Definizione del concetto di resilienza e verifica delle variabili idonee a fornire una
misurazione matematica. Definita la resilienza come capacità del sistema di reagire a
shock interni o esterni, si è deciso di concentrarsi su una definizione (preliminare) di
resilienza sanitaria specificatamente rivolta all’analisi delle performance nazionali in
presenza di outbreak epidemici.
3 Che include metodologie e concetti epidemiologici, statistici e matematici, oltre che suggerimenti di raccolta informativa e di policy
9
2. Raccolta dei dati epidemiologici forniti dal WHO in merito alle epidemie di EBOLA,
SARS, MERS e ZIKA e selezione dei Paesi da analizzare per ottenere massima
rappresentatività e copertura delle aree di interesse. La fase di selezione (effettuata
sui dati epidemiologici disponibili) è stata condizionata dalla scarsità dei dati presenti,
dovuta in gran parte all’esiguo numero di epidemie registrate e documentate.
3. Pulizia ed elaborazione dati con successiva misurazione della capacità dei sistemi di
reagire all’epidemia. La misurazione è stata effettuata impiegando i dati disponibili e il
modello epidemiologico SIR modificato con l’introduzione di un parametro K definito in
modo da permettere di misurare l’effetto degli interventi sanitari. Si è inoltre ipotizzato
di poter considerare il Parametro K come una valida misura di Resilienza
epidemiologica e, di conseguenza, di resilienza sanitaria.
4. Individuazione delle variabili indipendenti potenzialmente rilevanti, verifica di
correlazione tra le stesse e il parametro di resilienza e costruzione di un modello di
regressione lineare multipla.
5. Analisi dell’FSI, adeguamento dell’indice agli scopi di ricerca e costruzione di un
modello di regressione lineare semplice tra l’FSI e il parametro di resilienza.
6. Definizione di un nuovo piano di ricerca e raccolta informativa
Nell’elaborare obiettivi intermedi e metodologia della ricerca ci siamo trovati a dover
risolvere alcuni problemi fondamentali basati sull’inevitabile “genericità” di un sistema di
misura “universale” della resilienza sanitaria che si assume debba e possa valere, con le
necessarie approssimazioni, per ogni evento e per ogni Paese considerato.
Le criticità di una simile elaborazione sono evidenti e si sono presentate, in primissima fase,
in relazione all’esiguità dei dati su cui eseguire la ricerca, alla genericità del problema e alla
sostanziale impossibilità di verificare in tempi brevi il livello di performance del modello
elaborato.
Se in una condizione ideale, l’optimus in termini metodologici avrebbe imposto una
valutazione ed elaborazione matematica di più eventi avversi di diversa natura (per ciascun
Paese) e delle relative risposte dei sistemi sanitari considerati, ciò è risultato impossibile per
la mancanza di dati che possano essere analizzati nel ruolo di “output” di sistema. Dopo la
fase di analisi preliminare, gli unici dati numerici individuati come capaci di misurare il livello
di risposta sanitaria sono apparsi, difatti, quelli epidemiologici. Nonostante i tentativi, non è
stato possibile individuare alcun modo logicamente fondato per misurare la risposta dei
sistemi al presentarsi di eventi di altro tipo (si pensi ad esempio all’impossibilità di verificare
10
quantitativamente la risposta sanitaria complessiva in caso di terremoto, attacco terroristico
o altra calamità).
Il problema esposto porta ad un’ulteriore precisazione: il modello, pur elaborato per tentare
di raggiungere il massimo grado di “indipendenza” dell’algoritmo da fattori prettamente
epidemiologici, parte comunque da un’elaborazione di dati relativi solo a questo specifico
settore ed evento avverso. Sebbene la risposta alle epidemie possa, con un certo margine
di approssimazione, considerarsi valida come misura “generale” della risposta del sistema
(e della sua resilienza), essa non può tuttavia che risentire di alcuni elementi peculiari che
potrebbero comunque influire in modo distorsivo sui valori di output.
La scarsità, incompletezza e incertezza delle informazioni disponibili, anche in merito a dati
prettamente epidemiologici, hanno poi comportato un necessario “restringimento” del focus,
portando la ricerca su un binario caratterizzato da scarse informazioni di partenza e da un
elevato numero di assunzioni e semplificazioni iniziali.
In conseguenza di quanto detto, l’algoritmo proposto e i risultati della ricerca sono da
considerarsi non tanto punto di arrivo, quanto piuttosto punto di partenza per ulteriori
approfondimenti ed indagini che, nel lungo periodo e in seguito ad attività estese e
pianificate di raccolta informativa, possano permettere di perfezionare il modello, riducendo
l’incertezza dei risultati.
Per garantire risultati migliori e costruire l’algoritmo in modo da minimizzare gli errori, si è
comunque ritenuto opportuno procedere ad un’elaborazione dati che garantisse – per
quanto possibile – di considerare Paesi tra loro molto differenti in termini di fattori economici,
sociali e culturali.
I dati raccolti ed elaborati per costruire l’algoritmo sono quindi stati selezionati in modo da
comprendere informazioni relative a tutte le diverse aree geografiche con l’importante
esclusione dell’Europa.
Tale esclusione è da imputarsi all’assenza in riferimento ai Paesi europei di outbreak
epidemici che potessero essere inclusi tra le informazioni preliminari necessarie ad
elaborare il modello.
La ricerca è stata pensata per procedere su un binario di analisi che fosse prevalentemente
quantitativo e che, di conseguenza, escludesse quanto più possibile valutazioni arbitrarie in
fase di analisi.
Questa impostazione non ha comunque permesso, per evidenti motivi legati al vasto ambito
di ricerca ed ai parametri coinvolti, di escludere totalmente valutazioni di carattere qualitativo
elaborate analizzando dettagliatamente i contesti nazionali di interesse.
11
In particolare, la costruzione dell’algoritmo in termini di attribuzioni di pesi e relazioni tra
indicatori compositi, ingloba al suo interno alcune valutazioni preliminari di cui si darà conto
nel corso della ricerca e la cui definizione deriva, in larga misura, dalla valutazione analitica
degli scenari di riferimento.
L’elaborazione dei dati è stata effettuata mediante l’impiego di dataset costruiti
principalmente con i dati messi a disposizione dal WHO; di modelli matematici e di
elaborazioni in ambiente Matlab e R.
12
1. Resilienza e Resilienza Sanitaria
1.1 Definire la resilienza
L’analisi e la definizione del concetto di Resilienza rientrano pienamente in quel più vasto
ambito di analisi relativo alla gestione dei rischi e costituiscono un primo passo
indispensabile per descrivere la metodologia di ricerca adottata e fornire un quadro di come
si intende procedere.
L’analisi del rischio, prevedendo al suo interno tutte quelle strategie di valutazione e
gestione capaci di ridurre la probabilità di manifestazione di eventi avversi, nonché il loro
impatto, comprende naturalmente al suo interno anche tutte quelle misure di pianificazione
e prevenzione necessarie a mitigare il rischio, tra cui può essere fatta rientrare a pieno titolo
la valutazione preventiva della capacità dei sistemi di reagire agli shock esterni.
È esattamente in previsione del verificarsi di tali eventi, che la valutazione delle capacità del
sistema di reagire acquista una sua rilevanza, evidenziando vulnerabilità e permettendo di
definire strategie per migliorare la resistenza sistemica.
Il concetto di resilienza rientra nell’ambito disciplinare cui si è appena accennato ed ha
avuto, nel corso del tempo e in relazione ai diversi domini di applicazione, definizioni che –
sebbene tra loro simili – presentano rilevanti differenze.
L’individuazione di un concetto di resilienza sanitaria valido per gli obiettivi della ricerca, ha
inevitabilmente acquisito un ruolo rilevante in fase preliminare, rendendo necessaria una
ricognizione delle diverse definizioni presenti in letteratura che permettesse di isolare una
definizione che potesse costituire valido punto di partenza concettuale e metodologico.
La parola resilienza deriva dal termine latino resiliere e viene impiegata, nell’uso comune,
per individuare la capacità di un sistema e o di un’entità di ritornare alla condizione iniziale
dopo il verificarsi di uno shock esterno che ne ha modificato lo stato.
È chiaro che una definizione così ampia possa essere facilmente applicata, a vario livello e
vario titolo, ad ogni settore.
Più difficile risulta, al contrario, fornire una definizione ristretta ma abbastanza specifica e
precisa da consentire la successiva elaborazione di un modello quantitativo capace
concretamente di misurare la capacità di resistenza di un sistema.
13
Il Paper a Review of Definitions and Measures of System Resilience4, offre una vasta e
puntuale panoramica sulle diverse definizioni adottate e su come esse spesso vengano
pensate per rispondere a specifiche esigenze di dominio. Ciò che emerge è, non soltanto,
la grande varietà di concetti, ma la generalizzata mancanza di definizioni matematiche che
permettano di passare dai riferimenti concettuali a più concreti strumenti di valutazione.
Le definizioni di resilienza individuate in letteratura, appaiono spesso assai simili tra loro,
pur sovrapponendosi a concetti già esistenti come ad esempio la flessibilità o la capacità di
sopravvivenza. Alcuni, si veda ad esempio Allenby e Fink5, hanno definito la resilienza come
la capacità del sistema di mantenere la struttura e le funzioni che lo caratterizzano,
reagendo alle modifiche interne ed esterne che potrebbero comprometterne lo stato. Altri,
si veda ad esempio Pregenzer6, hanno definito la resilienza come la misura della capacità
di un sistema di assorbire cambiamenti continui e imprevedibili, mantenendo tuttavia le sue
funzioni di base. La definizione più utile al nostro scopo coincide in parte con quanto
sostenuto da Vugrin Et al.7, che definiscono la resilienza come la capacità, data la presenza
di un evento o di un insieme di eventi ad alto impatto, di ridurre in modo efficiente la durata
dell’evento, la sua entità e gli effetti che esso provoca rispetto ai normali livelli di
funzionamento del sistema.
Questa definizione, riadattata al problema sanitario e all’ambito epidemiologico, è stata
applicata nella prima fase della ricerca per definire un punto di partenza quantitativamente
valido da cui procedere per costruire l’algoritmo di resilienza sanitaria, ancorandolo a un
valore capace di “misurare” la risposta del sistema in presenza di epidemie.
Non ci soffermeremo qui, sulle varie definizioni di resilienza nei diversi contesti di interesse.
Per avere un quadro generale della trattazione del tema nel panorama scientifico, basti
osservare come la resilienza sia stata spesso declinata in varie forme a seconda dei diversi
contesti di applicazione, portando all’elaborazione di definizioni differenti e spesso tra loro
distanti, che spaziano da ambiti di applicazione quali l psicologia o l’economia, ad ambiti più
strettamente tecnici, come ad esempio le discipline ingegneristiche.
4 Seyedmohsen Hosseinia, Kash Barkera, Jose E. Ramirez-Marquezb,c , A REVIEW OF DEFINITIONS AND MEASURES OF SYSTEM RESILIENCE,
5 Allenby B, Fink J. Social and ecological resilience: Toward inherently secure and resilient societies. Science 2000; 24(3): 347-64.
6 Pregenzer A. Systems resilience: A new analytical framework for nuclear nonproliferation, Albuquerque, NM: Sandia National Laboratories, 2011.
7 Vugrin E.D, Warren D.E, Ehlen M.A, Camphouse R.C. A framework for assessing the resilience of infrastructure and economic systems. Sustainable Infrastructure Systems: simulation, modeling, and intelligent engineering (pp. 77-116). Berlin: Springer-Verlag, Inc., 2010.
14
1.2 La resilienza sanitaria e le patologie diffusive
Come abbiamo già accennato, l’analisi del problema di riferimento pone non poche
complessità. Una delle prime difficoltà incontrate è stata la stessa definizione del concetto
di resilienza o, per meglio chiarire il punto, la scelta di quale tra le definizioni già presenti in
letteratura fosse la più idonea a rappresentare il problema dal punto di vista sanitario. Se di
resilienza sanitaria si è spesso parlato in termini concettuali ai più disparati livelli – basti
pensare al Regolamento Sanitario internazionale (IHR) elaborato dalla WHO nel tentativo
di definire quelle linee guida indispensabili a migliorare le capacità dei sistemi sanitari
nazionali - esso non è mai stato tuttavia trattato in termini di elaborazione matematica.
Capirne le ragioni non appare particolarmente difficile: si è già infatti fatto riferimento alla
difficoltà di individuare un valore unitario che possa essere considerato un valido elemento
di misurazione dello “stato” dei sistemi sanitari prima e dopo che uno shock ne alteri il
funzionamento. A mancare non sono, come appare evidente, le variabili capaci di misurare
lo stato complessivo di tutela e solidità sanitaria in un Paese (variabili, queste, composite e
multidimensionali, quindi non unitarie e non sufficienti da sole a valutare la potenziale
capacità dei sistemi di riprendersi da eventi avversi), quanto piuttosto variabili specifiche
che, reagendo allo shock (e mostrando quindi una variazione significativa rispetto allo stato
iniziale del sistema, che le variabili generiche come l’aspettativa di vita non mostrano) siano
realmente capaci di descrivere la risposta sistemica, permettendo, di conseguenza, una
valutazione quantitativa.
Parametri come l’aspettativa di vita alla nascita, il livello di spesa sanitaria o l’accesso
all’acqua potabile ed ai servizi igienici, sebbene significative (e applicate nella seconda fase
della ricerca per costruire l’algoritmo di resilienza), non si sono infatti dimostrate valide per
risolvere i problemi sorti nella prima fase dell’indagine.
Ciò che ci si prefissava nella prima fase della ricerca era difatti l’individuazione di un valore
direttamente correlato ad uno shock che permettesse, individuandone le correlazioni con i
parametri generali, di costruire – in seconda fase – un algoritmo dipendente da parametri
non casuali, o lasciati alla scelta arbitraria del ricercatore, ma auto-evidenziatisi come
rilevanti in seguito all’analisi quantitativa dei dati disponibili.
Inteso in questo senso, il problema iniziale non poteva essere risolto considerando valori
generici e incapaci – per il loro ordine di grandezza – di mostrare variazioni in seguito agli
shock (reali) misurati in passato.
15
La costruzione di un modello di resilienza ha previsto quindi, in fase iniziale, l’applicazione
del concetto di Resilienza definito da Vugrin Et al.8 e relativo alla capacità di sistema di
ridurre la portata e l’impatto di un evento avverso in ambito epidemiologico.
Come abbiamo già avuto modo di sottolineare, l’epidemiologia rappresenta infatti il migliore
– se non l’unico – ambito di indagine che permetta di misurare tramite un output quantitativo
(numero di soggetti infettati da una data patologia) la risposta del sistema ad uno shock,
considerato qui come l’introduzione dell’agente patogeno nel sistema di riferimento.
Considerando la Resilienza come capacità di un sistema di ridurre in modo efficace la durata
e l’entità di un evento avverso, essa può essere facilmente misurata come la capacità di un
sistema di ripristinare i suoi normali livelli di funzionamento in un tempo T.
La misura della resilienza dipenderà, di conseguenza, non soltanto dalla capacità di
ritornare a livelli più o meno prossimi allo stato di funzionamento iniziale, limitando gli effetti
dell’evento, ma anche alla rapidità con cui il sistema sarà capace di assorbire lo shock.
Il grafico riportato di seguito, sebbene costituisca un’evidente semplificazione, aiuta a
chiarire il concesso, permettendo di rappresentare le diverse fasi di pianificazione, reazione
allo shock, recupero ed adattamento che inevitabilmente costituiscono i tratti salienti del
problema che ci prefiggiamo di analizzare.
Osservando adesso i grafici relativi alle curve epidemiologiche registrate nel corso
dell’epidemia di Ebola nel 2014-2015 in Guinea e Sierra Leone, è possibile notare la
similitudine di andamento tra la curva epidemiologica e la curva di resilienza appena
descritta.
8 Vugrin E.D, Warren D.E, Ehlen M.A, Camphouse R.C. A framework for assessing the resilience of infrastructure and economic systems. Sustainable Infrastructure Systems: simulation, modeling, and intelligent engineering (pp. 77-116). Berlin: Springer-Verlag, Inc., 2010.
16
Se la curva di resilienza misura infatti la riduzione della funzionalità del sistema, e il suo
successivo adattamento, nell’intervallo di tempo t, la curva epidemiologica mostra il numero
di nuovi infetti nell’intervallo di tempo relativo all’evento considerato (discostamento dallo
stato ottimale del sistema con numero di nuovi infetti pari a 0). Le due curve sono
caratterizzate da andamento speculare, evidentemente riconducibile alle diverse dimensioni
del problema.
L’applicazione del concetto di Resilienza alla curva Epidemiologica descritta ci ha permesso
di paragonare lo stato di funzionamento del sistema definito nel grafico precedente, al
numero di nuovi infetti registrati nell’intervallo di tempo t.
Lavorando in ambito epidemiologico la Resilienza può quindi essere definita come capacità
del sistema sanitario, dopo l’introduzione di un agente patogeno e il conseguente outbreak
epidemico, di limitare (in termini di numero di nuovi infetti) gli effetti dell’epidemia e ritornare,
con più o meno rapidità, allo stato iniziale di funzionalità del sistema9.
Per individuare una “variabile” di Resilienza idonea a descrivere l’evoluzione del sistema nei
nei diversi stati di riferimento (funzionamento iniziale, outbreak epidemico, ripristino delle
funzionalità), abbiamo deciso di modificare il modello SIR usato in ambito epidemiologico in
modo da inserire al suo interno una variabile rappresentativa di resilienza definita come
9 In cui il numero di nuovi casi ritorna a zero, ripristinando la funzionalità prima dell’outbreak.
17
tasso di decrescita esponenziale del Transmission Rate già presente nel modello SIR
classico. Considerando il Transmission Rate come variabile ampiamente dipendente dalle
specifiche caratteristiche dell’agente patogeno, abbiamo ipotizzato che le variazioni
registrate rispetto al valore medio (per patogeno) fossero sostanzialmente dipendenti dagli
interventi sanitari messi in atto nei diversi Paesi di riferimento. Partendo da un Transmission
Rate costante per tutti i Paesi colpiti da una singola patologia, abbiamo quindi introdotto nel
modello SIR una variabile ulteriore, considerata come tasso di decrescita idoneo a
descrivere la risposta del sistema sanitario del Paese in analisi ed a misurare tutti quegli
interventi che condizionando il Transmission Rate sono di fatto capaci di influenzare
l’andamento dell’epidemia. Questo schema metodologico ha permesso di definire la
resilienza epidemiologica come quell’insieme di interventi sanitari che, interagendo con il
Transmission Rate, permettono al sistema di reagire allo shock, ritornando a valori di
funzionamento ottimali definiti, in questo caso, in termini di valori nulli nella registrazione del
numero di nuovi infetti.
Il modello SIR modificato per considerare l’andamento epidemico come funzione - oltre che
dei parametri normalmente coinvolti - anche della risposta del sistema sanitario, è stato così
applicato agli outbreak epidemici realmente registrati nei Paesi colpiti dalle epidemie di
Ebola, SARS, MERS e Zika, per misurare il valore della variabile di resilienza (e quindi
dell’efficacia degli interventi attuati) nei casi in analisi.
Procedendo con il metodo accennato è stato così possibile individuare una misura di
resilienza epidemiologica che, in ragione della sua invitabile correlazione con una la
resilienza sanitaria considerata in termini più ampi, permettesse di costruire l’algoritmo in
modo che lo stesso fosse coerente a valori di resilienza misurabili, derivati dall’analisi dei
dati reali derivanti dagli outbreak epidemici.
La scelta di aprire l’elaborazione lavorando sulla resilienza misurata sul più ristretto ambito
epidemiologico, è da considerarsi - come già accennato - direttamente legata alle esigenze
di rigore metodologico, comunque riconducibili all’obiettivo ultimo di elaborare un algoritmo
capace di operare in riferimento al sistema sanitario nel suo complesso (ed in risposta ad
eventi non necessariamente riconducibili ad un unico ambito di indagine).
L’epidemiologia ha quindi permesso di giungere a quel riferimento numerico di base
necessario per procedere nell’elaborazione dell’algoritmo con l’obiettivo finale di misurare
la resilienza dei sistemi in senso più ampio.
Avere degli strumenti per misurare la capacità di risposta dei sistemi sanitari costituisce
infatti una priorità con riferimento ad eventi di natura assai diversa, che difficilmente
18
potrebbero essere tralasciati senza correre il rischio di elaborare strumenti dalla portata
decisionale ed operativa assai limitata.
I sistemi sanitari, inseriti anch’essi all’interno del più ampio contesto nazionale cui fanno
riferimento, si presentano difatti come sistemi complessi, influenzati e capaci di influenzare
diversi aspetti della vita nazionale di ciascun Sistema Paese.
Elementi quali la solidità economico-finanziaria di una nazionale, la porosità dei suoi confini,
le caratteristiche delle sue politiche pubbliche o le peculiarità demografiche culturali, sono
difatti tutti parametri che acquisiscono rilevanza per la nostra indagine, senza che sia
possibile stabilire nette linee di separazione tra le complessive performance di ciascun
Paese e la resilienza ed efficienza del suo sistema sanitario.
19
2. Costruire la Resilienza Epidemiologica: introduzione all’epidemiologia ed ai
modelli epidemiologici
Procedendo in una più dettagliata descrizione dei passaggi necessari per misurare la
resilienza epidemiologica cui si è già accennato, è necessario introdurre qui alcuni concetti
base di epidemiologia indispensabili per descrivere il modello proposto, i presupposti e i
risultati di questa prima fase di ricerca.
Nel capitolo che segue verranno presentati, oltre ai concetti di base per introdurre la materia,
delle brevi descrizioni delle scelte effettuate per giungere ai risultati e una descrizione dei
modelli epidemiologici SEIR e SIR a partire dai quali sono stati calcolati i valori di resilienza
epidemiologica.
Come già accennato nelle premesse, l’analisi è stata eseguita su un gruppo ristretto di
Paesi, lavorando sui dati degli outbreak epidemici di quelle patologie che la WHO considera
PHEIC.
2.1 Introduzione all’Epidemiologia
Con il termine epidemiologia si intende lo studio di fattori che in una popolazione
determinano il verificarsi e la diffusione di una malattia.
L’approfondimento dei diversi ambiti di specializzazione epidemiologica non appaiono qui
rilevanti: per gli scopi della nostra ricerca sarà necessario introdurre esclusivamente alcuni
concetti di base riferiti all’epidemiologia classica, intesa come disciplina che si rivolge
principalmente alle popolazione, studiando i problemi sanitari che originano dagli agenti
infetti con riferimento ad altre variabili di contesto come la nutrizione, l’ambiente, lo stile di
vita, le caratteristiche sociali di una popolazione.
Le causa di una malattia sono spesso considerate dipendenti da tre distinti fattori:
- Ospite
- Agente Patogeno
- Fattori ambientali
I fattori legati all’ospite, responsabili del modo e del grado in cui un individuo riesce ad
adattarsi alla sollecitazione prodotta dall’agente patogeno, costituiscono, insieme ad i fattori
ambientali, il nostro principale campo di indagine, rilevante anche per le successive
considerazioni relative alla costruzione di un generale algoritmo di resilienza sanitaria.
Influenzando la probabilità e le circostanze in cui un organismo ospite può venire in contatto
con l’agente patogeno, la valutazione dell’ambiente di riferimento include inevitabilmente al
20
suo interno anche fattori sociali, politici ed economici che si riveleranno cruciali per
descrivere gli esiti della nostra indagine. Per ciò che riguarda invece gli agenti che causano
le malattie, essi possono includere allergeni, organismi infettivi (virus o batteri), tossine
biologiche, o agenti chimici e fisici. Tali agenti sono spesso veicolati da quelli che vengono
definiti vettori di malattia, generalmente identificabili in insetti o animali.
Un utile metodo per ricordare i principali fattori di rischio che influenzano l’espressione di
ciascuna patologia, è il modello BEINGS. L’acronimo fa riferimento ai seguenti fattori:
1. Fattori Biologici e comportamentali
2. Fattori Ecologici e ambientali
3. Fattori Immunologici
4. Fattori Nutrizionali
5. Fattori Genetici
6. Servizi, fattori sociali e fattori religiosi
La suddivisione proposta è utile per comprendere tanto la complessità dell’ambito di
indagine di riferimento, quanto l’idoneità degli eventi epidemiologici ad assumere il ruolo di
primo step dell’indagine per la definizione di un algoritmo di resilienza sanitaria.
I fattori considerati inglobano infatti tutti i principali aspetti rilevanti per determinare non
soltanto la risposta di un organismo ospite ad un’agente patogeno, ma anche la solidità e
capacità di resistenza del sistema sanitario nel suo insieme.
Il rischio di sviluppare particolari patologie dipende infatti da fattori biologici, genetici e
comportamentali di carattere individuale; esso dipende ugualmente da fattori ecologici e
ambientali, nutrizionali o immunologici o culturali. Se su alcuni di questi fattori un intervento
è assai complesso, quando non impossibile per definizione, altri potrebbero – al contrario –
costituire un valido ambito di intervento per le autorità pubbliche e una buona base di
partenza per definire la capacità dei sistemi sanitari di ridurre i fattori di rischio, migliorando
la risposta complessiva in caso di evento avverso.
Non deve inoltre sorprendere la menzione ai fattori sociali e religiosi nella lista di fattori di
rischio rilevanti: ci sono infatti ampie evidenze che portano a ritenere le convinzioni
personali, le abitudini religiose e culturali e le norme sociali condivise, come elementi
assolutamente rilevanti e capaci di alterare la risposta di sistemi sanitari che – considerati
senza tener conto di tali fattori – sarebbero capaci di reagire garantendo risposte
ampiamente differenti, tanto in senso peggiorativo quanto migliorativo, rispetto ai valori
effettivamente registrati.
Indagando le dinamiche di popolazione, le analisi epidemiologiche sono strettamente legate
agli strumenti di indagine statistica di cui la presente analisi ha fatto largo impiego.
21
Le tecniche statistiche permettono infatti di valutare sia il grado di correlazione tra un evento
ed il fattore di rischio ipotizzato, sia il grado di incertezza che necessariamente si ha nelle
condizioni di osservazioni campionarie.
L’elaborazione di modelli epidemiologici non può quindi prescindere da tecniche e standard
di misurazione capaci di fornire un quadro sintetico delle dinamiche rilevanti all’interno della
popolazione. Ci si riferisce in particolare alle misure di frequenza e alle misure di rischio che
saranno brevemente descritte di seguito in modo da fornire un quadro introduttivo alla
successiva modellazione epidemiologica.
La frequenza (ad esempio di malattia), può essere misurata in diversi modi per essere poi
messa in relazione ad altri parametri ed a specifici definiti in base agli scopi specifici della
ricerca ed ai dati disponibili. Misure di frequenza di particolare importanza in epidemiologia
sono, ad esempio, le misure di incidenza e prevalenza. L’incidenza (casi incidenti) è la
frequenza di accadimento di una malattia, rappresentando quindi la misura del numero di
transizioni occorse in una popolazione dallo stato di salute a quello di malattia in un
determinato intervallo di osservazione. La prevalenza, talvolta definita come “prevalenza
puntuale”, indica il numero di persone in una certa popolazione che, in un determinato
momento, si trovano in una specifica condizione (ad esempio hanno contratto una
patologia). Se la prevalenza descrive la proporzione di individui di una popolazione affetti
da una malattia in uno specifico momento, l'incidenza descrive quindi la velocita di
spostamento dallo stato di salute allo stato di malattia. Oltre alle due misure descritte,
l’epidemiologia fa inevitabilmente ampio uso delle misure di rischio. Il rischio è definito, per
la specifica disciplina, come la proporzione di persone (coorte) che, pur non essendo affette
dalla malattia all’inizio del periodo di studio, hanno sperimentato l’evento a rischio durante
il periodo considerato.
Nel caso delle patologie infettive su cui si è concentrata la nostra modellazione, è possibile
analizzare i pattern di malattia dividendo la popolazione in sottogruppi, in relazione allo
specifico “stato” analizzato. L’effettiva popolazione a rischio è infatti generalmente assai
difficile da definire e individuare con certezza. Idealmente, per queste specifiche patologie,
dovrebbe essere considerata a rischio infezione solo la popolazione suscettibile,
intendendo con questo quegli individui che non hanno anticorpi riferiti allo specifico agente
patogeno. In genere però, i livelli anticorpali non sono noti e si tende, di conseguenza, a
considerare come suscettibile l’intera popolazione dell’area colpita.
Tra i sottogruppi di popolazione rilevanti in ambito infettivologico si considerano inoltre il
sottogruppo relativo al numero di persone esposte all’infezione (a sua volta sottogruppo
22
del numero di suscettibili), il sottogruppo riferito al numero di infetti, il sottogruppo relativo
al numero di malati e il sottogruppo riferito al numero di morti. La proporzione di morti sul
totale di persone clinicamente affette dalla malattia permette inoltre di avere una misura
dalla letalità della patologia in analisi.
Ugualmente, la proporzione di infetti permette di misurare la patogenicità dell’organismo
infettante, così come il numero di esposti che diventano infetti fornisce una misura
dell’infettività dell’agente.
Le misure di rischio e frequenza permettono di costruire i tassi di rischio, misurati come
rapporto tra la frequenza degli eventi di interesse e il numero medio di persone a rischio
durante il periodo temporale in analisi. A partire da queste misure è possibile procedere
ulteriormente, costruendo modelli epidemiologici capaci (parzialmente) di descrivere e
prevedere gli andamenti di una patologia nel breve, medio e lungo periodo.
Le indagini epidemiologiche, procedendo dall’osservazione del fenomeno oggetto di studio,
lo descrive quantitativamente, studiandone e osservandone la distribuzione nel tempo e
nello spazio. Sulla base delle osservazioni è poi possibile formulare ipotesi, su cui procedere
ulteriormente tramite l’analisi, l’interpretazione e l’elaborazione dei dati raccolti.
Va inoltre sottolineato che, date le caratteristiche stesse del procedimento di indagine, la
qualità delle conclusioni non potrà mai essere superiore alla qualità (e completezza) dei dati
raccolti.
2.2 Modelli matematici – SIR e SEIR
La ricerca si è servita degli strumenti e delle modalità dell’indagine epidemiologica per
analizzare le epidemie verificatesi negli ultimi 15 anni, con particolare attenzione alle
patologie classificate PHEIC dall’organizzazione mondiale della sanità10. Come già detto,
nel Regolamento Sanitario Internazionale (IHR), l’OMS definisce PHEIC tutti quegli eventi
che possono costituire un’emergenza sanitaria pubblica di carattere internazionale.
In particolare, per gli scopi della ricerca ci si è concentrati su quei modelli matematici di
diffusione delle malattie infettive abitualmente impiegati nella comprensione dei meccanismi
di trasmissione e nella pianificazione delle misure di controllo. In premessa va specificato
che la descrizione matematica delle epidemie, realizzata con l’obiettivo di simulare scenari
possibili che permettano di effettuare previsioni e di implementare adeguate misure di
controllo, si basa essenzialmente sull’uso di due tipologie di modelli: i modelli di carattere
10 http://www.who.int/features/qa/emergency-committees/en/
23
sistemico, strutturati considerando la suddivisione della popolazione in sottocategorie
epidemiologiche e sull’uso di equazioni differenziali; e i metodi di simulazione su base
individuale, capaci di prendere in considerazione in modo dettagliato le caratteristiche degli
individui e le reti relazionali esistenti. Nella ricerca ci siamo concentrati unicamente sul primo
dei due approcci, a causa dell’oggettiva assenza di dati sufficientemente completi e
dettagliati da impiegare su simulazioni di carattere individuale e relazionale.
In particolare, sono stati impiegati i modelli SEIR e SIR di cui si fornirà una sintetica
descrizione di seguito e il cui funzionamento è già ampiamente documentato in letteratura.
Storicamente, il primo modello di tipo matematico in ambito epidemiologico fu formulato, nel
1760, da Daniel Bernoulli nel tentativo di supportare la vaccinazione contro il vaiolo11.
Dopo i primi modelli a tempi discreti di Hamer (1906) e Ross (1911, lavori sulla prevenzione
della malaria), negli anni venti, Kermack e McKendrick proposero un modello di tipo
differenziale (di tipo SIR) per spiegare la rapida crescita e successiva decrescita del numero
di persone infette osservate in alcune epidemie, come la peste (Londra 1665-1666, Bombay
1906) e il colera (Londra 1865)12.
Per il loro modello, Kermack e McKendrick enunciarono una prima versione del teorema di
soglia critica, arrivando a individuare quel valore (R0) dipendente dalle caratteristiche del
modello, superato il quale la patologia ha forza sufficiente per diffondersi tra la popolazione.
Come già accennato, entrambi i modelli descrivono l’andamento “possibile” delle epidemie
basandosi sulla suddivisione della popolazione in sottocategorie epidemiologiche13. Nella
costruzione del modello si ipotizza che la malattia si propaghi in un periodo di tempo limitato
[0, t] (con 0 < t < ∞): il numero di nascite e di decessi sono considerati quindi non rilevanti
e la modellazione si effettua su una popolazione P assunta costante. Nel caso endemico, si
analizzano invece tutte quelle patologie che si propagano per lungo periodo e in cui si deve
tener conto del numero di nascite e di decessi avvenuti (assumendo che la popolazione
rimanga costante).
11 Bernoulli D., An attempt at a new analysis of the mortality caused by smallpox and of the advantages of inoculation to prevent it, reviewed by S.Blower, Rev. Med. Virol. 14 (2004) 275–288.
12 Bailey N.T.J., “The mathematical theory of infectious diseases and its applications”, Second edition. Hafner Press [Macmillan Publishing Co., Inc.] New York, 1975; rauer F., van den Driessche P., Wu J., “Mathematical epidemiology”, Lecture Notes in Mathematics, 1945. Mathematical Biosciences Subseries. Springer-Verlag, Berlin, 2008.
13 Suscettibili, Infetti, Esposti di cui si è già detto in precedenza
24
Il più semplice modello di simulazione disponibile si basa sulla suddivisione della
popolazione in due compartimenti di partenza: i Suscettibili, indicati con S, e gli Infetti,
indicati con I.
In mancanza di dati anticorpali, i Suscettibili vengono in genere fatti coincidere con l’intera
popolazione. La categoria fa riferimento a tutti coloro che potrebbero contrarre la malattia,
transitando nello stato I.
Partendo da questa prima elementare suddivisione della popolazione in due compartimenti,
i modelli SIR e SEIR introducono ulteriori sottocategorie per rendere la modellazione più
vicina alla complessità degli scenari di riferimento.
Nel modello SIR la popolazione e divisa ad ogni istante del tempo in tre sottogruppi: i
Suscettibili (S), gli infetti (I) e gli immuni o rimossi (R).
La rimozione può essere la conseguenza di
guarigione (quindi di termine del periodo di
infettività), di acquisizione di immunità o
morte. Gli individui che escono dal
compartimento degli infetti I vanno quindi
sempre ad accrescere il compartimento dei
rimossi R. Il modello SIR assume che il contagio avvenga per contatto diretto e che la
probabilità di incontro di due soggetti sia costante. Esso considera inoltre non rilevante il
periodo di incubazione, ipotizzando quindi che un individuo entrato in contatto con il
patogeno transiti immediatamente nella categoria I, diventando veicolo di diffusione.
Detta N la popolazione (considerata costante durante il periodo interessato dall’epidemia)
le tre variabili S,I,R variano nel tempo rispettando per ogni t ≥ 0 il vincolo
𝑺(𝒕) + 𝑰 (𝒕)è 𝑹 (𝒕) = 𝑵
25
Definito il Transmission Rate β come la probabilità che da un incontro a rischio derivi un
contagio e γ come tasso di scomparsa dell’infettivita (1/γ = durata media del periodo di
contagiosita), le equazioni del modello SIR si descrivono
[2.1] 𝑑𝑆
𝑑𝑡= − 𝛽𝑆𝐼
𝑑𝐼
𝑑𝑡= 𝛽𝑆𝐼 − 𝛾𝐼
𝑑𝑅
𝑑𝑡= 𝛾𝐼
Sommando le equazioni si ottiene
𝑑
𝑑𝑡 (𝑠(𝑡) + 𝑖 (𝑡) + 𝑟(𝑡)) = 0
Rispettate tutte le condizioni di partenza, le dinamiche dell’epidemie dipenderanno dal Basic
Reproduction Number R0, definito
𝑅0 = 𝛽
𝛾
Il Basic Reproduction Number può essere interpretato come numero medio di casi secondari
provocati da un individuo infetto durante l’intero corso dell’infezione, considerando la
popolazione interamente suscettibile. R0 rappresenta quindi una misura sintetica della
trasmissibilità delle malattie infettive, svolgendo un ruolo chiave nel determinare lo sforzo di
controllo richiesto (ad esempio, l'intensità della quarantena e le strategie di isolamento).
Se 𝑅0 > 𝑁
𝑆 quindi con S(0) = N 𝑅0 > 1
avremo che:
𝑑𝐼
𝑑𝑡> 0
ci troveremo quindi in presenza di un’epidemia caratterizzata dalla rapida crescita del
numero di infetti, che potrebbero diventare una percentuale rilevante della popolazione.
Indipendentemente dal numero (reale) di suscettibili iniziali la patologia potrebbe provocare
26
o meno un’outbreak epidemico; ne consegue che il Basic Reproduction Number acquisisce
un’importanza centrale nella modellazione e valutazione degli scenari possibili.
Il modello SEIR, al pari SIR appena descritto, permette di modellare gli scenari
considerando un maggior numero di informazioni ed avvicinandosi, di conseguenza, al
grado di complessità dei fenomeni di riferimento. In particolare, assumendo che lo stato del
soggetto infetto non coincida con la capacità di trasmettere la patologia, il SEIR inserisce
un’ulteriore sottocategoria per descrivere la classe dei soggetti Esposti (E). Con soggetti
Esposti si fa riferimento a coloro che, pur incubando la malattia, non sono ancora in grado
di trasmetterla. In tal caso lo schema precedente si modifica nel seguente:
Anche in questo caso, data la popolazione N (considerata) le tre variabili S, E, I, R variano
nel tempo rispettando per ogni t ≥ 0 il vincolo
𝑺(𝒕) + 𝑬(𝒕) + 𝑰 (𝒕)è 𝑹 (𝒕) = 𝑵
Considerato
𝜷 = Transmission rate
𝜹 = tasso di uscita dalla classe E (1/ 𝛿 incubation period, durata media del periodo di incubazione)
𝜸 = tasso di scomparsa dell’infettivita (1/γ = infectious period, durata media del periodo di
contagiosita)
avremo che gli stati S, E, I, R possono essere descritti come:
(2.2) 𝑑
𝑑𝑡𝑆(𝑡) = − 𝛽𝑆(𝑡)𝐼(𝑡)
𝑑
𝑑𝑡𝐸(𝑡) = 𝛽𝑆(𝑡)𝐼(𝑡) − 𝛿𝐸(𝑡)
𝑑
𝑑𝑡𝐼(𝑡) = 𝛿𝐸(𝑡)𝐼 − 𝛾𝐼(𝑡)
𝑑𝑅
𝑑𝑡= 𝛾𝐼
27
Si segnala che tra i due modelli, il SIR risulta adeguato a descrivere quelle epidemie
caratterizzate da periodi di incubazione breve o periodi di contagiosità che sostanzialmente
coincidono con i periodi di incubazione. Questa condizione è soddisfatta, oltre che per le
epidemie influenzali (in ragione del fatto che il virus muta di anno in anno senza che sia
quindi possibile acquisire immunità valida per i futuri ceppi influenzali), per diverse altre
patologie il cui periodo di incubazione è estremamente breve.
I modelli descritti prevedono inoltre un approccio puramente deterministico. Tali modelli,
mantenendo inalterati i parametri e le condizioni iniziali, producono quindi sempre gli stessi
risultati riuscendo a descrivere la dinamica di un’epidemia tanto più precisamente quanto
piu grande e il numero di soggetti infetti. Le caratteristiche descritte rendono entrambi i
modelli, seppur idonei a descrivere le dinamiche epidemiche, inevitabilmente soggetti ad
alcuni limiti di cui non si può non tenere conto. Nella realtà ogni epidemia presenta infatti un
grado di variabilità intrinseca, legato a numerosi altri aspetti non considerati nel modello che
rendono difficile ottenere stime attendibili, soprattutto in presenza di uno scarso numero di
casi.
Nel capitolo seguente verranno descritti nel dettaglio i passaggi che hanno portato alla
costruzione di un algoritmo di resilienza da applicare in ambito epidemiologico.
I limiti dei modelli si sono inevitabilmente manifestati anche nel caso che sarà descritto,
portando a definire alcune assunzioni di base e imponendo delle scelte che hanno
influenzato i successivi risultati di ricerca.
28
3. Resilienza Epidemiologica: costruzione del modello
I concetti e gli strumenti descritti nei capitoli precedenti sono alla base della costruzione di
un modello di resilienza epidemiologica che presenteremo di seguito.
Nella costruzione di un modello epidemiologico capace di restituire in output un valore di
resilienza è stato necessario, in primissima fase, effettuare una scelta in merito alle
epidemie da analizzare, scegliendo di conseguenza le patologie e i Paesi di interesse.
La scelta, pur ampiamente condizionata dalla scarsità di informazioni (e outbreak epidemici)
disponibili, è stata effettuata sulla base di alcuni criteri prioritari per soddisfare lo scopo della
ricerca. In primo luogo ci siamo concentrati su quelle patologie che rientrano, o possono
rientrare, nella definizione di PHEIC fornita dal Regolamento Sanitario Internazionale (IHR).
Il Regolamento, nel definire i ruoli dell’OMS, attribuisce alla stessa l’autorità per
raccomandare agli Stati membri tutte quelle misure che possano contribuire a contenere la
diffusione internazionale delle patologie, ivi incluse le azioni di sanità pubblica da
intraprendere in prossimità di porti, aeroporti e frontiere terrestri e marittime.
In merito alle patologie infettive, il Regolamento Sanitario Internazionale contiene alcune
specifiche indicazioni e un elenco di quattro malattie principali – Vaiolo, Poliomielite, SARS
e nuovi ceppi di influenza umana – in presenza delle quali gli Stati membri devono
presentare immediata segnalazione all’OMS14. L’IHR prevede inoltre che gli Stati Membri
valutino, rispetto alle altre patologie aventi le caratteristiche per costituire PHEIC, se le
stesse possono configurare, di volta in volta, emergenza sanitaria pubblica di carattere
internazionale15. Tra le patologie rilevanti in tal senso si segnalano il colera, le febbri
emorragiche (Ebola, Lassa, Marburg), la Febbre del Nilo e altre patologie di specifica
rilevanza nazionale e regionale. I regolamenti contengono inoltre un algoritmo decisionale
che permetta agli Stati di determinare se altri incidenti, anche di natura differente, possano
costituire PHEIC e vadano, di conseguenza, segnalati come tali16. La scelta riguardante le
patologie da analizzare ha tenuto in considerazione, tanto la lista e le caratteristiche PHEIC
definite nell’IHR, quanto la disponibilità di dati e gli outbreak epidemici che hanno
effettivamente avuto luogo. Analogamente, la scelta relativa ai Paesi da analizzare, pur
condizionata dai dati disponibili, ha tenuto conto di parametri quali l’indice di sviluppo umano
(HDI)17, la collocazione geografica e il Prodotto Interno Lordo, per garantire al modello
14 https://www.phe.gov/preparedness/international/ihr/pages/default.aspx 15 http://www.who.int/ihr/revised_annex2_guidance.pdf 16 http://www.who.int/ihr/procedures/pheic/en/ 17 http://hdr.undp.org/en/content/human-development-index-hdi; http://hdr.undp.org/en/data
29
maggiore rappresentatività e applicabilità a tutte le aree geografiche ed ai Paesi
caratterizzati da diversi livelli di sviluppo.
Si è deciso, in conseguenza, di analizzare gli outbreak epidemici relativi alle seguenti
patologie:
- Severe Acute Respiratory Syndrome (SARS)18. La patologia è stata considerata in
relazione alle epidemie registrate tra il 17 marzo 2003 e l’8 luglio 2003 in Cina, Canada
ed Hong Kong19.
- Ebola virus disease (EVD) o Febbre Emorragica da Ebola20, con riferimento alle
epidemie registrate in Liberia, Guinea e Sierra leone tra il 23 marzo 2014 e il 23 agosto
201521.
- Zika virus (ZKV)22, con riferimento alle epidemie registrate in Brasile, Colombia e
Messico tra il 4 agosto 2015 e il 28 luglio 201723.
18 http://www.who.int/csr/sars/epi2003_04_11/en/ 19 http://www.who.int/csr/sars/country/en/ 20 http://www.who.int/ebola/en/ 21 http://apps.who.int/gho/data/view.ebola-sitrep.ebola-summary-latest?lang=en 22 http://www.who.int/mediacentre/factsheets/zika/en/ 23 http://www.who.int/csr/don/archive/disease/zika-virus-infection/en/;
http://www.paho.org/hq/index.php?option=com_content&view=article&id=11599%3Aregional-zika-epidemiological-update-americas
30
- Middle East Respiratory Syndrome (MERS-CoV)24, con riferimento all’outbreak registrato
in Arabia Saudita, Emirati Arabi Uniti e Corea del Sud tra il 3 gennaio 2014 e il 26
settembre 201725.
Sebbene il Virus Zika possa apparentemente non avere le caratteristiche per configurare
emergenza di carattere internazionale, lo stesso è stato ricondotto a tutti gli effetti tra le
PHEIC in seguito alla decisione del febbraio 2016, con cui l’Organizzazione Mondiale della
Sanità ha dichiarato ZIKA emergenza sanitaria pubblica di carattere internazionale26.
La decisione è stata condizionata dall’incremento del numero di soggetti infetti e dalla
potenziale correlazione tra ZIKA e disturbi neurologici quali la microcefalia e la sindrome di
Guillain-Barré27.
Di seguito presenteremo il modello SIR impiegato per valutare numericamente la risposta
dei sistemi sanitari durante le epidemie che hanno colpito i Paesi in analisi.
Il modello è stato elaborato a partire dallo studio già proposto da Christian L. Althaus28 e
relativo ai meccanismi di diffusione dell’epidemia di Ebola in Liberia, Sierra Leone e Guinea
in presenza di interventi sanitari.
Althaus si proponeva di valutare il peso degli interventi sanitari, isolando un parametro K
che, sulla base dei dati stimati di diffusione della patologia in assenza di intervento,
permettesse di misurare l’efficacia delle politiche sanitarie adottate.
Lo studio di Althaus proponeva una modellazione ad epidemie ancora in corso, impiegando
per i parametri relativi al Basic Reproduction Number (R0), all’Incubation Period e
all’Infectious Period registrati all’inizio dell’outbreak, ipotizzando che ancora non fosse stato
effettuato alcun intervento sanitario. In quel caso venivano impiegati per la modellazione dei
parametri stimati sui precedenti focolai di Ebola registrati in Congo nel 1995 e in Uganda
nel 2000. Usando il modello SEIR modificato in modo da includere un parametro di
intervento, tale parametro veniva infine calcolato sulla base dei dati disponibili.
Di seguito si presenteranno i diversi passaggi e le considerazioni che hanno portato a
modificare il modello SEIR appena descritto, riapplicandolo in chiave semplificata (SIR) per
24 https://www.sciencedirect.com/science/article/pii/S1201971216000242 25 http://www.who.int/csr/don/archive/disease/coronavirus_infections/en/ 26 http://www.telegraph.co.uk/news/2016/11/18/zika-no-longer-public-health-emergency-who-
declares/; http://www.who.int/mediacentre/news/statements/2016/1st-emergency-committee-zika/en/
27 http://www.who.int/mediacentre/news/statements/2016/1st-emergency-committee-zika/en/ 28 http://currents.plos.org/outbreaks/article/estimating-the-reproduction-number-of-zaire-
ebolavirus-ebov-during-the-2014-outbreak-in-west-africa/
31
misurare la resilienza epidemiologica per Guinea, Sierra Leone, Liberia, Hong Kong, Cina,
Canada, Corea del Sud, Emirati Arabi Uniti, Arabia Saudita, Messico, Brasile e Colombia.
3.1 Modellazione – SEIR e SIR
La costruzione del modello effettuata inizialmente impiegando il modello SEIR, è partita da
alcune assunzioni di base, ipotizzando che tutte le epidemie considerate seguissero
dinamiche descrivibili impiegando le equazioni [2.2] presentate nel capitolo precedente.
Si è quindi inizialmente ipotizzato che, in seguito alla trasmissione del virus, gli individui
suscettibili (pari al tempo t=0 all’intera popolazione del Paese analizzato) transitassero nella
categoria E per poi divenire Infetti e Rimossi.
La modellazione è stata effettuata inserendo parametri di input (Tranmission Rate,
Infectious Period e Incubation Period) stimati in studi precedenti e ipotizzati inizialmente fissi
per l’intero periodo di riferimento.
Il Transmission Rate ha assunto il ruolo di parametro chiave dell’intera modellazione. La
velocità di trasmissione in assenza di interventi di controllo è stata ipotizzata costante
costante, β (t) = β, inserendo un Transmission Rate uguale per ciascun Paese affetto dalla
stessa patologia. Si è inoltre ipotizzato che le misure di controllo della malattia,
rappresentative della resilienza dei sistemi sanitari nazionali, una volta introdotte
intervenissero su β, provocando un decadimento esponenziale della velocità di trasmissione
al tasso K.
Considerando come condizioni di partenza:
𝑰𝟎 = 𝟏
𝑺(𝒕) + 𝑬(𝒕) + 𝑰 (𝒕) + 𝑹 (𝒕) = 𝑵
Il modello SEIR è stato quindi trasformato come segue
𝜷(𝒕) = 𝜷𝒆−𝒌(𝒕−𝒓)
𝑹𝟎 = 𝜷/ 𝜸
𝑑
𝑑𝑡𝑆(𝑡) = − 𝛽𝑆(𝑡)𝐼(𝑡)
𝑑
𝑑𝑡𝐸(𝑡) = 𝛽𝑆(𝑡)𝐼(𝑡) − 𝛿𝐸(𝑡)
32
𝑑
𝑑𝑡𝐼(𝑡) = 𝛿𝐸(𝑡)𝐼 − 𝛾𝐼(𝑡)
𝑑𝑅
𝑑𝑡= 𝛾𝐼
È stato quindi ipotizzato che il tasso K, calcolato inizialmente con modello SEIR tramite fit
delle curve epidemiche per l’intero periodo dell’outbreak, potesse essere un valore
rappresentativo della resilienza sanitaria epidemiologica per i Paesi oggetto di analisi.
Per la modellazione sono stati impiegati i dati epidemici relativi al numero cumulativo di
infetti come riportati (per ciascun Paese e ciascuna patologia) dell'Organizzazione Mondiale
della Sanità (OMS). I dati sono stati rielaborati, in modo da ricampionarli su valori tra 0 e 99,
usando l’interpolazione lineare. Sono state inoltre escluse le fasi iniziali e finali dell’epidemia
in cui le rilevazioni evidenziavano l’assenza di nuovi infetti. La rielaborazione descritta si è
resa necessaria per evitare errori nella stima di K e 𝜷 dipendenti dal tipo da rilevazioni
iniziate precocemente o conclusesi in ritardo.
Si è scelto di non considerare le differenze tra i parametri stimati per la stessa patologia nei
diversi Paesi di riferimento, inserendo – al contrario – parametri di input uguali per tutti i
33
Paesi colpiti da una stessa patologia. La scelta è stata condizionata dalla necessità di
concentrare sul tasso K le specificità di ciascun Paese. Si è quindi ipotizzando che le
variazioni degli outbreak dipendessero esclusivamente da condizioni peculiari del Paese e
dalle caratteristiche strutturali e sanitarie dello stesso. I parametri K e 𝜷 sono quindi stati
lasciati liberi di variare all’interno degli intervalli di riferimento, per permettere al modello di
descrivere le diverse fasi dell’epidemia e calcolare, in output, il valore medio fittato su
ciascun parametro. La scelta degli intervalli all’interno cui far variare 𝜷 è dipesa da
precedenti studi esistenti in letteratura. Sono state effettuate diverse simulazioni con diversi
intervalli di riferimento, per poi accordare preferenza a quegli intervalli che restituissero un
valore medio di 𝜷 vicino al valore medio individuato per ciascuna patologia29. Le equazioni
sono state risolte in ambiente Matlab, restituendo dei risultati in output che hanno indotto a
riconsiderare la validità del primo modello elaborato.
I primi risultati hanno infatti mostrato alcuni importanti limiti relativi della modellazione,
riconducibili tanto nell’eccessiva semplicità (comune ai modelli SEIR e SIR) di alcune
assunzioni di base, quanto alle modalità con cui si è scelto di effettuare il fit dei dati,
estrapolando un unico valore di K per l’intero periodo di riferimento.
Come hanno dimostrato i fit eseguiti sui Paesi in analisi, la modellazione con SEIR si è
dimostrata eccessivamente sensibile all’Incubation Period 𝜹 e poco adatta a descrivere gli
outbreak epidemici per le epidemie di SARS e MERS.
L’eccessiva sensibilità al parametro dipende in parte dalla capacità dello stesso di
descrivere eventuali ritardi di segnalazione e rilevamento dei casi infetti, rendendo di fatto
poco accurata la modellazione con 𝜹 considerato fisso per tutti i Paesi colpiti da una stessa
epidemia. In ragione di questi primi risultati di ricerca si è deciso di rielaborare il modello in
modo che, effettuando il fit su intervalli temporali di 3, 5 o 10 giorni, lo stesso restituisse un
diverso valore di K e, di conseguenza, di 𝜷 per ciascun intervallo temporale.
29 Per lo stesso scopo accennato di concentrare le specificità del Paese sul parametro K
34
Si è deciso inoltre di superare il problema relativo all’eccessiva sensibilità dimostrata dal
SEIR sul parametro 𝜹, effettuando nuovamente il fit con modello SIR, assumendo le stesse
condizioni iniziali già descritte per il SEIR e modificando il SIR classico in modo da includere
al suo interno il decadimento esponenziale del Transmission Rate β. Va precisato che il
modello non è stato impiegato qui con scopo previsionale ((come generalmente avviene in
studi analoghi), ma con l’obiettivo di isolare e calcolare un parametro rappresentativo degli
interventi sanitari assimilabile alla resilienza. Nonostante la grande semplicità del modello
SIR e la sua oggettiva incapacità di elaborare scenari vicini per complessità a quelli reali,
l’assenza di esigenze previsionali ha permesso di applicare con successo un modello
estremamente semplice per isolare valori di resilienza che, intervenendo su β, riuscissero a
descrivere (e simulare) la diversa evoluzione degli outbreak epidemici.
Il modello finale adottato per misurare la resilienza epidemiologica è quindi descritto dal
sistema di equazioni [2.1] riportato di seguito
𝑑𝑆
𝑑𝑡= − 𝛽𝑆𝐼 𝜷(𝒕) = 𝜷𝒆−𝒌(𝒕−𝒓)
𝑑𝐼
𝑑𝑡= 𝛽𝑆𝐼 − 𝛾𝐼
𝑑𝑅
𝑑𝑡= 𝛾𝐼
considerando come assunzioni iniziali
𝑺𝟎 = 𝑵
𝑰𝟎 = 𝟏
𝑺(𝒕) + 𝑰 (𝒕) + 𝑹 (𝒕) = 𝑵
Il sistema è stato risolto in ambiente Matlab, fittando i dati relativi al numero cumulativo di
nuovi infetti in modo da restituire in output valori variabili di 𝜷 e K calcolati su intervalli
temporali di 3, 5 e 10 giorni.
35
La scelta relativa al numero di intervalli da considerare per il calcolo dei parametri è stata in
gran parte condizionata dalle caratteristiche degli outbreak epidemici e, in particolare, dal
periodo effettivo di durata dell’epidemia. Come si vedrà nei paragrafi seguenti, lì dove
l’epidemia ha avuto durata estremamente contenuta si è ottenuto un miglior risultato per
intervalli temporali più brevi, capaci di descrivere con maggior precisione l’evoluzione
dell’epidemia.
3.2 Ebola – Liberia, Guinea, Sierra Leone
La malattia da virus Ebola, in passato nota come febbre emorragica da virus Ebola, viene
provocata dai virus ad RNA del genere Ebola, parte della famiglia dei Filoviridae.
Sebbene siano stati identificate cinque diverse specie di virus ebola (Bundibugyo ebolavirus
(Bdbv), Zaire ebolavirus (Ebov), Sudan ebolavirus (Sudv), Reston ebolavirus (Restv), Taї
Forest ebolavirus (Tafv), è stato dimostrato come i primi tre ceppi (Bdbv, Ebov, Sudv) siano
responsabili della gran parte delle epidemie registrate per Ebola. Il virus si trasmette per
contatto con fluidi corporei di animali ed esseri umani infetti. In particolare, esso può essere
trasmesso all’uomo per contatto con scimpanzé, gorilla, pipistrelli della frutta, scimmie e
antilopi infette. La trasmissione avviene inoltre per contatto diretto con fluidi biologici e
sangue di soggetti infetti e tramite contatto indiretto in ambienti contaminati tra tali fluidi.
Le dinamiche della trasmissione possono risentire di abitudini culturali specifiche delle
popolazioni colpite; la trasmissione può difatti avvenire per contatto con il cadavere di defunti
colpiti da ebola, rendendo la probabilità di contrazione della patologia particolarmente alta
in quelle comunità caratterizzate da cerimonie di sepoltura che prevedono contatto diretto
con il corpo delle vittime. L’infezione ha decorso acuto, senza che sia stato ancora rilevato
o descritto lo stato di portatore sano. I soggetti affetti da Ebola virus sono contagiosi finché
il virus è presente nel sangue e nelle secrezioni biologiche. L’incubazione risulta assai
variabile, con un intervallo compreso tra i 2 ed i 21 giorni, cui fa seguito un esordio acuto
caratterizzato da sintomi inizialmente aspecifici. La malattia evolve in seguito con la
comparsa di sintomi derivanti da danni ai diversi organi e apparati interni e con la comparsa,
in oltre la metà dei soggetti affetti, di fenomeni emorragici ad una settimana dall’esordio. La
letalità varia tra il 25% e il 90% in relazione alle diverse specie di ebola virus ed è massima
per lo Zaire Ebolavirus, responsabile di gran parte delle epidemie registrate.
La malattia da virus Ebola (EVD) è soggetta a notifica obbligatoria nell’ambito delle patologie
di classe I definite dall’OMS. Essa rientra, di conseguenza, nella lista di patologie per le
36
quali si richiede immediata segnalazione in ragione di quanto previsto dal Regolamento
Sanitario Internazionale (IHR)30. I primi focolai registrati di EVD si sono verificati nelle aree
rurali della Guinea, vicino alle foreste pluviali tropicali. La patologia, in passato confinata alle
aree rurali, si è estesa nelle aree urbane durante l’epidemia del 201431.
L’analisi con modello SIR presentata di seguito è stata effettuata su Ebola in riferimento alle
epidemie registrate in Liberia, Guinea e Sierra leone tra il 23 marzo 2014 e il 23 agosto
201532. L’analisi è partita dalla raccolta dati in merito ai nuovi casi confermati nei tre Paesi
di riferimento durante l’outbreak del 2014-2015.
30 http://www.who.int/ihr/procedures/pheic/en/ 31 http://who.int/mediacentre/factsheets/fs103/en/ 32 http://apps.who.int/gho/data/view.ebola-sitrep.ebola-summary-latest?lang=en
37
I dati forniti dall’OMS33 sono stati poi rielaborati in modo da considerare il numero cumulativo
di nuovi infetti, per essere infine scalati.
33 http://apps.who.int/gho/data/view.ebola-sitrep.ebola-summary-latest?lang=en
38
Come già accennato, i parametri 𝛽 𝑒 𝛾 di input sono stati considerati i medesimi per tutti i
Paesi colpiti da Ebola. Il numero limitato di epidemie di Ebola registrate in passato e la
conseguente esiguità di dati epidemiologici, fanno sì che le stime dei parametri che
caratterizzano EVD siano anch’esse assai limitate. La presenza di più di un ceppo virale ha
ugualmente complicato l’individuazione dei parametri della patologia, che potrebbero in
qualche caso essere riferiti a ceppi diversi del Virus ebola. Dopo una ricognizione delle stime
esistenti in letteratura si è deciso di impiegare per la modellazione i parametri di partenza
riportati da Chowell, Gerardo, and Hiroshi Nishiura34.
34 Chowell, Gerardo, and Hiroshi Nishiura. “Transmission Dynamics and Control of Ebola Virus Disease (EVD): A Review.” BMC Medicine 12 (2014): 196. PMC. Web. 25 Dec. 2017.
39
Tabella 1 - Parametri stimati per l’epidemia di Ebola 2014
Parametro Descrizione Value
𝜷 Transmission Rate 0,25
𝑹𝟎 Basic Reproduction Number 1.735 [1,5 – 2,0]
𝟏/𝜸 Durata media dell’Infectious Period 6.536
𝟏/𝜹 Durata media dell’Incubation Period 12.737
𝒇 Case Fatality ratio 90%
Nel modello sono stati inseriti i seguenti parametri di ingresso
Tabella 2 – Parametri di ingresso modello Ebola
Paese β patologia 𝟏/𝜸 Popolazione
Liberia 0.25 0.15 4391000
Guinea 0.25 0.15 11810000
Sierra Leone 0.25 0.15 7078000
Come già accennato, il Tasso K rappresentativo della resilienza sanitaria è stato calcolato
tramite fit della curva epidemica effettuato su intervalli temporali. Nonostante l’inserimento
di un β di partenza pari a 0,25, la modellazione ha considerato la possibilità del parametro
di variare in relazione ai diversi valori di K calcolati per ciascun intervallo temporale. Nel
caso della Liberia, della Guinea e della Sierra Leone – e considerata la durata dell’epidemia
- il modello è stato impostato in modo tale da fittare i valori di K e β su intervalli temporali di
5 giorni. β è stato inoltre impostato in modo da poter variare, nei singoli intervalli temporali,
tra 0,1 e 0,80. L’ampia variazione ipotizzata per β dipende da alcune specifiche
caratteristiche della patologia. In particolare, lo studio di Maria Vittoria et al.38 Riporta
differenti valori del Transmission Rate considerato in riferimento alle strutture ospedaliere e
ai riti funebri tradizionali. L’intervallo considerato per β è inoltre quello che permette di
35 Gomes MF, Pastore Y Piontti A, Rossi L, Chao D, Longini I, Halloran ME, Vespignani A, Assessing the international spreading risk associated with the 2014 west african ebola outbreak, PLoS Curr. 2014 Sep 2
36 Lekone PE, Finkenstädt BF, Statistical inference in a stochastic epidemic SEIR model with control intervention: Ebola as a case study, Biometrics. 2006 Dec; 62(4):1170-7.
37 Eichner M, Dowell SF, Firese N, Incubation period of ebola hemorrhagic virus subtype zaire, Osong Public Health Res Perspect. 2011 Jun; 2(1):3-7.
38 Barbarossa, Maria Vittoria et al. “Transmission Dynamics and Final Epidemic Size of Ebola Virus Disease Outbreaks with Varying Interventions.” Ed. Ying-Hen Hsieh. PLoS ONE 10.7 (2015): e0131398. PMC. Web. 25 Dec. 2017.
40
ottenere in output valori medi (per il Transmission Rate) più vicini al valore medio di partenza
(0.25).
In ragione delle differenti stime riportate, si è ritenuto opportuno considerare un più ampio
intervallo di variazione di β, in modo da tentare una migliore rappresentazione di tutte le
potenziali dinamiche di trasmissione della patologia. Le equazioni [2.1] sono quindi state
risolte in ambiente Matlab usando i seguenti comandi
Tabella 3 – Comandi Matlab
Paese Funzione β min β max
Liberia SIR_PW(0.25, 0.15, 0, 4391000, 1, 0, 0, 5, T, LIB_CUM) 0.1 0.8
Guinea SIR_PW(0.25, 0.15, 0, 11810000, 1, 0, 0, 5, T, GUI_CUM) 0.1 0.8
Sierra Leone SIR_PW(0.25, 0.15, 0, 7078000, 1, 0, 0, 5, T, SIE_CUM) 0.1 0.8
L’output ha mostrato mostra forti variazioni del Transmission Rate all’interno degli intervalli
considerati, attestandosi su valori medi compresi tra 0,195 e 0,241. Le variazioni di K
misurate nei diversi intervalli si sono mostrate altrettanto significative, con un Tasso
compreso tra valori medi di 0,195 e 0,205.
Paese β fit 𝑲 𝒇𝒊𝒕
Liberia 0.195 0.205
Guinea 0.241 0.196
Sierra Leone 0.216 0.275
41
I grafici mostrano i risultati della
modellazione, permettendo di
determinare specifici valori di β e K per
ciascun Paese in analisi. Come ci si
aspettava in fase preliminare, il modello
costruito ipotizzando la variazione di β e
K su intervalli temporali è riuscito a
descrivere perfettamente la curva
epidemica, restituendo un fit
estremamente preciso.
La scelta di inserire parametri
epidemiologici comuni a tutti i Paesi, ha
inoltre permesso di isolare le specificità
nazionali concentrandole sul parametro
K di intervento che, a sua volta,
influenza il Transmission Rate modificandolo in relazione alle specifiche caratteristiche del
Paese. I risultati mostrano un generalizzato ritardo dell’intervento nei Paesi considerati. Il β
all’inizio dell’epidemia risulta particolarmente elevato per tutti i Paesi e può essere
considerato un buon indicatore dello stato iniziale dei sistemi sanitari in Liberia, Guinea e
Sierra Leone. La Liberia mostra il maggiore ritardo negli interventi con una rilevante
inversione di tendenza giunta solo nella fase finale dell’epidemia.
42
La Guinea fa registrare il più elevato Transmission Rate, come del resto ci si aspetterebbe
considerando che il Paese è stato l’epicentro di diffusione dell’epidemia39 nella Regione.
Ugualmente, il governo di Conakry sembra aver messo in campo una migliore risposta
sanitaria rispetto agli altri Paesi considerati. Il risultato appare compatibile con gli sforzi posti
in essere dal Governo del Paese africano e dalla Comunità Internazionale per evitare la
diffusione della patologia. Si segnala a riguardo come in Guinea siano state costituite
specifiche squadre regionali di risposta alle epidemie, finanziate dal fondo stanziato
dall’Unione Europea e dalla Francia.
Il Sierra Leone, seppur con minima differenza rispetto alla Liberia, ha fatto registrare la
peggiore performance in merito agli interventi posti in esseri, con un valore di K inferiore a
0,2.
3.3.SARS – Cina, Hong Kong, Canada
La Severe Acute Respiratory Syndrome (SARS)40 è una forma atipica di polmonite
apparsa per la prima volta nel novembre 2002 nella provincia del Guangdong, in Cina,
La malattia, causata da un coronavirus, è stata identificata dal medico Carlo Urbani ed ha
un tasso di letalità di circa il 7%41. La malattia si manifesta dopo un periodo di incubazione
di 2-7 giorni, fino ad un massimo di 10 giorni, con febbre superiore a 38°C, tosse secca e
difficoltà respiratorie42. Nella maggior parte dei casi i sintomi appaiono entro 2 - 3 giorni.
Secondo i dati raccolti dall’OMS, la mortalità media della malattia si attesta intorno al 9%,
su valori simili a quelli riscontrati per polmoniti atipiche dovute ad altre cause. Il contagio
avviene prevalentemente per via aerea, in seguito a contatti diretti con una persona
ammalata. La SARS è soggetta a notifica obbligatoria nell’ambito delle patologie di classe I
definite dall’OMS e figura, di conseguenza, nella lista di patologie per le quali si richiede
immediata segnalazione in ragione di quanto previsto dal Regolamento Sanitario
Internazionale (IHR)43.
39 http://www.cdc.gov/vhf/ebola/resources/outbreak-table.html 40 http://www.who.int/csr/sars/epi2003_04_11/en/ 41 http://www.who.int/csr/sars/en/WHOconsensus.pdf 42 http://www.salute.gov.it/portale/temi/p2_6.jsp?lingua=italiano&id=818&area=Malattie%20infetti
ve&menu=altremalattie 43 http://www.who.int/ihr/procedures/pheic/en/
43
L’analisi con modello SIR presentata di seguito è stata effettuata su SARS in riferimento alle
epidemie registrate in Cina, Hong Kong e Canada. Per la modellazione sono stati raccolti i
dati relativi al numero di nuovi casi confermati in riferimento ai periodi compresi
rispettivamente tra il 29 marzo 2003 e il 6 giugno 2003; tra il 17 marzo 2003 e l’8 luglio 2003
e tra il 17 marzo 2003 e il 30 maggio 200344. Nonostante fossero disponibili dati successivi,
la modifica nelle modalità di classificazione comunicata dal Canada il 30 maggio 2003 ha
condizionato la scelta, imponendo di considerare i soli dati pubblicati fino a quella data.
44 http://www.who.int/csr/sars/country/en/
44
Al pari di quanto fatto per Ebola, i dati forniti dall’OMS45 sono stati poi rielaborati in modo da
considerare il numero cumulativo di nuovi infetti, per essere infine scalati.
45 http://www.who.int/csr/sars/epi2003_04_11/en/
45
Anche in questo caso parametri 𝛽 𝑒 𝛾 di input sono stati considerati i medesimi per tutti i
Paesi colpiti dalla patologia. La malattia è stata identificata nel 2003: i dati stimati per il
periodo analizzato sono quindi gli unici disponibili in letteratura. I parametri di ingresso
considerati sono quelli stimati da Chowell, Gerardo et al.46 e risultano compatibili con le
stime dell’OMS47, con qualche importante precisazione da fare in merito all’Infectious
Period. Il report citato colloca il periodo di massima contagiosità della patologia al 10° - 15°
giorno dal manifestarsi dei sintomi. L’infettività appare quindi maggiore nella seconda
settimana di malattia. Le evidenze mostrano inoltre che il contagio tende ad esaurirsi del
tutto dopo il 10° giorno dalla completa risoluzione dei sintomi. Considerati i dati appena
citati, si è ritenuto di poter mantenere come parametro di ingresso l’Infectious Period di 28
giorni stimato da Chowell, Gerardo et al.
Tabella 4 - Parametri stimati per l’epidemia di SARS 2003
Parametro Descrizione Value
𝜷 Transmission Rate 0,25
𝟏/𝜸 Durata media dell’Infectious Period 28
𝟏/𝜹 Durata media dell’Incubation Period 6.37
𝒇 Case Fatality Ratio 1548%
46 Chowell, Gerardo et al. “Model Parameters and Outbreak Control for SARS.” Emerging Infectious Diseases 10.7 (2004): 1258–1263. PMC. Web. 26 Dec. 2017. https://www.ncbi.nlm.nih.gov/pubmed/12781533;https://www.ncbi.nlm.nih.gov/pmc/articles/PMC3323341/#R3
47 http://www.who.int/csr/sars/en/WHOconsensus.pdf 48 http://www.who.int/csr/sars/en/WHOconsensus.pdf
0
1000
2000
3000
4000
5000
6000
17
/03
/03
20
/03
/03
24
/03
/03
27
/03
/03
31
/03
/03
03
/04
/03
07
/04
/03
10
/04
/03
14
/04
/03
17
/04
/03
22
/04
/03
25
/04
/03
29
/04
/03
02
/05
/03
06
/05
/03
09
/05
/03
13
/05
/03
16
/05
/03
20
/05
/03
23
/05
/03
27
/05
/03
30
/05
/03
03
/06
/03
06
/06
/03
11
/06
/03
16
/06
/03
19
/06
/03
24
/06
/03
27
/06
/03
02
/07
/03
07
/07
/03
Total Cases Hong Kong Total Cases Canada Total Cases Cina
46
Nel modello sono poi stati inseriti i seguenti parametri di ingresso. La popolazione è riferita
al 2003.
Tabella 5 Parametri di ingresso SARS
Paese β patologia 𝟏/𝜸 Popolazione
Cina 0.25 0.03 1288000000
Hong Kong 0.25 0.03 6731000
Canada 0.25 0.03 31680000
Considerando le stime presenti in letteratura β è stato lasciato libero di variare tra 0.1 e 0.6,
per permettere una migliore rappresentazione di tutte le fasi dell’epidemia. In riferimento alla
durata dell’epidemia e del numero di rilevazioni disponibili, il modello è stato impostato in
modo tale da fittare i valori di K e β su intervalli temporali di 10 giorni. Per il Canada si è
deciso di ridurre l’intervallo a 7 giorni per dare ragione dei dati (e del periodo di rilevazione)
esclusi dalla modellazione.
Le equazioni [2.1] sono quindi state risolte in ambiente Matlab usando i seguenti comandi
Tabella 6 Comandi Matlab
Paese Funzione β min β max
Cina SIR_PW(0.25, 0.03, 0, 1288000000, 1, 0, 0, 10, T, CHI_CUM) 0.1 0.6
Hong Kong SIR_PW(0.25, 0.03, 0, 6731000, 1, 0, 0, 10, T, HKG_CUM) 0.1 0.6
Canada SIR_PW(0.25, 0.03, 0, 31680000, 1, 0, 0, 10, T, CAN_CUM) 0.1 0.6
L’output mostra una precisione nel fit elevata, seppur inferiore a quanto già visto per Ebola.
Si riscontrano limitate variazioni del Transmission Rate, con valori medi compresi tra 0,159
(Hong Kong e Canada) e 0,199 (Cina). Con l’esclusione della fase iniziale e del caso cinese,
anche le variazioni di K si sono mostrate contenute, con un Tasso compreso tra valori medi
di 0,576 e 0,750.
Paese β fit 𝑲 𝒇𝒊𝒕
Cina 0.199 0.576
Hong Kong 0.159 0.620
Canada 0.159 0.750
47
Tra i Paesi considerati, la Cina ha mostrato la peggiore performance, con un valore di K pari
a 0,576. In merito al caso cinese, il governo di Beijing ha pubblicamente ammesso di aver
sottostimato il numero di casi registrati nelle comunicazioni trasmesse all’OMS.
48
L’importante mancanza di dati iniziali fa sì che nella simulazione si riscontri un’anomalia
relativa a un dato iniziale (numero cumulativo di nuovi infetti) eccessivamente alto. Il dato
influenza l’output su valori iniziali di K e β, provocando un picco non verosimile del tasso di
intervento.
Le curve K e β elaborate su Hong Kong (in assenza di anomalie relative ai dati di partenza)
mostrano, al contrario, la presenza di un intervento graduale iniziato già nella prima fase
dell’epidemia.
In Canada, il virus ha avuto un focolaio nella sola città di Toronto ed è stato isolato con
successo grazie alla solidità del sistema sanitario e preventivo canadese, provocando un
numero di infezioni assai contenuto. Le autorità canadesi, oltre ad essere state le prime a
fornire dati puntuali all’OMS in merito alla patologia, sono intervenute rapidamente mettendo
in quarantena i soggetti infetti.
L’output è compatibile con gli interventi descritti e mostra un andamento di K caratterizzato
da rapidità ed efficacia dell’intervento. Dopo la prima fase dell’epidemia, il Tasso si attesta
difatti su valori prossimi ad 1, mantenuti poi costanti per gran parte dell’outbreak epidemico.
Si segnala tuttavia che, nel caso canadese, si è dovuto procedere ad escludere i dati
comunicati all’OMS dopo il 30 maggio 2003 in ragione di un cambiamento nelle modalità di
classificazione (sul numero di nuovi casi confermati).
Considerato quanto detto e dati i problemi riscontrati in merito ai dati SARS (con esclusione
dei dati di Hong Kong) si ritiene che il valore di K nel caso cinese sia da considerarsi
leggermente inferiore rispetto all’output del modello.
L’impossibilità di verificare la bontà dei dati forniti all’OMS e pubblicati dalla stessa
Organizzazione Mondiale della Sanità, ha portato tuttavia a considerare nella seconda fase
della ricerca i valori di output così come riportati nel presente paragrafo, senza inserire
alcuna variazione in merito.
3. 4 MERS – Arabia Saudita, Emirati Arabi Uniti, Hong Kong
La Middle East Respiratory Syndrome (MERS) o sindrome respiratoria mediorientale da
coronavirus è una patologia causata dal coronavirus MERS-CoV. Il virus causa della
patologia è un coronavirus simile al virus causa della SARS, con un tasso di mortalità
superiore e pari a circa il 30%.
49
l virus MERS-CoV appartiene al sottogenere Betacoronavirus, così come il SARS-CoV. Il
primo caso accertato di MERS, segnalato dal virologo egiziano Ali Mohamed Zaki, è
avvenuto nel giugno 2012, in Arabia Saudita49.
Il contagio avviene per via respiratoria, in seguito alla vicinanza con soggetti infetti.
Oltre alla trasmissione interumana, sono stati documentati casi di trasmissione in seguito al
contatto con cammelli affetti dal virus50. Se quest’ultima modalità di trasmissione ha
acquisito ampia rilevanza in Arabia Saudita, in Corea del Sud il contagio si è presentato
prevalentemente all’interno delle strutture sanitarie e ospedaliere51.
Gli studi sull’epidemia si sono mostrati coerenti con l'ipotesi che i pazienti siano infettanti
solo durante la fase sintomatica, anche se non si può escludere in assoluto la trasmissione
durante il periodo di incubazione o durante l'infezione asintomatica52.
Le dinamiche di diffusione e contagio sembrano essere ampiamente influenzate da fattori
di tipo culturale. Questo aspetto acquista rilevanza tanto in relazione ai diversi picchi
epidemici registrati nei Paesi analizzati, quanto con riferimento al fatto che i soggetti colpiti
da MERS sono prevalentemente di sesso maschile, in rapporto 2:1.
Il dato potrebbe dipendere, non da fattori di tipo biologico, ma piuttosto da peculiarità
culturali dei Paesi colpiti e, in particolare, dalla rigida separazione dei sessi proprie della
cultura araba, oltre all'uso del velo (niqab) che copre interamente le vie aeree delle donne
proteggendole probabilmente dal contagio53. Per ciò che riguarda il ripresentarsi di picchi
epidemici in alcuni dei Paesi colpiti, in particolare l’Arabia Saudita, alcuni ricercatori
ritengono che l’aumento dei casi infetti registrato in specifici periodi dell’anno possa essere
collegato al pellegrinaggio verso la Mecca effettuato durante il mese lunare dell’Haji.
Una volta entrati in contatto con il virus il periodo medio di incubazione si assesta intorno ai
5-6 giorni. L'infezione si manifesta prevalentemente con sintomi respiratori e aumento della
temperatura corporea. I sintomi possono avere entità variabile e si confondono, in fase
iniziale, con i normali sintomi influenzali. Dalla sua prima comparsa nel 2012, la malattia è
stata segnalata (pur con un numero di casi assai limitato) in diverse altre nazioni del Medio
Oriente (Kuwait, Oman, Qatar, Emirati Arabi, Yemen, Egitto, Libano e Iran.
49 http://www.promedmail.org/direct.php?id=20120920.1302733 50 http://webcache.googleusercontent.com/search?q=cache:4WZ2I_coxKQJ:www.epicentro. iss.it/temi/infettive/archivio2015.asp+&cd=9&hl=it&ct=clnk&gl=it&client=safari 51 http://webcache.googleusercontent.com/search?q=cache:4WZ2I_coxKQJ:www.epicentro. iss.it/temi/infettive/archivio2015.asp+&cd=9&hl=it&ct=clnk&gl=it&client=safari 52 http://www.cidrap.umn.edu/cidrap/content/other/sars/news/jun1913hospital.html 53 http://blogs.discovermagazine.com/bodyhorrors/2013/06/20/purdah-mers-2/#.Ucq4fPm-2Sr
50
Secondo i Centers for Disease Control and Prevention (CDC) statunitensi tutti i casi
segnalati sembrano caratterizzati da collegamenti con i Paesi nella penisola arabica54.
54 http://www.epicentro.iss.it/temi/infettive/archivio2015.asp; https://ecdc.europa.eu/sites/portal/files/media/en/publications/Publications/MERS-rapid-risk-
assessment-update-october-2015.pdf
51
La modellazione è stata effettuata con riferimento all’outbreak registrato in Arabia Saudita,
Emirati Arabi Uniti e Corea del nei periodi compresi rispettivamente tra il 4 gennaio 2014 e
il 26 settembre 2017; tra il 3 gennaio 2014 e il 16 giugno 2016 e tra il 20 maggio 2015 e il
10 luglio 201555.
I dati forniti dall’OMS56 sono stati poi rielaborati in modo da considerare il numero cumulativo
di nuovi infetti, per essere infine scalati.
I parametri 𝛽 𝑒 𝛾 di input sono stati considerati i medesimi per tutti i Paesi colpiti dalla
patologia. I parametri usati nella modellazione sono stati ripresi dallo studio di Chowell,
Gerardo et al.57.
55 http://www.who.int/csr/don/archive/disease/coronavirus_infections/en/ 56 http://www.who.int/csr/don/archive/disease/coronavirus_infections/en/ 57 https://www.sciencedirect.com/science/article/pii/S1755436514000607
52
Tabella 7 - Parametri stimati per l’epidemia di MERS
Parametro Descrizione Value
𝜷 Transmission Rate – baseline value 0,2
𝟏/𝜸 Durata media dell’Infectious Period 5 [3-7]
𝟏/𝜹 Durata media dell’Incubation Period 5,2 [3-8]
𝒇 Case Fatality Ratio 30%
Nel modello sono stati inseriti i seguenti parametri di ingresso
Tabella 8 – Parametri di ingresso MERS
Paese β patologia 𝟏/𝜸 Popolazione
Arabia Saudita 0.2 0.2 31560000
Emirati Arabi Uniti 0.2 0.2 9154000
Sierra Leone 0.2 0.2 51250000
Il Tasso K è stato calcolato tramite fit della curva epidemica effettuato su intervalli temporali.
Il modello è stato impostato in modo tale da fittare i valori di K e β su intervalli temporali di
5 giorni per rendere il modello sufficientemente rappresentativo delle rilevanti variazioni (e
dei diversi picchi epidemici) registrate nei Paesi colpiti. Nel caso coreano l’intervallo
temporale è stato ulteriormente ridotto a 3 giorni in ragione dell’esiguo numero di rilevazioni
disponibili. β è stato inoltre impostato in modo da poter variare tra 0,1 e 1, restituendo valori
di output vicini al Transmission rate medio di partenza. L’ampia variazione ipotizzata per β
dipende da alcune specifiche caratteristiche della patologia. In particolare, lo studio di
Chowell, Gerardo et al.58 indica valori più elevati del Transmission Rate considerato in
riferimento alle strutture ospedaliere. L’alta variazione di β si è inoltre resa necessaria in
ragione dei limiti del modello, che considera come unica possibilità di trasmissione della
patologia il contatto interumano.
Le equazioni [2.1] sono quindi state risolte in ambiente Matlab usando i seguenti comandi
Tabella 9 – Comandi Matlab
Paese Funzione β min β max
Emirati Arabi SIR_PW(0.2, 0.2, 0, 9154000, 1, 0, 0, 5, T, UAE_CUM) 0.1 1.0
Arabia Saudita SIR_PW(0.2, 0.2, 0, 31560000, 1, 0, 0, 5, T, KSA_CUM) 0.1 1.0
Corea del Sud SIR_PW(0.25, 0.2, 1, 51250000, 1, 0, 0, 3, T, KOR_CUM) 0.1 1.0
58 https://www.sciencedirect.com/science/article/pii/S1755436514000607
53
Il modello mostra forti variazioni del
Transmission Rate all’interno degli
intervalli considerati, con valori medi
compresi tra 0.25 e 0.338. Le variazioni di
K misurate nei diversi intervalli si sono
mostrate altrettanto significative, con un
Tasso compreso tra 0.309 e 0.626.
Paese β fit 𝑲 𝒇𝒊𝒕
Arabia Saudita 0.338 0.317
Emirati Arabi Uniti 0.289 0.626
Corea del Sud 0.250 0.309
54
Anche in questo caso il fit risulta estremamente preciso, nonostante i diversi picchi epidemici
registrati, in particolare, in Arabia Saudita.
I risultati descrivono per tutti i Paesi considerati, interventi sanitari posti in essere già nella
prima fase dell’epidemia. Il parametro β, particolarmente elevato in fase iniziale, subisce
una rapida decrescita in seguito all’aumento del valore di K.
Le anomalie registrate per il caso MERS sembrano legate alla rilevanza dei fattori culturali
nelle specifiche dinamiche di diffusione della patologia. Nel caso saudita, sono stati infatti
registrati picchi epidemici ripetuti concentrati in precisi periodi dell’anno e ben rappresentati
dalle forti variazioni e dall’andamento delle curve di K e β.
Il caso MERS ha fornito un’interessante spunto di riflessione in merito alla rilevanza di fattori
prettamente culturali che, intervenendo sul livello di resilienza sanitaria di carattere
strutturale, modificano di fatto l’output in modo variabile a seconda dell’impatto che tali fattori
possono avere sugli specifici eventi.
Nel caso in esame, si è ritenuto di poter considerare il ripresentarsi dei picchi epidemici
come conseguenza di fattori culturali legati ad eventi che favorivano il contagio interumano
e il contagio dagli animali infetti all’uomo. Il valore di resilienza epidemiologica registrato per
l’Arabia Saudita va di conseguenza considerato come strettamente legato alla tipologia di
evento (Epidemia MERS) ed alle sue peculiari caratteristiche. Come si vedrà nella fase
finale della ricerca, si è considerata la possibilità che la Resilienza Sanitaria possa subire
variazioni in ragione del fattore culturale c secondo la formula
𝑅𝑆𝑐 = 𝑅𝑆 ∗ 1
𝑐
𝟎, 𝟓 ≤ 𝒄 ≤ 𝟐, 𝟓
Nel caso saudita abbiamo ipotizzato 𝐶 = 1.8
Si ipotizza quindi che la Resilienza Saudita in assenza di condizionamenti negativi indotti
dall’intervento di fattori culturali sarebbe quindi pari a
𝑹𝑺 = 𝟎, 𝟓𝟕𝟎𝟔
I fattori culturali potrebbero acquisire particolare rilevanza anche nel caso coreano, in
ragione della diffusa abitudine della popolazione di chiedere diversi pareri e diverse diagnosi
frequentando, di conseguenza, più di una struttura ospedaliera. Il caso coreano rimane
tuttavia anomalo pur considerando una rilevante distorsione introdotta dal fattore culturale.
55
Il basso tasso di K registrato in un Paese caratterizzato da un buon sistema sanitario e da
ottime misure di prevenzione non appare giustificabile dalla sola introduzione del fattore c.
Se questo dato potrebbe, da un lato, mostrare l’incapacità del modello di misurare le
performance in presenza di dati assai limitati (come difatti sono i dati disponibili nel caso
della Corea), va tuttavia precisato che gran parte delle analisi presenti in letteratura arrivano
alla medesima conclusione, considerando l’’intervento posto in essere dal governo coreano
durante l’epidemia MERS come tardivo e poco efficace59.
Gli Emirati mostrano la migliore risposta sanitaria pur in presenza di diversi picchi epidemici
già riscontrati nel caso saudita. Anche in questo caso, seppur in misura notevolmente
minore, la possibilità di contagio dai cammelli all’uomo porta ad ipotizzare che abitudini di
carattere culturale siano intervenute nel ridurre l’efficacia degli interventi sanitari e della
complessiva resilienza del sistema.
3.5. ZIKA – Brasile, Messico, Colombia
Il virus Zika (ZIKV) è un virus a RNA della famiglia Flaviviridae, isolato per la prima volta nel
1947 in Uganda.
La trasmissione del virus avviene generalmente tramite la puntura di zanzare vettore
(prevalentemente genere Aedes). Studi sui vettori implicati nella trasmissione hanno inoltre
permesso di isolare il virus Zika anche in alcune popolazioni di Aedes albopictus (zanzara
tigre), comune anche nei climi temperati dell'emisfero boreale come in Nord America e le
aree del bacino del Mediterraneo. Il soggetto punto da una zanzara portatrice e nuovamente
punto da una zanzara non infetta può dunque innescare una catena in grado di dare origine
a un focolaio endemico. Il contagio interumano può avvenire tramite contatto con i liquidi
biologici degli individui infetti. Uno studio pubblicato in Brasile nel febbraio 2016 ha inoltre
suggerito una possibile conferma della trasmissione materno-fetale tramite liquido
amniotico. L’infezione è asintomatica nell’80% dei casi e quando presenti i sintomi sono
simili a quelli influenzati con durata compresa tra i 4 e i 7 giorni. I primi sintomi compaiono
dai 3 ai 13 giorni dopo la puntura della zanzara vettore senza che, in genere, ci siano
rilevanti complicazioni. La pericolosità della malattia non è legata né ai suoi sintomi né al
suo tasso di mortalità, quanto piuttosto ai potenziali effetti secondari dell’infezione.
59 https://www.ncbi.nlm.nih.gov/pubmed/28610609
56
Si ritiene che l’infezione nelle donne in stato di gravidanza possa determinare nel nascituro
casi di microcefalia e di malformazioni fetali. Nel 2015, nel nord del Brasile vi è stato un
incremento significativo dei casi di microcefalia, la cui causa sembra essere dovuta al
l'infezione da Zika, anche asintomatica, nelle donne incinte60.
Secondo i dati raccolti dal Centro Europeo per la prevenzione delle Malattie e Controllo
(ECDC) in concomitanza con infezioni da Zika si è registrato un aumento dei casi di sindrome
di Guillain-Barré, di encefalite, meningoencefalite, paralisi facciale e mieliti61.
L’analisi con modello SIR presentata di seguito è stata effettuata in riferimento alle epidemie
di ZIKA registrate in Brasile, Colombia e Messico tra il 4 agosto 2015 e il 28 luglio 201762.
60 Schuler-Faccini L, Ribeiro EM, Feitosa IM, Horovitz DD, Cavalcanti DP, Pessoa A, Doriqui MJ, Neri JI, Neto JM, Wanderley HY, Cernach M, El-Husny AS, Pone MV, Serao CL, Sanseverino MT, Possible Association Between Zika Virus Infection and Microcephaly - Brazil, 2015, in MMWR Morb. Mortal. Wkly. Rep., vol. 65, nº 3, 2016.
61 ECDC. Rapid Risk Assessment, Zika Virus Outbreak, French Polynesia. Solna, Sweden: European Centre for Disease Prevention and Control; 2014. Cit. in: Birbeck GL, Zika virus: What the neurologist wants to know, in Neurology, 2016, http://n.neurology.org/lookup/doi/10.1212/WNL.0000000000002553
62 http://www.who.int/csr/don/archive/disease/zika-virus-infection/en/; http://www.paho.org/hq/index.php?option=com_content&view=article&id=11599%3Aregional-zika-epidemiological-update-americas
57
L’analisi è partita dalla raccolta dati in merito ai nuovi casi confermati in Brasile tra il 24
novembre 2015 e il 28 luglio 2017; in Messico tra l’11 novembre 2015 e il 28 luglio 2017 e
in Colombia tra il 4 agosto 2015 e il 12 ottobre 2016.
I dati forniti dal PAHO63 sono stati poi rielaborati in modo da considerare il numero
cumulativo di nuovi infetti, per essere infine scalati.
63 http://www.paho.org/hq/index.php?option=com_content&view=article&id=12390&Itemid=4209 0&lang=en; http://www.paho.org/hq/index.php?option=com_content&view=article&id=11603&Itemid=41696&lang=en
0
100
200
300
400
500
600
24/1
1/2
015
04/0
1/2
016
26/0
1/2
016
16/0
2/2
016
08/0
3/2
016
29/0
3/2
016
19/0
4/2
016
11/0
5/2
016
31/0
5/2
016
22/0
6/2
016
13/0
7/2
016
03/0
8/2
016
24/0
8/2
016
14/0
9/2
016
05/1
0/2
016
26/1
0/2
016
16/1
1/2
016
07/1
2/2
016
29/1
2/2
016
18/0
1/2
017
09/0
2/2
017
09/0
3/2
017
30/0
3/2
017
20/0
4/2
017
12/0
5/2
017
01/0
6/2
017
22/0
6/2
017
14/0
7/2
017
0
1000
2000
3000
4000
5000
6000
11
/11
/15
12
/01
/20
16
23
/02
/20
16
06
/04
/20
16
17
/05
/20
16
29
/06
/20
16
10
/08
/20
16
21
/09
/20
16
02
/11
/20
16
15
/12
/20
16
26
/01
/20
17
16
/03
/20
17
27
/04
/20
17
08
/06
/20
17
20
/07
/20
170
100
200
300
400
500
600
700
800
04
/08
/15
22
/09
/20
15
20
/10
/20
15
01
/12
/20
15
29
/12
/20
15
27
/01
/20
16
23
/02
/20
16
22
/03
/20
16
19
/04
/20
16
18
/05
/20
16
06
/07
/20
16
10
/08
/20
16
12
/10
/20
16
58
I parametri 𝜷 𝒆 𝜸 di input sono stati considerati i medesimi per tutti i Paesi colpiti da Zika.
Dopo una ricognizione delle stime esistenti in letteratura si è deciso di impiegare per la
modellazione i parametri di partenza riportati da Ondrej Maxian et al.64
Tabella 10 - Parametri stimati per l’epidemia di ZIKA
Parametro Descrizione Value
𝜷 Transmission Rate – baseline value 0.6
𝟏/𝜸 Durata media dell’Infectious Period 4
𝟏/𝜹 Durata media dell’Incubation Period 4
Nel modello sono stati inseriti i seguenti parametri di ingresso
Tabella 11– Parametri di ingresso ZIKA
Paese β patologia 𝟏/𝜸 Popolazione
Colombia 0.5 0.25 48650000
Messico 0.5 0.25 127500000
Brasile 0.5 0.25 207700000
Considerata la durata e le caratteristiche dell’epidemia il modello è stato impostato in modo
tale da calcolare i valori di K e β su intervalli temporali di 5 giorni. β è stato inoltre impostato
in modo da poter variare tra 0,4 e 0,6, in modo da restituire in output valori medi del
Transmission Rate prossimi al valore di partenza (0,5).
Le equazioni [2.1] sono quindi state risolte in ambiente Matlab usando i seguenti comandi
Tabella 12 – Comandi Matlab
Paese Funzione β min β max
Colombia SIR_PW(0.5, 0.25, 0, 48650000, 1, 0, 0, 5, T, COL_CUM) 0.4 0.6
Messico SIR_PW(0.5, 0.25, 0, 127500000, 1, 0, 0, 5, T, MEX_CUM) 0.4 0.6
Brasile SIR_PW(0.5, 0.25, 0, 207700000, 1, 0, 0, 5, T, BRA_CUM) 0.4 0.6
L’output restituisce un fit estremamente preciso. Il modello mostra forti variazioni del
Transmission Rate all’interno degli intervalli considerati, attestandosi su valori medi
compresi tra 0,43 e 0,48. Le variazioni di K misurate nei diversi intervalli si sono mostrate
altrettanto significative, con un Tasso compreso tra valori medi di 0,439 e 0,466.
64 http://www.sciencedirect.com/science/article/pii/S1755436517301093#fig0005
60
K e β mostrano andamenti e valori medi simili per tutti i Paesi in analisi.
Il picco registrato dal parametro K all’inizio del periodo epidemico sembra condizionato
dall’alto valore di β iniziale fortemente collegato alle caratteristiche dell’epidemia. I valori in
output per le fasi iniziali dell’epidemia (0<t<30) vanno quindi considerati complessivamente
meno significativi. In relazione a quanto detto e seppur applicabile con i parametri di
ingresso già specificati, nel caso Zika il modello descrive l’andamento della risposta sanitaria
e il Transmission Rate in modo complessivamente meno accurato rispetto a quanto già
riscontrato nel caso delle altre patologie. Le anomalie descritte sembrano dipendere in gran
parte dall’estrema semplicità del modello e dalla probabile incompletezza e
approssimazione dei dati di partenza condizionati dalle specificità della patologia (sintomi
riscontrati solo nel 20% dei casi).
L’output restituito dal modello (con intervalli di variazione di β) sembra tuttavia accettabile
per gli scopi della ricerca ed al pari degli altri parametri è stato impiegato nella seconda fase
per verificare l’esistenza di un modello capace di descrivere la Resilienza Sanitaria in modo
indipendente dai dati epidemiologici.
Conclusioni
Il modello SIR applicato per calcolare il Transmission Rate e il Tasso di intervento K ha
restituito complessivamente dei fit estremamente precisi ed è risultato, nella maggior parte
dei casi, capace di descrivere l’andamento epidemiologico con coerenza rispetto agli studi
riportati in letteratura.
00.000
00.000
00.000
00.000
00.000
00.001
00.001
00.001
00.001
K
61
L’output mostra il più basso livello di resilienza sanitaria in corrispondenza della Sierra
Leone, con un valore massimo pari a 0,75 registrato dal Canada.
Nonostante i risultati possano essere considerati accettabili per la maggior parte dei Paesi
considerati, si sono tuttavia riscontrate alcune anomalie che possono essere spiegate tanto
dall’eccessiva semplicità del modello e delle assunzioni iniziali, quanto da problemi relativi
alla raccolta dei dati ed alle rilevazioni. In particolare, nel caso coreano, il livello del
parametro K risulta eccessivamente basso se considerato in relazione alle complessive
condizioni sanitarie ed economiche del Paese.
Nonostante i limiti già espressi, si è ritenuto di impiegare i parametri individuati (con
l’esclusione della Corea) per procedere ad un’analisi ulteriore finalizzata a individuare,
all’interno di un dataset esteso, i valori con maggiore correlazione rispetto a K in modo da
verificare la possibilità di costruire, a partire dagli stessi, un algoritmo di resilienza.
La ricerca va considerata come un primo passo verso un’analisi più accurata capace di
superare i problemi riscontrati. Data l’esiguità degli outbreak documentati e l’impossibilità di
verificare la precisione dei dati raccolti, non è stato possibile effettuare ulteriori
aggiustamenti rispetto al modello proposto. L’assenza di dati riferiti a due patologie per uno
stesso Paese ha impedito inoltre di effettuare ulteriori simulazioni che confermassero i valori
in output per il parametro K. Sebbene non siano state individuate patologie idonee per
effettuare ulteriori simulazioni sui Paesi analizzati, una simile analisi potrebbe essere
effettuata in futuro, nel momento in cui dovessero presentarsi ulteriori dati o eventi da
considerare65.
65 A riguardo si precisa che, pur ipotizzando in fase di impostazione della ricerca di effettuare una comparazione con altre patologie (influenza stagionale, morbillo, HIV) pur parzialmente documentate, le stesse non sono sembrate adeguate a valutare lo stato dei sistemi sanitari a causa di alcune specifiche caratteristiche come l’incompletezza dei dati o la forte correlazione del contagio con fattori totalmente estranei allo stato dei sistemi sanitari dei Paesi analizzati.
62
4. Costruzione di un algoritmo di resilienza sanitaria
La prima fase della ricerca aveva come obiettivo l’individuazione di un parametro che
potesse essere successivamente impiegato come riferimento per costruire, tramite tecniche
di data mining, un algoritmo di resilienza sanitaria.
Una volta calcolati i valori di riferimento (parametro K) si è quindi aperta una seconda fase
di raccolta informativa, finalizzata a costruire un dataset che, per i Paesi già analizzati e per
gli anni di riferimento, raccogliesse quanti più parametri di carattere economico, sociale,
sanitario e demografico con lo scopo di selezionare tra essi dei predittori del parametro di
resilienza. Nella prima fase della ricerca abbiamo ipotizzato che il parametro K potesse
rappresentare adeguatamente il livello di resilienza epidemiologica dei Paesi analizzati.
Ugualmente, si è assunto che tale parametro potesse, nonostante il suo legame con
l’epidemiologia, costituire un valido ancoraggio per individuare un algoritmo di resilienza
sanitaria capace di descrivere la risposta del sistema in relazione a tutti i possibili eventi
attesi. Per raggiungere questo obiettivo sono stati inseriti parametri epidemiologici comuni
a tutti i Paesi considerati per ciascuna patologia, con l’obiettivo di concentrare su K le
specificità dei contesti nazionali e legare al parametro i diversi andamenti dell’outbreak.
L’approccio contiene evidenti semplificazioni e alcuni limiti rilevanti, primo tra tutti
l’impossibilità di verificare i parametri in output calcolando (per ciascun Paese) più valori di
K in riferimento a diversi eventi. I passaggi descritti in questo capitolo, nonché i risultati finali,
saranno quindi soggetti alle stesse limitazioni che hanno caratterizzato la fase precedente.
In particolare ci si attende che l’output finale, pur rappresentativo della Resilienza Sanitaria
in senso più ampio, risulti comunque maggiormente legato ed applicabile agli outbreak
epidemici. La necessità di considerare il problema da un punto di vista generale, senza lo
specifico focus su un Paese di riferimento, ha inoltre condizionato la ricerca, portando ad
escludere quelle tecniche pur valide ed applicabili (si pensi alla Social Network Analysis)
che risulterebbero utili a descrivere nello specifico le caratteristiche dei sistemi sanitari
nazionali. Un’analisi di questo tipo, impossibile da effettuare in chiave generale, potrebbe
essere applicata in un’eventuale seconda fase della ricerca, ove ci si proponga di analizzare
nel dettaglio scenari legati a specifici contesti nazionali di interesse.
Nei paragrafi che seguono saranno descritti i successivi passaggi che ci hanno permesso
di verificare la possibilità di costruzione di un algoritmo, di individuare i predittori e di mettere
in relazione il parametro K con il Fragile State Index (FSI), indicatore costruito per misurare
la Fragilità nazionale e quindi valido strumento di misurazione, pur in direzione contraria,
della resilienza dei Paese analizzati.
63
4.1 – Costruzione del dataset e considerazioni preliminari
Nel costruire il dataset abbiamo raccolto i diversi parametri relativi a Guinea, Liberia, Sierra
Leone, Hong Kong, Cina, Canada, Corea del Sud, Arabia Saudita, Emirati Arabi, Messico,
Colombia e Brasile. I dati sono stati raccolti in riferimento agli anni degli outbreak epidemici,
in modo da permettere una valutazione della loro correlazione con K riferita ad un unico
intervallo temporale. In fase di raccolta abbiamo limitato quanto possibile le decisioni
arbitrarie in merito ai parametri da includere (o escludere dal dataset).
I dati sono quindi stati raccolti includendo tutte le variabili disponibili nei diversi database
pubblicati dalla World Bank66 e dall’OMS67. In particolare, i dati pubblicati dalla World Bank
si sono rivelati un’ottima base di partenza comprensive di svariati parametri e informazioni
già rese pubbliche da altre Organizzazioni Internazionali, inclusa l’OMS. Tra i database
pubblicati dalla WB si è deciso di escludere gli Statistical Capacity Indicators e le Gender
Statistics68. Le informazioni riportate all’interno risultavano difatti, oltre che eccessivamente
specifiche, già adeguatamente rappresentate negli altri database.
La successiva pulizia dei dati effettuata in ambiente R ha permesso di ridurre le dimensioni
del dataset, escludendo, oltre ai valori ripetuti più volte, anche tutti quei parametri per i quali
non esistevano sufficienti rilevazioni. A riguardo si segnala come la gran parte dei parametri
risultava non valorizzata in relazione ai Paesi analizzati. In particolare è stato necessario
escludere Hong Kong, rispetto al quale (e in ragione delle specifiche caratteristiche
amministrative) i dati risultavano spesso assenti.
Per alcuni parametri di carattere sanitario, e per questo considerati particolarmente rilevanti
rispetto al problema in esame, si sono eseguite ricerche più approfondite con lo scopo di
trovare informazioni che permettessero di completare il dataset, inserendo i valori mancanti.
Si è così arrivati alla costruzione di un dataset composto da 53 parametri per ciascuno dei
Paesi di riferimento.
Individuati i valori massimi e minimi69, i dati sono stati normalizzati usando la formula
66 http://databank.worldbank.org/data/home.aspx 67 http://www.who.int/gho/publications/world_health_statistics/en/ 68 http://databank.worldbank.org/data/home.aspx 69 I valori sono stati individuati in riferimento allo specifico anno di rilevazione dei dati.
64
Dopo aver raccolto i potenziali predittori del parametro K e ridotto le dimensioni del dataset,
ci siamo soffermati a considerare alcuni aspetti del problema:
1. Per i problemi già evidenziati nel precedente paragrafo, il valore di K stimato per la
Corea del Sud non è stato incluso nell’analisi, per evitare potenziali effetti distorsivi.
2. Il numero di predittori raccolto si è rivelato, come da aspettative, nettamente superiore
alla cardinalità dei dati; avendo escluso Hong Kong (per carenza di dati) e la Corea del
Sud, sono rimasti solo 10 Paesi rispetto ai quali qualsiasi tecnica basata
sull'approssimazione ai minimi quadrati è inutilizzabile70.
3. Non è auspicabile ipotizzare che i predittori non siano correlati tra di loro.
4. Non è ipotizzabile a priori una formula lineare.
5. Determinare la formula a partire da un dataset limitato - specialmente nel caso di una
formula non lineare - è problematico poiché le convenzionali tecniche di data mining
risentono fortemente del fenomeno dell'overfitting71.
70 "The method of least squares is a standard approach in regression analysis to approximate the solution of overdetermined systems, i.e., sets of equations in which there are more equations than unknowns." (https://en.wikipedia.org/wiki/Least_squares).
71 https://en.wikipedia.org/wiki/Overfitting.
65
Una ricognizione degli studi presenti in letteratura in relazione ai punti 2 e 3, ha evidenziato
la generalizzata tendenza a risolvere problemi analoghi tramite Analisi delle Componenti
Principali (PCA)72. Anche la PCA presenta tuttavia delle problematiche. Applicato sul
dataset, il metodo indicato restituisce 9 componenti principali. Sebbene il ridotto numero sia
incoraggiante, ognuna di queste componenti è, per sua natura, combinazione lineare dei 53
predittori originali.
Per completezza riportiamo di seguito la tabella dei coefficienti
Tabella 13 - Coefficienti delle componenti principali ottenuta tramite la funzione PCA in ambiente Matlab, la riga i-esima
rappresenta i coefficienti del predittore i-esimo.
C1 C2 C3 C4 C5 C6 C7 C8 C9
0,3383 0,1217 -0,1071 -0,1003 -0,0005 0,0640 -0,0185 0,0041 -0,0848
0,3060 0,0325 0,1224 0,1498 -0,0299 -0,0395 0,2936 0,1586 -0,1429
-0,1635 0,1370 -0,0258 -0,1830 0,0663 -0,2270 -0,2406 0,5350 0,0009
-0,1971 0,1080 -0,0936 -0,1403 -0,0313 -0,1521 0,1731 -0,0782 0,1803
0,1959 -0,0003 0,0765 0,1135 0,0162 -0,0129 0,0611 -0,0385 -0,1332
0,1739 -0,0883 0,1433 0,0770 -0,0259 0,0208 0,0772 -0,0511 0,1989
-0,1844 0,0324 -0,0897 -0,1192 0,0034 -0,0617 -0,0740 0,0362 -0,1109
0,1133 0,3344 0,4457 -0,2718 -0,1759 -0,3639 -0,1933 -0,1273 0,0889
0,1761 0,0001 0,5773 -0,0031 0,2946 0,0685 0,0202 0,1298 -0,0867
-0,1567 -0,0137 0,2033 -0,2678 -0,1439 0,3803 0,0225 0,0453 -0,0615
-0,1199 -0,0475 0,0378 0,1228 0,1741 0,0368 -0,1495 -0,3280 0,1415
0,0420 0,0355 -0,0549 0,0715 -0,0564 -0,0714 0,0295 -0,0423 0,0811
-0,1736 0,0498 -0,1480 -0,1163 -0,0254 -0,1342 0,1003 0,0050 0,1561
0,0789 -0,1864 0,0410 -0,1982 -0,0119 0,1313 -0,1020 -0,0092 0,1398
-0,0150 0,0058 0,0188 -0,0164 -0,0201 0,0167 -0,0725 -0,0538 -0,0134
0,0060 -0,0026 -0,0005 -0,0315 0,0266 0,0235 0,0050 -0,0037 0,0154
0,0035 -0,0043 0,0133 -0,0378 0,0718 0,1275 0,0046 -0,0064 0,2452
0,1228 0,0048 -0,2328 -0,0683 0,1964 0,1498 0,3652 0,2324 0,1989
-0,0089 0,0032 0,0184 -0,0479 0,0065 0,0405 -0,0678 -0,0583 0,0022
0,1139 0,1035 0,0164 0,0897 -0,2886 0,2684 -0,0759 -0,0956 0,3646
0,0495 0,4916 -0,1151 0,4661 -0,2679 0,0131 -0,1395 0,0814 -0,1582
0,1211 0,0826 0,0219 0,0230 -0,1801 0,1846 -0,1613 -0,1509 0,0813
0,0977 -0,0037 -0,0493 -0,0414 0,0663 -0,1803 0,0031 0,0562 -0,0639
0,2779 0,0156 -0,0973 -0,0351 -0,0526 -0,0205 0,1056 -0,0922 0,1015
-0,1076 -0,0100 0,0202 0,0040 -0,0044 0,0647 -0,1642 -0,2038 -0,0242
0,2170 -0,0740 0,0194 0,0371 0,1985 -0,2669 0,0091 -0,0447 0,1786
72 https://en.wikipedia.org/wiki/Principal_component_analysis
66
-0,0166 0,0031 -0,0036 -0,0107 -0,0188 0,0234 -0,0201 -0,0019 0,0118
-0,1824 0,0021 0,0953 0,0574 -0,1615 0,1823 0,0502 -0,0048 -0,0732
-0,0895 -0,0121 0,2417 0,1645 -0,2943 -0,1175 0,0371 0,1625 0,3908
-0,0579 0,1086 0,1472 0,0986 0,4013 0,1015 -0,1375 -0,1397 0,0147
0,1270 0,0397 -0,0519 -0,0395 0,0865 -0,1122 -0,0039 -0,0252 0,0569
0,2812 0,0447 -0,0881 -0,0202 -0,0469 -0,0376 0,0723 -0,0330 0,1173
0,0890 0,0450 -0,0189 -0,0260 -0,0493 -0,0692 0,1474 -0,1514 0,0075
-0,0404 0,0257 -0,0960 -0,0294 -0,0435 -0,0724 0,0831 -0,1183 0,0889
-0,0004 -0,0008 0,0011 0,0057 -0,0028 0,0017 -0,0032 0,0033 0,0049
0,0912 0,0479 -0,1648 -0,0399 0,0956 -0,0021 -0,1935 -0,0631 0,0418
0,0848 0,3779 -0,1086 0,0705 0,3691 0,3113 -0,1308 0,0707 0,1496
0,0877 0,2365 0,0419 -0,4577 -0,1131 0,0901 0,2526 -0,0930 -0,0378
-0,0255 -0,0526 0,0990 0,1337 -0,0570 0,0599 -0,0538 0,2705 0,2629
0,1443 0,1368 -0,1506 -0,1561 0,0532 -0,0981 -0,2922 -0,0966 -0,0247
-0,0643 -0,0657 0,0372 0,1705 -0,0694 -0,0824 0,2707 -0,1085 -0,0943
0,0359 -0,0640 0,0541 -0,0786 0,0036 0,0270 0,0234 -0,1907 -0,1176
0,1638 -0,3343 -0,0949 0,0601 -0,0520 -0,2674 -0,2345 -0,0100 0,0752
0,1264 0,1143 -0,1084 -0,1885 -0,1454 0,0744 -0,0360 0,2454 -0,1146
-0,2175 0,2696 0,0226 0,0152 0,2187 -0,1436 0,1981 -0,0219 0,3324
0,0731 -0,1141 -0,1737 -0,0567 -0,1020 0,0690 -0,1745 0,0394 0,1123
0,0620 -0,1407 -0,0466 -0,2069 -0,0403 0,1088 -0,0859 -0,0427 0,1295
0,1129 -0,2177 0,0793 0,0164 0,0134 0,1185 -0,1575 0,2854 0,0948
Sebbene le nove componenti principali possano risultare più adatte alla creazione di un
modello predittivo, esprimere nove componenti in funzione di 53 predittori non porta alcun
significativo vantaggio, impedendo di fatto di procedere verso un risultato capace di restituire
un algoritmo costruito con i parametri reali. Se la PCA può quindi aiutare nella creazione di
un modello con predittori "artificiali" e di dimensionalità ridotta, essa introduce un'astrazione
che ne rende l'utilizzo problematico e poco utile in relazione al problema trattato, inducendo
ad escludere ulteriori indagini in tale direzione. Trovandoci in presenza di un problema di
regressione, si sono inoltre valutate tutte quelle tecniche di supervised learning descritte in
letteratura come idonee a risolvere problemi analoghi. Si è quindi verificata la possibilità di
trattare il problema tramite algoritmi di Regressione Lineare, Decision Trees, Random
Forests, AdaBoost e Neural Network. Verificate le caratteristiche delle tecniche citate, la
Regressione Lineare appare l’unica correttamente applicabile al problema.
67
Decision Trees, Random Forests73, Adaboost74 e Neural Networks, sebbene correttamente
applicabili tanto a problemi di regressione quanto a problemi di classificazione, non sono
difatti adatte per un’applicazione a dataset di dimensioni ridotte.
In ragione di quanto esposto, la regressione lineare appare come l’unica tecnica applicabile.
La regressione è finalizzata alla creazione di una funzione tra una variabile indipendente
(anche detta predittore) e una variabile dipendente (anche chiamata variabile di risposta).
La regressione lineare (semplice o multipla) si basa su alcuni presupposti di base:
Le variabili predittive devono essere linearmente indipendenti
Gli errori sono incorrelati
La varianza dell'errore è costante (omoschedasticità).
Gli errori seguono una distribuzione normale.
Dato un vettore di input (con n predittori) XT = (X1, X2, ..., Xn), l’output Y sarà calcolato
attraverso il modello:
i = 1, 2, . . . , n
X Variabile Indipendente o Regressore
Y Variabile Dipendente
β0 Intercetta
β1 Pendenza
ui Errore della regressione. L’errore di regressione è costituito da fattori omessi. In generale questi fattori omessi sono
altri fattori, diversi dalla variabile X, che influenzano Y. L’errore di regressione include anche l’errore nella misura di Y.
73 Nel metodo Random forest si generano alberi multipli partendo sempre dallo stesso training set e scegliendo lo split ottimale in un sottoinsieme casuale degli split possibili. In questo modo ogni albero risulta diverso e si evitano polarizzazioni. La procedura consiste nel selezionare in modo casuale, ad ogni nodo di albero, un piccolo gruppo di variabili esplicative che verranno ispezionate per trovare il punto di suddivisione ottimale, secondo il criterio di crescita utilizzato. Attraverso tale metodo non verranno esplorati tutti i possibili punti di suddivisione, ma solo le variabili scelte casualmente. Le Random Forest forniscono inoltre un semplice meccanismo per stabilire una graduatoria di importanza delle variabili utilizzate (valutando il miglioramento in termini di purezza dei noti ad ogni split e pesando le variabili in base a tale valore).
74 La tecnica AdaBoost si basa sulla combinazione di diverse realizzazioni di uno stesso classificatore di base. Ad ogni punto viene assegnato un peso ed iterativamente costruiti dei modelli dipendenti dai pesi. Ad ogni iterazione i pesi sono modificati. In particolare, quelli relativi ai campioni maggiormente sbagliati vengono incrementati e quelli relativi ai campioni classificati correttamente decrementati. L’algoritmo è così forzato a “concentrarsi” sui campioni più difficili. Il classificatore finale è ottenuto con una votazione pesata dei modelli realizzati. L'algoritmo AdaBoost è uno dei metodi di boosting più utilizzati e di maggior successo, ma, mentre preserva la sua generale e pratica applicabilità, fornendo ottime prestazioni su dati non rumorosi, lavori teorici e pratici mostrano che può incorrere nel problema del sovrapprendimento (overfitting) e risultare quindi poco adatto a dataset di dimensioni ridotte.
68
In un contesto inferenziale si ipotizza anche che gli errori abbiano una varianza costante, e
che quindi la loro variabilità non sia legata ai valori assunti dalla y o dalla x.
La bontà dell’adattamento della regressione ai dati può essere verificata tramite alcune
misure di validità:
R2 della regressione misura la frazione della varianza di Y spiegata da X; è priva di unità
e può variare tra zero (nessun adattamento) e uno (perfetto adattamento);
L’errore standard della regressione (SER) misura la dimensione di un tipico residuo
di regressione nelle unità di Y.
Per misurare la bontà di adattamento della retta, si usa generalmente l’indice R2, che è al
tempo stesso il quadrato del coefficiente di correlazione tra x e y, ed il rapporto tra devianza
spiegata dalla retta e devianza totale.
Nel costruire il modello di regressione, si è preferito procedere ad un’analisi “manuale” dei
predittori, finalizzata a verificare il relativo grado di correlazione con il parametro K. Data
l’impossibilità di ipotizzare una formula lineare a priori, si è scelto di applicare, tra i
69
coefficienti di correlazione maggiormente usati, il coefficiente ρ di Spearman e il 𝜏 di Kendall.
Tra i due, data la cardinalità dei dati, 𝜏 sarebbe da preferire75.
Assumendo che il dataset sia rappresentato dalla matrice DATI e i nomi dei predittori dal
vettore NOMI, è possibile calcolare in ambiente Matlab quali variabili siano più correlate
Tabella 14 – Correlazione (Kendall) ~ K
Predittore
Vi tau
Birth rate. crude (per 1.000 people) 4 -0,867
Cause of death. by communicable diseases and maternal. prenatal and nutrition conditions (% of
total) 7 -0,809
Cause of death. by non-communicable diseases (% of total) 6 0,778
Fertility rate. total (births per woman) 13 -0,778
Fixed telephone subscriptions (per 100 people) 14 0,778
Lifetime risk of maternal death (%) 27 -0,750
Births attended by skilled health staff (% of total) 5 0,733
FSI Modificato 45 -0,733
Improved water source (% of population with access) 23 0,689
Access to clean fuels and technologies for cooking (% of population) 1 0,659
Contraceptive prevalence. any methods (% of women ages 15-49) 9 0,644
75 "Insensitive to error. P values are more accurate with smaller sample sizes." (http://www.statisticssolutions.com/kendalls-tau-and-spearmans-rank-correlation-coefficient/)
70
Life expectancy at birth. total (years) 26 0,644
LPI RANK 43 0,644
Population growth (annual %) 34 -0,600
Mortality rate. neonatal (per 1.000 live births) 28 -0,584
Access to electricity (% of population) 2 0,552
Adolescent fertility rate (births per 1.000 women ages 15-19) 3 -0,511
Improved sanitation facilities (% of population with access) 24 0,511
Incidence of tuberculosis (per 100.000 people) 25 -0,511
Pil pro capite 46 0,511
Health Expenditure per Capita 47 0,511
Con l’esclusione della spesa sanitaria pro capite, i restanti predittori legati ai livelli di spesa
sanitaria risultano inoltre assai poco correlati con la variabile dipendente.
Il parametro K sembra effettivamente comportarsi come fattore di "sviluppo" dei Paesi
analizzati, data la sua stretta relazione (di segno positivo) con alcuni parametri di sviluppo
quali l’Aspettativa di vita media alla nascita (0,644), il Pil pro capite (0,511), la Spesa
Sanitaria pro capite (0,511), l’LPI Rank (+ 0,644), la percentuale della popolazione con
accesso a servizi igienico-sanitari(0,511), la percentuale di popolazione con accesso a
risorse idriche di qualità (+ 0,689) e la percentuale di nascite seguite da personale sanitario
qualificato (+ 0,733). Parametri demografici quali il Tasso di Natalità e il Tasso di Fertilità
appaiono invece correlati negativamente a K.
Procedendo nella costruzione del modello si segnala che le ipotesi nell’ambito della
regressione lineare multipla possono essere verificate per testare la significatività statistica:
Del modello nel suo insieme, attraverso il test statistico F basato sul rapporto tra
varianza spiegata dal modello e varianza residua. Se il p-value osservato è minore del
p-value teorico (solitamente 0.05) il modello utilizzato spiega una quota significativa di
varianza del fenomeno.
Dell’inserimento di un nuovo predittore nel modello in termini di miglioramento della
varianza spiegata, attraverso il test t di student con n-2 gradi di libertà. Se il p-value
osservato è minore del p- value teorico (solitamente 0.05) il predittore spiega una quota
significativa della varianza di Y.
Dei singoli predittori all’interno di un modello.
71
La correlazione restituisce 21 predittori per cui, verificato il p-value, è possibile rifiutare
l’ipotesi nulla.
I predittori possono essere usati per il mining di una formula (lineare o meno).
Considerato quanto già esposto al punto 5, il procedimento per individuare l’algoritmo di
resilienza è stato condizionato da alcune criticità e, in particolare:
a) La presenza di predittori multipli ha impedito di formulare un’ipotesi in merito alla formula
(non lineare) di resilienza. Nell'ipotizzare un algoritmo è infatti necessario tenere conto
non solo del confounding76, ma anche del fatto che l'operatore solitamente si muove in
base alla semantica dei predittori. Purtroppo tale approccio non è applicabile in
un'analisi il cui la variabile dipendente è influenzata in modo non intuitivo dai predittori.
b) Qualsiasi procedura di data mining (reti neutrali, modellazione statistica, algoritmi
genetici, ecc.) risulterebbe fortemente soggetta a overfitting.
In riferimento al punto a) si segnala l’esistenza di software77 e tecniche di machine learning
capaci di superare il problema relativo alla creazione di un modello parametrico. È tuttavia
necessario precisare che tali tecniche risultano adatte solo a dataset con cardinalità
consistenti e sono, di conseguenza, assai poco applicabili nel caso in esame.
Il mining di un algoritmo di resilienza si è dimostrato, come da aspettative, un problema di
non facile trattazione. Consapevoli di proporre un approccio che si configura come punto di
partenza di una ricerca più estesa, si è deciso quindi di procedere (sull’unica strada
attualmente percorribile) con un’analisi dell’influenza lineare dei predittori sul parametro K,
per verificare la possibilità di costruire un modello (lineare) capace di restituire valori
accettabili di resilienza sanitaria.
Ciò che ci si si propone non è tanto ottenere una formula lineare (che pur essendo il punto
di arrivo della ricerca appare poco giustificabile in relazione all’evidente complessità
dell’oggetto di analisi che suggerirebbe una formula non lineare), quanto piuttosto creare un
modello e analizzarne la predittività. L’analisi proposta è quindi un’evidente, ma necessaria,
semplificazione che permette di analizzare alcuni aspetti del problema e di giungere a
conclusioni che, seppur attese, possano costituire una base solida per procedere a future
ricerche di carattere più approfondito.
76 http://sphweb.bumc.bu.edu/otlt/mph-modules/bs/bs704_multivariable/BS704_ Multivariable_print.html
77 https://www.nutonian.com/products/eureqa/
72
4. 2 Un modello lineare
Considerato il numero di osservazioni assai limitato78, il modello lineare può essere costruito
usando un massimo di 8 predittori79. La correlazione tra i predittori raccolti e il K è stata
effettuata sia sull’intero dataset che su un ds ridotto dimensionalmente in seguito a verifica
di correlazione tra i predittori.
La regressione effettuata considerando l’intero dataset (coefficiente di Pearson) ha
permesso di selezionare per valore assoluto del coefficiente r i primi 8 predittori
significativamente (p-value<0,05) correlati con il parametro K.
Tabella 15
Predittore Vi r
FSI Modificato 44 -0,914
Birth rate. crude (per 1.000 people) 4 -0,903
LPI RANK 43 0,882
Cause of death. by non-communicable diseases (% of total) 6 0,871
Fertility rate. total (births per woman) 13 -0,862
Fixed telephone subscriptions (per 100 people) 14 0,858
Population growth (annual %) 34 -0,843
Cause of death. by communicable diseases and maternal. prenatal and nutrition
conditions (% of total) 7 -0,830
Fatta esclusione per l’FSI di cui si dirà approfonditamente di seguito, i risultati della ricerca
permettono di fare alcune interessanti considerazioni.
A differenza di quanto atteso, i predittori di carattere strettamente sanitario non appaiono i
più significativi in relazione al parametro K. Come evidenziato nella tabella 13 solo alcuni
predittori sanitari risultano correlati al parametro di resilienza, con l’importante esclusione
relativa ad alcuni parametri quali la copertura vaccinale, il numero di letti d’ospedale e il
numero di medici che, pur presenti nel dataset, non restituiscono alti coefficienti di
correlazione.
78 10 osservazioni esclusi Hong Kong e Corea del Sud 79 in modo da evitare che il sistema da risolvere sia rango deficiente: un intercetta, otto coefficienti
e una variabile dipendente).
73
Creando un modello lineare con gli 8 predittori si ha
>> FIT_TUTTI = fitlm(DATI_TABELLATI, 'k~1+v45+v4+v43+v6+v13+v14+v34+v7')
FIT_TUTTI = Linear regression model:
k ~ 1 + v4 + v6 + v7 + v13 + v14 + v34 + v43 + v45
Estimated Coefficients:
Estimate SE tStat pValue
_________ ________ _______ ________
(Intercept) -0.44445 0.086934 -5.1125 0.12297
v4 -2.3545 0.1489 -15.813 0.040207
v6 1.5343 0.11811 12.991 0.048909
v7 0.96432 0.13469 7.1598 0.088344
v13 2.7091 0.10182 26.607 0.023916
v14 0.10851 0.020438 5.3096 0.11851
v34 -1.0877 0.12604 -8.6301 0.073439
v43 -0.19597 0.032117 -6.1018 0.10341
v45 -0.044523 0.023787 -1.8717 0.31238
Number of observations: 10, Error degrees of freedom: 1
Root Mean Squared Error: 0.00331
R-squared: 1, Adjusted R-Squared 1
F-statistic vs. constant model: 3.36e+03, p-value = 0.0133
I predittori che passano il test dell'ipotesi nulla sono il v4 (Birth rate), il v6 (Cause of death.
by non-communicable diseases) ed il v13 (Fertility rate). Si rileva quindi nuovamente una
netta prevalenza di predittori di carattere demografico.
Creando un modello lineare con i tre parametri selezionati abbiamo
>> FIT_TRE = fitlm(DATI_TABELLATI, 'k~-1 +v4 + v6+ v13')
FIT_TRE =
Linear regression model:
k ~ v4 + v6 + v13
Estimated Coefficients:
Estimate SE tStat pValue
________ ________ _______ __________
v4 -1.5253 0.62196 -2.4524 0.043952
v6 0.73432 0.047513 15.455 1.1461e-06
v13 1.7588 0.72384 2.4299 0.045429
Number of observations: 10, Error degrees of freedom: 7
Root Mean Squared Error: 0.0738
74
Corrispondente alla formula
𝒌 = −𝟏. 𝟓𝟑 ⋅ 𝒗𝟒 + 𝟎. 𝟕𝟑 ⋅ 𝒗𝟔 + 𝟏. 𝟕𝟔 ⋅ 𝒗𝟏𝟑
La formula lineare restituisce i seguenti valori di K
Country Name K K ~ -1 + v4 + v6 + v13
Canada 0,7300 0,6409
China 0,5760 0,5261
Colombia 0,4510 0,4385
Guinea 0,2750 0,2396
Korea. Rep. 0,309 0,5519
Liberia 0,2050 0,2124
Mexico 0,4390 0,4708
Saudi Arabia 0,3170 0,4676
Sierra Leone 0,1960 0,1570
United Arab Emirates 0,6260 0,6446
Brazil 0,4660 0,4376
Il modello non appare convincente, né per i valori predetti né in relazione alle misure di
valutazione. A fronte di valori accettabili relativi al p-value, è inoltre presente un elevato
valore dell’RMSE.
L’esiguità dei dati, tanto in relazione al numero di osservazioni (10 con esclusione di Hong
Kong e della Corea del Sud), quanto in riferimento ai predittori (che pur numerosi in partenza
sono stati eliminati per mancanza di dati raccolti per tutti i Paesi di riferimento) sembra
essere il principale ostacolo e il principale limite ad una solida elaborazione del modello.
L’esiguità di informazioni disponibili ha inoltre impedito di creare un validation set per
procedere alla cross-validation dei modelli proposti.
Complessivamente i predittori selezionati combinati in modello lineare non sembrano
riuscire a rappresentare adeguatamente il K.
Il procedimento è stato ripetuto nuovamente riducendo le dimensioni del dataset.
Verificata la correlazione tra i predittori80, si è ottenuto il seguendo risultato
80 Correlazione verificata tra coppie di predittori usando il Coefficiente di Pearson e selezionando le sole correlazioni con coefficiente > 0,95.
75
Incrociando le correlazioni tra i predittori, e le correlazioni tra gli stessi ed il parametro K, si
è quindi ridotto il dataset selezionando, per ciascuna coppia di parametri correlati, il
parametro con più alto coefficiente di correlazione rispetto alla variabile dipendente come
da tabella che segue.
I parametri selezionati sono quindi stati aggiunti ai restanti predittori NON correlati tra loro.
Maternal mortality ratio (modeled estimate, per 100,000 live births)
Improved sanitation facilities (% of population with access)
Improved water source (% of population with access)
People using basic sanitation services (% of population)
Births attended by skilled health staff (% of total)
Birth rate, crude (per 1,000 people)
Access to clean fuels and technologies for cooking (% of population)
Cause of death, by communicable diseases and maternal, prenatal and nutrition conditions (% of total) Cause of death, by non-communicable diseases (% of total)
Immunization, measles (% of children ages 12-23 months)
Access to electricity (% of population)
Population in urban agglomerations of more than 1 million(% of total population)
Life expectancy at birth, total (years) [SP.DYN.LE00.IN]
76
Nel nuovo modello è stata inoltre eliminata l’osservazione relativa all’Arabia Saudita81,
considerata potenzialmente distorsiva a causa del forte peso ipotizzato per i fattori culturali
in relazione all’epidemia MERS.
Effettuata la regressione su 9 osservazioni, otteniamo i predittori per cui è possibile rifiutare
l’ipotesi nulla (p-value < 0,05).
Dato il numero di osservazioni, è possibile impiegare un massimo di 7 predittori.
Tabella 16 – Correlazione (Pearson) 9 osservazioni
81 La regressione lineare multipla con dataset ridotto (eliminando i predittori tra loro correlati con un coefficiente > 0,95 è stata effettuata anche su 10 osservazioni, restituendo un risultato non significativo (p-value > 0,05).
Predittore Vi r
FSI Modificato 45 -0,9736
Birth rate. crude (per 1.000 people) 4 -0,9331
LPI RANK 43 0,9232
Cause of death. by non-communicable diseases (% of total) 6 0,9231
Adolescent fertility rate (births per 1.000 women ages 15-19) 3 -0,9209
Cause of death. by communicable diseases and maternal. prenatal and nutrition conditions (% of
total) 7 -0,9033
Fertility rate. total (births per woman) 13 -0,8937
Improved sanitation facilities (% of population with access) 24 0,8912
Births attended by skilled health staff (% of total) 5 0,8820
Life expectancy at birth. total (years) 26 0,8799
People using basic sanitation services (% of population) 32 0,8736
Access to electricity (% of population) 2 0,8724
Fixed telephone subscriptions (per 100 people) 14 0,8622
Incidence of tuberculosis (per 100.000 people) 25 -0,8563
Lifetime risk of maternal death (%) 27 -0,8451
Population growth (annual %) 34 -0,8405
Access to clean fuels and technologies for cooking (% of population) 1 0,8328
Mortality rate. neonatal (per 1.000 live births) 28 -0,8290
Physicians (per 1.000 people) 33 0,8281
Improved water source (% of population with access) 23 0,8190
People using basic drinking water services (% of population) 31 0,7996
Pil pro capite 46 0,7687
Health Expenditure per Capita 47 0,7675
Depth of the food deficit (kilocalories per person per day) 11 -0,7628
Hospital beds (per 1.000 people) 42 0,7475
77
Notiamo qui come, con l’esclusione dell’Arabia Saudita, alcuni predittori di carattere
sanitario, in particolare il numero di medici e il numero di letti di ospedale, mostrano una
correlazione con il parametro K superiore rispetto a quanto registrato nel modello a 10
osservazioni. Il dato potrebbe confermare la scelta di escludere il caso saudita dalle
osservazioni e la collegata ipotesi di forte rilevanza dei fattori culturali. I risultati non possono
tuttavia essere considerati come una conferma oggettiva delle ipotesi citate: lo scarso
numero di osservazioni disponibili rende infatti il modello fortemente dipendente da qualsiasi
variazione, impedendo una valutazione accurata dell’output.
Dopo aver ridotto il dataset verificando la correlazione tra coppie di predittori individuati, il
modello è stato costruito selezionando82 7 variabili indipendenti83.
82 Tra le coppie di predittori correlati con coefficiente maggiore di 0,95 è stato scelto il valore che mostrava maggiore correlazione rispetto al K
83 con l’esclusione dell’FSI trattato autonomamente di seguito
Immunization. measles (% of children ages 12-23 months) 22 0,7396
Health expenditure. private (% of GDP) 15 -0,7199
Death rate. crude (per 1.000 people) 10 -0,6965
Health expenditure. public (% of total health expenditure) 18 0,6961
Birth rate. crude (per 1.000 people) 4 -0,9331
LPI RANK 43 0,9232
Cause of death. by non-communicable diseases (% of total) 6 0,9231
Adolescent fertility rate (births per 1.000 women ages 15-19) 3 -0,9209
Improved sanitation facilities (% of population with access) 24 0,8912
Incidence of tuberculosis (per 100.000 people) 25 -0,8563
Pil pro capite 46 0,7687
78
Costruendo il modello con i parametri selezionati otteniamo
>> FIT_TUTTI = fitlm(DATI_TABELLATI, 'k~1+v4+v43+v6+v3+v24+v25+v46')
FIT_TUTTI =
Linear regression model:
k ~ 1 + v3 + v4 + v6 + v24 + v25 + v43 + v46
Estimated Coefficients:
Estimate SE tStat pValue
_________ _______ ________ _______
(Intercept) 0.45959 0.64796 0.70929 0.60725
v3 -0.077266 0.75385 -0.10249 0.93498
v4 -0.14661 0.69028 -0.21239 0.86677
v6 0.67664 0.89143 0.75905 0.58666
v24 -0.6027 0.56584 -1.0651 0.47993
v25 -0.65616 0.76884 -0.85344 0.55024
v43 0.018797 0.29377 0.063985 0.95932
v46 0.74392 0.65371 1.138 0.45896
Number of observations: 9, Error degrees of freedom: 1
Root Mean Squared Error: 0.0675
R-squared: 0.984, Adjusted R-Squared 0.87
F-statistic vs. constant model: 8.62, p-value = 0.257
A differenza di quanto visto in precedenza, il modello costruito su nove osservazioni appare
non significativo. Il risultato dipende probabilmente da un numero di informazioni
estremamente limitato che influisce significativamente sul p-value.
Le caratteristiche di entrambi i modelli di regressione lineare multipla (a 9 e 10 osservazioni)
non appaiono convincenti, né in relazione ai valori di K predetti, né considerate le misure di
validità. Entrambi permettono tuttavia di fare alcune importanti considerazioni in merito ai
risultati ottenuti. In particolare, se, da un lato, i fattori di carattere sanitario sembrano avere
complessivamente meno rilevanza rispetto ad altri predittori di carattere demografico,
entrambi i modelli restituiscono alti coefficienti di correlazione tra il parametro di resilienza
e tutti quei predittori capaci di descrivere lo stato di sviluppo dei Paesi analizzati. I predittori
demografici correlati a K sono generalmente considerati buoni indicatori del grado di
sviluppo nazionale. La composizione demografica mostra infatti forti variazioni in relazione
al PIL e al grado di sviluppo, con tassi di fertilità e di mortalità maggiori in quei Parsi che
mostrano bassi livelli di sviluppo e reddito pro capite84.
In merito ai predittori di carattere sanitario, la spesa sanitaria pubblica e la spesa sanitaria
pro capite mostrano, nel modello a 9 osservazioni, un buon coefficiente di correlazione
(positivo) con la variabile dipendente.
84 https://it.wikipedia.org/wiki/Transizione_demografica
79
È interessante notare come il parametro di resilienza sia correlato negativamente (-0,719)
con la spesa sanitaria privata85 misurata come percentuale del GDP.
Indicatori compositi come il Fragile State Index (FSI) e il Logistic Performance Index (LPI)86,
mostrano il più alto coefficiente di correlazione (rispettivamente negativo e positivo) con il
parametro di resilienza, confermando l’ipotesi di un andamento del parametro K fortemente
legato al grado di sviluppo nazionale.
In particolare, l’alta correlazione tra K e l’LPI indica che il livello di resilienza sanitaria
potrebbe risultare assai sensibile ad interventi (migliorativi e peggiorativi) rivolti al sistema
infrastrutturale ed alla capacità logistica nazionale.
Il legame esistente tra livello di sviluppo infrastrutturale e resilienza sanitaria è confermato
dalla presenza di altri parametri di carattere infrastrutturale fortemente correlati alla variabile
dipendente. Ci si riferisce, in particolare, alla percentuale di popolazione con accesso ai
servizi igienico-sanitari di base (+0,873) e avanzati (+0,891), all’elettricità (+0,872), a fonti
idriche di alta qualità (+0,819) e a combustibili e tecnologie per la cottura dei cibi (+0,832).
Tutti i predittori menzionati risultano inoltre fortemente correlati tra loro (seppur con
coefficiente di correlazione <0,95). Il dato suggerisce l’opportunità di effettuare ulteriori e più
approfondite indagini che, tramite Social Network Analysis da effettuarsi sugli specifici
sistemi infrastrutturali nazionali, possano individuare i nodi con maggior grado di centralità.
85 La spesa sanitaria privata comprende le spese familiari, le assicurazioni private, i fondi messi a disposizione da organizzazioni di beneficienza e le spese effettuate dalle società private.
86 https://lpi.worldbank.org/international/global
80
Data la correlazione tra i parametri menzionati e il parametro di resilienza (e data l’alta
correlazione dei parametri tra di loro), è possibile infatti ipotizzare che, una volta individuati
i nodi centrali, eventuali interventi sugli stessi possano restituire un risultato di carattere
sistemico tanto sugli altri nodi, quanti sul livello complessivo di resilienza sanitaria. L’analisi
citata, seppur non attuabile su scala generale, potrebbe restituire ottimi risultati in
concomitanza con analisi approfondite volte a valutare i livelli di resilienza e i potenziali
interventi da attuare in specifici Paesi di interesse.
Nonostante la presenza di alcune importanti indicazioni sulla strada da intraprendere per
procedere nella ricerca, il modello di regressione lineare multipla presentato non appare,
tuttavia, soddisfacente.
A riguardo potrebbe essere utile ripetere i passaggi descritti in presenza di un maggior
numero di osservazioni e procedendo ad una raccolta informativa mirata ad ottenere
informazioni specifiche sui sistemi nazionali sanitari. Nuovi parametri raccolti per lo scopo
rappresenterebbero certamente un punto di partenza migliore rispetto ai dati (generici e
spesso non completi) disponibili su fonte aperta e permetterebbero di inglobare un maggior
numero di informazioni utili nella costruzione dell’algoritmo.
Come atteso, l’esiguo numero di osservazioni ha fortemente limitato le possibilità di valutare
il modello. L’idea iniziale di dividere il dataset in due distinti ds (train e test) è stata
abbandonata a causa dell’esiguo numero di osservazioni rimaste dopo l’eliminazione di
Hong Kong (per mancanza di dati) e della Corea del Sud (per valore eccessivamente
distorsivo rispetto ai risultati attesi), impedendo così di procedere con la cross-validation. In
particolare, è evidente come un’ampia base dati risulti fondamentale per ottenere un
modello significativo. Si segnala di conseguenza l’opportunità di riapplicare il metodo
presentato nel lavoro ad un maggior numero di osservazioni relative agli outbreak
epidemiologici. In particolare, se si dovesse individuare una strada per ottener un dataset di
dimensioni adeguate (almeno 50 osservazioni), si potrebbe procedere applicando tecniche
di mining automatizzate capaci di restituire risultati statisticamente più significativi.
In relazione a quanto esposto, nella fase finale del lavoro si procederà a definire un piano
di raccolta informativa che possa risultare utile per sviluppare in futuro un modello di
maggiore precisione ed accuratezza.
Di seguito verrà invece presentato un secondo modello lineare semplice, costruito con il
solo Fragile State Index (FSI).
L’FSI è un indice costruito per misurare la fragilità statale di tutti quei Paesi per cui sono
disponibili sufficienti informazioni. L’indice è costruito a partire da 12 sottoindicatori; ogni
indicatore viene valutato su una scala da 0 a 10, dove 0 è il punteggio minimo e 10 l'intensità
81
massima, indice di massima fragilità. Gli indicatori combinati tra loro permettono di
classificare gli Stati valutandone la fragilità su una scala compresa tra 0 e 12087.
I sottoindicatori che compongono l’indice sono divisi per categoria, con quattro indicatori di
carattere sociale, due di carattere economico e sei di carattere politico.
Indicatori Sociali:
1. Demographic Pressures: l’indicatore misura le pressioni derivanti dalla densità di
popolazione, relative, ad esempio, alle difficoltà di approvvigionamento delle risorse
idriche e alimentari. L’indicatore comprende inoltre valutazioni relative all’incidenza di
malattie, ai disastri naturali ed ai rischi ambientali. Il punteggio misura la volontà e
capacità dei governi nazionali risposta del governo ai fenomeni citati.
2. Refugees and Internally Displaced Persons (IDPs): il parametro misura le pressioni
legate agli spostamenti della popolazione in ingresso e in uscita. L’indicatore coinvolge
dati relativi alla presenza di campi profughi, di rifugiati e sfollati.
3. Group Grievance: l’indicatore misura l’esistenza all’interno del Paese di tensioni o
violenze tra gruppi etnici, razziali o religiosi capaci di compromettere le condizioni di
sicurezza. L’indicatore comprende inoltre misure relative alla discriminazione, alla
violenza etnica ed alla violenza religiosa.
4. Human Flight and Brain Drain: l’indicatore comprende misure relative al tasso di
migrazione della popolazione, con particolare riferimento alla popolazione istruita ed alla
fuga di cervelli.
Indicatori Economici:
5. Uneven Economic Development: l’indicatore misura la disuguaglianza esistente
all’interno dei gruppi e la disuguaglianza percepita dalla popolazione in riferimento a
istruzione, livelli occupazionali e status economico.
6. Poverty and Economic Decline: l’indicatore include valutazioni su parametri come il
Prodotto Interno Lordo, il disavanzo economico, la disoccupazione e l’inflazione.
Indicatori Politici:
87 http://www.fundforpeace.org/web/index.php?option=com_content&task=view&id=102&Itemid= 327
82
7. State Legitimacy: l’indicatore misura la corruzione e la mancanza di rappresentatività
delle autorità nazionali. Esso comprende valutazioni in merito alle condizioni
democratiche del Paese, all’economia sommersa, alle proteste ed alle manifestazioni
popolari.
8. Public Services: l’indicatore misura la capacità dello Stato di rispondere alle esigenze
di base della sua popolazione. Sono comprese valutazioni in merito allo stato di tutti i
servizi essenziali, ivi inclusa l’assistenza sanitaria, l’istruzione, i servizi igienico-sanitari,
il trasporto pubblico e le forze di polizia.
9. Human rights and rule of law: l’indicatore misura il grado di rispetto dei diritti politici e
sociali, la libertà di stampa, la politicizzazione della magistratura e la repressione degli
oppositori politici.
10. Security Apparatus: l’indicatore misura la presenza di un apparato di sicurezza
eccessivamente presente all’interno del Paese, inglobando considerazioni relative
all’uso della forza, ai conflitti interni, ai colpi di stato militari, ed all’emergere di milizie
private sostenute dallo Stato.
11. Factionalised Elites: l’indicatore misura la presenza nel Paese di élite in conflitto tra
loro, di lotte per il potere e di frammentazione interna.
12. External Intervention: l’indicatore misura l’intervento di attori esterni, considerando
tutte le diverse forze di assistenza straniera, la misura di missioni di pace o missioni
militari e la presenza di eventuali sanzioni internazionali.
I punteggi vengono ottenuti tramite un processo che include analisi del contenuto,
elaborazione di dati quantitativi e una successiva fase di revisione qualitativa. Nell'analisi
del contenuto vengono valutate informazioni provenienti da oltre 100.000 fonti.
Valutati insieme all’indice complessivo, gli indicatori permettono di analizzare lo stato di
vulnerabilità di un Paese rispetto a specifiche caratteristiche dello stesso.
83
Verificato l’alto coefficiente di correlazione88 (0,64) esistente tra l’FSI pubblicato dal Fund
For Peace e il Parametro K, si è deciso di procedere raccogliendo i dati relativi ai singoli
sottoindicatori dell’FSI per ciascun Paese in analisi89. I dati normalizzati, sono stati correlati
con il parametro K per verificare la correlazione esistente tra la variabile dipendente e
ciascuno degli indicatori che compongono l’Indice di Fragilità.
Demographic Pressures -0.4949683
Refugees and IDPs -0.6120553
Group Grievance -0.4586852
Human Flight -0.6424332
Uneven Development -0.2683435
Poverty and Economic Decline -0.7530956
Legitimacy of the State -0.4368384
Public Services -0.6214663
Human Rights -0.2294870
Security Apparatus -0.4938782
Factionalized Elites -0.6610254
External Intervention -0.8767016
Come atteso, la correlazione ha restituito coefficienti di solo segno negativo; si è quindi
deciso di procedere selezionando solo quegli indicatori con valore di correlazione maggiore
di 0,5.
88 Kendall 89 Valori raccolti in riferimento ai periodi degli outbreak epidemiologici analizzati
84
Tra i sottoindicatori selezionati, è interessante notare l’assenza dell’indicatore Demographic
Pressures che si presentava, tra i componenti dell’FSI, come il più idoneo a descrivere lo
stato dei sistemi sanitari nazionali. L’assenza dell’indicatore e la presenza di altri parametri
che apparentemente poco rilevanti, non deve tuttavia sorprendere.
Se da un lato non si può analizzare il risultato in mancanza di informazioni precise circa le
modalità di costruzione dei sottoindicatori che compongono l’Indice di Fragilità Statale,
dall’altro è possibile ipotizzare che il risultato dipenda dalla natura composita degli stessi.
La costruzione di un nuovo FSI modificato per meglio adattarsi al problema in analisi è stata
effettuata servendosi dell’applicazione messa a disposizione dal Fund For Peace90. Il nuovo
FSI modificato, inserito nel dataset è stato costruito considerando (con egual peso) i soli
sottoindicatori con alto coefficiente di correlazione.
Messo in relazione con i valori di K, l’FSI ha restituito un coefficiente di correlazione pari a -
0,782 (con Coefficiente di Kendall) e pari a –0,9736 (con Coefficiente di Pearson).
Dopo la normalizzazione dei dati raccolti si è quindi costruito un nuovo modello di
regressione lineare semplice sul solo Fragile State Index, considerando 9 osservazioni91.
>> FIT_FSI = fitlm(DATI_TABELLATI, 'k~1+v45')
FIT_FSI =
Linear regression model:
k ~ 1 + v45
Estimated Coefficients:
Estimate SE tStat pValue
________ ________ _______ __________
90 http://fundforpeace.org/fsi/myfsi/myfsi-country-analysis/ 91 Sono stati esclusi per le ragioni già esposte Hong Kong, Arabia Saudita e la Corea del Sud.
85
(Intercept) 0.83648 0.057698 14.498 1.7719e-06
v45 -0.69546 0.093428 -7.4438 0.00014398
Number of observations: 9, Error degrees of freedom: 7
Root Mean Squared Error: 0.067
R-squared: 0.888, Adjusted R-Squared 0.872
F-statistic vs. constant model: 55.4, p-value = 0.000144
Il modello è statisticamente significativo (p-value < 0.05), R2 indica inoltre una buona
capacità predittiva. L’RMSE è tuttavia piuttosto elevato, pari a circa il 7% del valore massimo.
La formula individuata
𝑹𝑺𝒈 = 𝟎. 𝟖𝟒 − 𝟎. 𝟕𝟎 ⋅ 𝐅𝐒𝐈
(k = 0.84 – 0.70 * v45)
Restituisce i seguenti valori del parametro K
Country Name K K ~ 1 + FSI
Canada 0,7500 0,7338
China 0,5760 0,4457
Colombia 0,4510 0,4013
Guinea 0,2750 0,2473
Korea. Rep. 0,3090 0,7049
Liberia 0,2050 0,2415
Mexico 0,4390 0,4492
Saudi Arabia 0,3170 0,5833
Sierra Leone 0,1960 0,2648
United Arab Emirates 0,6260 0,6615
Brazil 0,4660 0,5273
Pur in presenza di problemi del tutto analoghi a quelli già esposti, le misure di valutazione e
i risultati del modello appaiono significativi e più accettabili di quanto visto con il modello di
regressione lineare multipla.
In particolare, il modello restituisce valori di K per la Corea del Sud e l’Arabia Saudita in
linea con quanto ipotizzato in relazione all’intervento dei fattori culturali.
I due modelli presentati possono essere considerati come un primo punto di partenza
metodologico capace di predire la Resilienza Sanitaria dei Paesi di interesse.
86
Valutando i risultati ottenuti, la maggiore semplicità e accuratezza delle predizioni del
modello di regressione semplice portano a preferire quest’ultimo.
La formula individuata permette, in particolare, di misurare con estrema semplicità la
Resilienza Sanitaria a partire da un indice92 ormai ampiamente riconosciuto quale valida
misura dei diversi gradi di vulnerabilità nazionale.
Nonostante la compatibilità dei risultati con i valori attesi, si segnala che la formula di
regressione individuata 𝑅𝑆 = 0.84 − 0.70 ⋅ 𝐹𝑆𝐼, risente inevitabilmente di limitazioni
metodologiche legate tanto all’esiguità dei dati disponibili, quanto alla priorità accordata
nell’analisi ad eventi di tipo epidemiologico. A riguardo si delineerà nel paragrafo seguente
un’ipotesi di piano di raccolta informativa finalizzato a ad ottenere informazioni più specifiche
sul problema analizzato, in attesa di nuovi eventi che possano essere valutati con il metodo
proposto.
Conclusioni
In ragione di quanto esposto si ritiene di poter considerare valido come primo risultato della
ricerca, l’algoritmo 𝑅𝑆𝑔 = 0.84 − 0.70 ⋅ FSI. Con RSg definito per descrivere il grado di
Resilienza Sanitaria strutturale.
L’algoritmo andrà poi integrato inserendo un ulteriore parametro rappresentativo dei fattori
culturali capaci di condizionare la risposta sistemica. Il valore di c, attribuito sulla base di
valutazioni qualitative e conoscenza degli eventi avversi e delle specificità nazionali,
permetterà di predire il livello di Resilienza Sanitaria secondo la formula
𝑹𝑺𝒔 = 𝑹𝑺𝒈 ∗ 𝟏
𝒄
Nella costruzione del modello si è ipotizzato che c possa assumere valori compresi tra 0,5
(variazione positiva nel grado di risposta del sistema) e 2,5 (significativa riduzione della
capacità di risposta, con un valore di resilienza ridotto di oltre ½ rispetto al valore strutturale
di partenza). Nel caso in cui si ritenga che i fattori culturali non intervengano in alcun modo
nel modificare il grado di resilienza si assegnerà a c valore 1. Il valore del parametro
dipende, come già accennato, da un’analisi di carattere qualitativo, condizionata dalla
conoscenza dello specifico evento sanitario di interesse e del Paese di riferimento.
92 Fragile State Index modificato come descritto
87
La capacità di risposta dei sistemi sanitari nazionali potrà quindi essere valutata, in questa
prima fase, tramite l’algoritmo
𝑹𝑺𝒔 = 𝟎. 𝟖𝟒 − 𝟎. 𝟕𝟎 ⋅ 𝑭𝑺𝑰 ∗ 𝟏
𝒄
Applicando la formula ai due casi saudita e coreano93 (esclusi in fase di costruzione del
modello per l’ipotesi relativa al rilevante ruolo dei fattori culturali) possiamo stimare c
comparando il parametro K ottenuto in seguito ad analisi degli outbreak epidemiologici, e lo
stesso parametro calcolato con la formula individuata.
Per la Corea del Sud avremo che
𝟎. 𝟑𝟎𝟗 = 𝟎, 𝟕𝟎𝟒𝟗 ∗ 𝟏
𝒄
𝐷𝑎 𝑐𝑢𝑖
𝒄𝑲𝒐𝒓𝑴𝒆𝒓𝒔 = 2,28
Per l’Arabia Saudita avremo invece che
𝟎. 𝟑𝟏𝟕 = 𝟎, 𝟓𝟖𝟑𝟑 ∗ 𝟏
𝒄
𝐷𝑎 𝑐𝑢𝑖
𝒄𝑲𝑺𝑨𝑴𝒆𝒓𝒔 = 1,83
La formula applicata a ciascun Paese dopo aver calcolato94 l’FSI95 modificato come da
indicazioni, restituisce i seguenti risultati
Rank Country FSImod RSg
1 Australia 17,68163265 0,74 2 Norway 19,68979592 0,73
93 N.B. le osservazioni sui casi saudita e coreano erano state escluse in fase di costruzione del modello di regressione lineare semplice.
94 http://fundforpeace.org/fsi/myfsi/myfsi-country-analysis/ 95 Formula applicata su valori FSI normalizzati [0 - 120]. FSI riferito al 2017.
88
3 Denmark 20,35102041 0,72
4 Canada 20,52244898 0,72
5 Switzerland 21,89387755 0,71 6 Sweden 22,40816327 0,71
7 Finland 24,41632653 0,70
8 New Zealand 23,85306122 0,70
9 Austria 25,10204082 0,69
10 United States 25,29795918 0,69
11 Luxembourg 26,17959184 0,69
12 France 27,13469388 0,68
13 Belgium 26,91428571 0,68
14 United Kingdom 28,01632653 0,68
15 Germany 27,03673469 0,68
16 Netherlands 29,73061225 0,67
17 Ireland 28,33469388 0,67
18 United Arab Emirates 30,36734694 0,66
19 Qatar 31,32244898 0,66
20 Portugal 31,29795918 0,66
21 Iceland 31,64081633 0,66
22 Spain 32,47346939 0,65
23 Singapore 31,88571429 0,65
24 Slovenia 34,50612245 0,64
25 Oman 37,95918367 0,62
26 Italy 37,46938776 0,62
27 Czech Republic 39,35510204 0,61
28 Chile 38,9877551 0,61
29 Argentina 39,42857143 0,61
30 Japan 39,74693878 0,61
31 Malta 40,97142857 0,60
32 Uruguay 43,49387755 0,59
33 South Korea 42,26938776 0,59
34 Bahrain 45,55102041 0,57
35 Poland 46,7755102 0,57
36 Panama 45,77142857 0,57
37 Lithuania 47,04489796 0,57
38 Estonia 47,63265306 0,56
39 Costa Rica 48,22040816 0,56
40 Slovak Republic 47,70612245 0,56
41 Mauritius 47,77959184 0,56
42 Kuwait 47,73061225 0,56
43 Brunei Darussalam 49,68979592 0,55
44 Latvia 49,51836735 0,55
45 Hungary 49,15102041 0,55
46 Romania 51,30612245 0,54
89
47 Mongolia 51,23265306 0,54
48 Kazakhstan 52,01632653 0,54
49 Bahamas 52,35918367 0,53
50 Greece 52,45714286 0,53
51 Bulgaria 54,31836735 0,52
52 Brazil 54,22040816 0,52
53 Saudi Arabia 54,04897959 0,52
54 Montenegro 55,2244898 0,52
55 Croatia 56,64489796 0,51
56 Belarus 55,98367347 0,51
57 Malaysia 55,83673469 0,51
58 Barbados 57,82040816 0,50
59 Russia 59,02040816 0,50
60 Cuba 60,19591837 0,49
61 China 59,28979592 0,49
62 Thailand 60,44081633 0,49
63 Cyprus 61,10204082 0,48
64 Turkmenistan 61,68979592 0,48
65 Israel and West Bank 60,90612245 0,48
66 Botswana 62,93877551 0,47
67 Azerbaijan 63,84489796 0,47
68 Turkey 62,96326531 0,47
69 Seychelles 62,84081633 0,47
70 Antigua and Barbuda 64,45714286 0,46
71 South Africa 67,34693878 0,45
72 Paraguay 67,02857143 0,45
73 Macedonia 67,66530612 0,45
74 Jordan 67,1755102 0,45
75 Vietnam 69,0122449 0,44
76 Ukraine 69,37959184 0,44
77 Mexico 68,00816327 0,44
78 Equatorial Guinea 70,89795918 0,43
79 Georgia 70,1877551 0,43
80 Gabon 72,34285714 0,42
81 Algeria 72,53877551 0,42
82 Uzbekistan 72,12244898 0,42
83 Tunisia 72,5877551 0,42
84 Trinidad and Tobago 72,22040816 0,42
85 Serbia 71,80408163 0,42
86 Egypt 73,05306122 0,41
87 Ecuador 74,13061225 0,41
88 Dominican Republic 74,4244898 0,41
89 Bosnia and Herzegovina 73,71428571 0,41
90 Belize 73,07755102 0,41
90
91 Armenia 74,4 0,41
92 Venezuela 72,97959184 0,41
93 Suriname 73,51836735 0,41
94 Peru 73,02857143 0,41
95 Maldives 74,03265306 0,41
96 India 73,2 0,41
97 Colombia 74,88979592 0,40
98 Tajikistan 75,0122449 0,40
99 North Korea 75,08571429 0,40
100 Indonesia 74,84081633 0,40
101 Bolivia 77,75510204 0,39
102 Albania 76,38367347 0,39
103 Namibia 77,36326531 0,39
104 Moldova 76,62857143 0,39
105 Honduras 76,55510204 0,39
106 El Salvador 79,24897959 0,38
107 Djibouti 78,51428571 0,38
108 Philippines 79,2244898 0,38
109 Lebanon 78,12244898 0,38
110 Iran 79,2244898 0,38
111 Kyrgyz Republic 80,08163265 0,37
112 Jamaica 81,08571429 0,37
113 Guatemala 80,74285714 0,37
114 Grenada 80,59591837 0,37
115 Cape Verde 82,53061225 0,36
116 Bhutan 83,09387755 0,36
117 Angola 81,89387755 0,36
118 Madagascar 82,48163265 0,36
119 Fiji 84,56326531 0,35
120 Solomon Islands 84,63673469 0,35
121 Morocco 83,33877551 0,35
122 Laos 84,07346939 0,35
123 Benin 85,24897959 0,34
124 Papua New Guinea 85,37142857 0,34
125 Nicaragua 85,32244898 0,34
126 Nepal 84,97959184 0,34
127 Myanmar 85,00408163 0,34
128 Ghana 85,91020408 0,34
129 Cambodia 87,40408163 0,33
130 Burundi 88,2122449 0,33
131 Togo 86,69387755 0,33
132 Tanzania 86,79183674 0,33
133 Swaziland 86,88979592 0,33
134 Sri Lanka 86,88979592 0,33
91
135 Comoros 88,67755102 0,32
136 Burkina Faso 89,26530612 0,32
137 Bangladesh 89,43673469 0,32
138 Rwanda 89,04489796 0,32
139 Libya 89,92653061 0,32
140 Congo Republic 90,0244898 0,31
141 Zambia 90,0244898 0,31
142 Senegal 90,48979592 0,31
143 Sao Tome and Principe 90,36734694 0,31
144 Samoa 90,36734694 0,31
145 Mauritania 91,37142857 0,31
146 Lesotho 91,2244898 0,31
147 Guyana 90,0244898 0,31
148 Pakistan 93,25714286 0,30
149 Nigeria 92,27755102 0,30
150 Gambia 95,06938776 0,29
151 Cote d'Ivoire 93,6 0,29
152 Cameroon 93,89387755 0,29
153 Uganda 93,64897959 0,29
154 Timor-Leste 94,26122449 0,29
155 Mozambique 93,67346939 0,29
156 Malawi 94,31020408 0,29
157 Kenya 93,89387755 0,29
158 Ethiopia 96,71020408 0,28
159 Congo Democratic Republic 96,5877551 0,28
160 Niger 95,3877551 0,28
161 Liberia 95,82857143 0,28
162 Eritrea 98,49795918 0,27
163 South Sudan 98,22857143 0,27
164 Mali 97,34693878 0,27
165 Guinea 97,24897959 0,27
166 Zimbabwe 99,45306122 0,26
167 Sierra Leone 99,91836735 0,26
168 Micronesia 98,9877551 0,26
169 Iraq 99,13469388 0,26
170 Guinea Bissau 100,1387755 0,26
171 Yemen 101,4367347 0,25
172 Central African Republic 103,5918367 0,24
173 Afghanistan 104,8897959 0,23
174 Syria 106,922449 0,22
175 Chad 107,9265306 0,21
176 Haiti 107,6816327 0,21
177 Sudan 109,3714286 0,20
178 Somalia 115,3959184 0,17
92
Il modello restituisce valori di Resilienza compresi tra 0,17 (Somalia) e 0,74 (Australia).
Tutti i Paesi caratterizzati da forti instabilità (e da un Fragile State Index particolarmente
elevato) fanno registrare bassi valori di resilienza. Fatta esclusione per alcuni Paesi,
condizionati prevalentemente dalla forte instabilità e dalla presenza di conflitti armati, il
risultato mostra valori assai simili tra Paesi della stessa area geografica. Il continente
africano presenta come atteso i più bassi livelli di resilienza, a fronte di valori mediamente
elevati misurati per i Paesi europei e il Nord America.
93
5.Conclusioni e piano di raccolta informativa
Pur restituendo un modello di regressione lineare semplice e una formula di resilienza
accettabile, l’analisi proposta ha mostrato alcune importanti criticità di cui si è già data ampia
descrizione nei precedenti capitoli.
La formula
𝑹𝑺𝒔 = 𝟎. 𝟖𝟒 − 𝟎. 𝟕𝟎 ⋅ 𝑭𝑺𝑰 ∗ 𝟏
𝒄
e i collegati valori di resilienza sanitaria proposti nel capitolo precedente devono quindi
essere considerati come un primo passo in direzione di future indagini che possano creare
modelli (presumibilmente non lineari) più solidi e statisticamente validi.
L’esiguità delle informazioni, dovuta al basso numero di outbreak epidemiologici registrati e
puntualmente descritti, ha rappresentato la principale criticità del metodo proposto.
Non è escluso, tuttavia, che l’analisi possa essere ripetuta valutando altre patologie (non
necessariamente PHEIC) e calcolando nuovi parametri di K in relazione a un numero
maggiore di eventi e ad un maggior numero di Paesi. Individuare più patologie su cui stimare
il parametro di Resilienza per uno stesso Paese, potrebbe inoltre facilitare nella successiva
valutazione del modello di resilienza.
Un’ulteriore criticità riscontrata ha poi riguardato la raccolta informativa in merito alle variabili
indipendenti. Se, da un lato, i principali database pubblicati dalla World Bank e dal WHO
contengono un numero elevato di variabili ed osservazioni, dall’altro non è stato possibile
94
includere nel modello la maggior parte di tali parametri in ragione di una generalizzata
mancanza (specialmente per i Paesi meno sviluppati) di informazioni e registrazioni.
I dati presenti nei database sono inoltre dati di carattere generale o composito ed è possibile
che essi non riescano a veicolare informazioni specifiche in merito al problema oggetto di
analisi.
Si suggerisce quindi l’opportunità di ripetere l’analisi procedendo ad una nuova raccolta
informativa delle potenziali variabili indipendenti, strutturata per rispondere alle specifiche
esigenze del problema.
A riguardo si suggerisce l’impiego del questionario “Strengthening health-system
emergency preparedness. Toolkit for assessing health-system capacity for crisis
management.”96 Pubblicato dal WHO – Regional Office for Europe nel 2012 per la
valutazione della capacità dei sistemi sanitari di gestire situazioni di crisi. Elaborato
specificatamente per misurare la capacità di risposta dei sistemi sanitari, il questionario
proposto dal WHO Europe è diviso in 6 distinte sezioni:
1) Leadership and Governance – si tratta probabilmente dell’aspetto più critico, complesso
e articolato di qualsiasi sistema sanitario. Una Governance capace di garantire alti livelli
di risposta in presenza di situazioni di crisi dovrebbe infatti prevedere non solo
un’adeguata pianificazione, ma anche la creazione di regolamentazioni, sistemi di
supervisione ed incentivi adeguati. La sezione è stata strutturata per misurare le
politiche nazionali in merito alla gestione delle crisi sanitarie ed alla presenza di piani di
crisi, di strutture di coordinamento efficaci, di informazioni aggiornate capaci di
sostenere il processo di valutazione e di adeguate strategie di comunicazione pubblica.
2) Health workforce – La sezione è volta a misurare le caratteristiche (quantitative e
qualitative) del personale sanitario impiegato nella normale erogazione dei servizi
sanitari e predisposto alla gestione di situazioni di emergenza.
3) Medical products, vaccines and technology – La sezione è volta a misurare le possibilità
di accesso ai prodotti e servizi medici essenziali, in particolare vaccini e tecnologie di
qualità. Le domande contenute nel questionario valutano la presenza di attrezzature e
forniture mediche destinate ad attività pre-ospedaliere, ospedaliere e alle strutture
96 http://www.euro.who.int/en/publications/abstracts/strengthening-health-system-emergency-preparedness.-toolkit-for-assessing-health-system-capacity-for-crisis-management.-part-1.-user-manual-2012
95
sanitarie temporanee. La sezione valuta inoltre lo stato dei servizi farmaceutici e di
laboratorio del Sistema sanitario pubblico.
4) Health information System – La sezione valuta la capacità del sistema informativo
sanitario di raccogliere, elaborare e comunicare ogni informazione rilevante.
5) Health financing – La sezione è volta a valutare i livelli di finanziamento del sistema
sanitario, le risorse disponibili e l’esistenza di fondi specifici che, in caso di crisi,
garantiscano l’accesso ai servizi essenziali.
6) Service delivery – La sezione misura la capacità di mettere in atto, in caso di crisi,
interventi efficaci e di alta qualità.
Ciascuna sezione è divisa al suo interno di attributi, in totale 51, fondamentali per valutare i
singoli aspetti indagati nel questionario.
Il questionario da indirizzare a personale sanitario o amministrativo impiegato nel settore di
riferimento e presente a vario titolo nel Paese di interesse, prevede tre possibili risposte (Si,
No e Parzialmente) che potrebbero essere rielaborate in chiave numerica (3-1) per creare
un nuovo dataset da mettere in relazione al parametro K e formato da variabili indipendenti
strettamente legate alla Resilienza Sanitaria intesa come capacità di risposta a situazioni di
crisi.
96
Il questionario proposto dal WHO potrebbe inoltre essere rielaborato prevedendo ulteriori
livelli di risposta, con valori compresi tra 1 e 5, capaci di fornire informazioni più precise in
merito alla valutazione delle singole caratteristiche del sistema sanitario.
Il questionario è stato allegato al presente lavoro ed inserito su Google Drive97 in modo da
facilitare la raccolta informativa. Nella fase successiva di elaborazione dei dati, sarebbe utile
integrale le informazioni fornite dagli operatori con una preventiva valutazione della fonte
che permetta di stimare il grado di attendibilità dei dati raccolti98.
In ragione di quanto detto, la ricerca appena conclusa costituisce un primo passo in
direzione di indagini più approfondite che potrebbero essere condotte:
Estendendo il modello di resilienza sanitaria proposto ad un numero maggiore di Paesi.
La possibilità di estendere il modello dipende dalla definizione, in via preliminare, delle
patologie (non necessariamente PHEIC) e dei criteri di valutazione idonei a misurare
nuovi parametri di resilienza epidemiologica.
Pianificando, con focus specifico sui Paesi di interesse, un piano di raccolta informativa
che a partire dal questionario segnalato possa aiutare a creare un dataset costruito
specificatamente per rispondere alle esigenze della ricerca.
Definendo nuove metodologie di analisi per la costruzione di un modello che metta in
relazione i parametri di resilienza (epidemiologica) calcolati su un numero rilevante di
Paesi e il dataset costruito integrando i parametri già raccolti con ulteriori informazioni di
carattere specifico. In presenza di un maggior numero di osservazioni, il problema
dell’overfitting potrebbe ritenersi parzialmente superato, permettendo l’applicazione delle
Reti Neurali, di algoritmi di Machine Learning e di successive puntuali valutazioni dei
modelli costruiti.
Predisponendo per i Paesi di interesse indagini specifiche e approfondite che permettano
di applicare nuove tecniche di analisi, ad esempio la Social Network Analysis, non adatte
ad una valutazione di carattere generale. Ci si riferisce, in particolare, alla riscontrata
rilevanza (in relazione alla resilienza sanitaria) del sistema infrastrutturale nazionale.
97 https://docs.google.com/forms/d/1I8JNB0OTWrm_PHnwbNSiNiViQmw8BdF7p-4w-Fiw1PM /prefill
98 Se il questionario dovesse essere compilato da funzionari statali è facile, ad esempio, ipotizzare una generale sovra-stima delle capacità sanitarie nazionali. Ugualmente il personale sanitario (specie se non in ruoli direttivi) potrebbe sottostimare le capacità di risposta del sistema.
97
Un’analisi approfondita su questo punto potrebbe permettere di ottenere informazioni utili
alla pianificazione di interventi che, seppur limitati, potrebbero avere impatto sistemico.
98
Bibliografia
Allenby B, Fink J. Social and ecological resilience: Toward inherently secure and resilient
societies. Science 2000.
Bailey N.T.J., “The mathematical theory of infectious diseases and its applications”, Second
edition. Hafner Press [Macmillan Publishing Co., Inc.] New York, 1975; rauer F., van den
Driessche P., Wu J., “Mathematical epidemiology”, Lecture Notes in Mathematics, 1945.
Mathematical Biosciences Subseries. Springer-Verlag, Berlin, 2008;
Barbarossa, Maria Vittoria et al. “Transmission Dynamics and Final Epidemic Size of
Ebola Virus Disease Outbreaks with Varying Interventions.” Ed. Ying-Hen Hsieh. PLoS
ONE 10.7 (2015): e0131398;
Bernoulli D., An attempt at a new analysis of the mortality caused by smallpox and of the
advantages of inoculation to prevent it, reviewed by S.Blower, Rev. Med. Virol. 14 (2004)
275–288;
Chandra A et al. 2010. Understanding community resilience in the context of national health
security. Work. Pap., RAND Corp., Arlington, VA
Chandra A et al. 2011. Building community resilience to disasters: a way forward to enhance
national health security. RAND Health Tech. Rep. 1–78, RAND Corp., Santa Monica, CA
Chowell, Gerardo et al. “Model Parameters and Outbreak Control for SARS.” Emerging
Infectious Diseases 10.7 (2004);
Chowell, Gerardo, and Hiroshi Nishiura. “Transmission Dynamics and Control of Ebola
Virus Disease (EVD): A Review.” BMC Medicine 12 (2014),
Courtney B et al. 2009. Healthcare coalitions: the new foundation for national healthcare
preparedness and response for catastrophic health emergencies. Bisecur. Bioterror.:
Biodef. Strategy, Pract. Sci. 7(2):153–63
Cutter SL, Burton CG, Emrich CT. 2010. Disaster resilience indicators for benchmarking
baseline conditions. J. Homel. Secur. Emerg. Manag. 7(1):1–22
ECDC. Rapid Risk Assessment, Zika Virus Outbreak, French Polynesia. Solna, Sweden:
European Centre for Disease Prevention and Control; 2014.
Eichner M, Dowell SF, Firese N, Incubation period of ebola hemorrhagic virus subtype
zaire, Osong Public Health Res Perspect. 2011 Jun;
Gomes MF et al., Assessing the international spreading risk associated with the 2014 west
african ebola outbreak, PLoS Curr. 2014 Sep 2;
Jekel, Katz, Elmore, Epidemiologia, Biostatistica e Medicina Preventiva, Edises, 2005
99
Katharine Wulff, Darrin Donato, and Nicole Lurie, What Is Health Resilience and how
can we build it? Annu. Rev. Public Health 2015;
Kenneth J. Rothman, Epidemiology: An Introduction, Oxford University Press 2002;
Khan AS, Lurie N. 2014. Health security in 2014: building on preparedness knowledge for
emerging health threats. Lancet 384(9937):93–97
Lekone PE, Finkenstädt BF, Statistical inference in a stochastic epidemic SEIR model with
control intervention: Ebola as a case study, Biometrics. 2006 Dec;
Marmot M. 2005. Social determinants of health inequalities. Lancet 365(9464):1099–104
Natl. Res. Counc. 2012. Disaster Resilience: A National Imperative. Washington, DC: Natl.
Acad. Press
Poortinga W. 2011. Community resilience and health: the role of bonding, bridging, and
linking aspects of social capital. Health Place 18(2):286–95
Pregenzer A. Systems resilience: A new analytical framework for nuclear nonproliferation,
Albuquerque, NM: Sandia National Laboratories, 2011.
Schuler-Faccini L. et al., Possible Association Between Zika Virus Infection and
Microcephaly - Brazil, 2015, in MMWR Morb. Mortal. Wkly. Rep., vol. 65, nº 3, 2016;
Seyedmohsen Hosseinia, Kash Barkera, Jose E. Ramirez-Marquezb, A Review of
definitions and measures of system resilience
Vugrin E.D, Warren D.E, Ehlen M.A, Camphouse R.C. A framework for assessing the
resilience of infrastructure and economic systems. Sustainable Infrastructure Systems:
simulation, modeling, and intelligent engineering (pp. 77-116). Berlin: Springer-Verlag, Inc.,
2010.
WHO Regional Office for Europe, Strengthening health-system emergency preparedness.
Toolkit for assessing health-system capacity for crisis management, 2012
WHO, International Health Regulation, 2005
http://apps.who.int/gho/data/view.ebola-sitrep.ebola-summary-latest?lang=en
http://apps.who.int/gho/data/view.ebola-sitrep.ebola-summary-latest?lang=en
http://blogs.discovermagazine.com/bodyhorrors/2013/06/20/purdah-mers-2/#.Ucq4fPm-
2Sr
http://currents.plos.org/outbreaks/article/estimating-the-reproduction-number-of-zaire-
ebolavirus-ebov-during-the-2014-outbreak-in-west-africa/
http://databank.worldbank.org/data/home.aspx
http://databank.worldbank.org/data/home.aspx
100
http://fundforpeace.org/fsi/myfsi/myfsi-country-analysis/
http://hdr.undp.org/en/content/human-development-index-hdi; http://hdr.undp.org/en/data
http://n.neurology.org/lookup/doi/10.1212/WNL.0000000000002553
http://who.int/mediacentre/factsheets/fs103/en/
http://www.cdc.gov/vhf/ebola/resources/outbreak-table.html
http://www.epicentro.iss.it/temi/infettive/archivio2015.asp
http://www.fundforpeace.org/web/index.php?option=com_content&task=view&id=102&Ite
mid=327
http://www.paho.org/hq/index.php?option=com_content&view=article&id=11599%3Aregion
al-zika-epidemiological-update-americas
http://www.promedmail.org/direct.php?id=20120920.1302733
http://www.salute.gov.it/portale/temi/p2_6.jsp?lingua=italiano&id=818&area=Malattie%20in
fettive&menu=altremalattie
http://www.sciencedirect.com/science/article/pii/S1755436517301093#fig0005
http://www.telegraph.co.uk/news/2016/11/18/zika-no-longer-public-health-emergency-who-
declares/
http://www.who.int/csr/don/archive/disease/coronavirus_infections/en/
http://www.who.int/csr/don/archive/disease/coronavirus_infections/en/
http://www.who.int/csr/don/archive/disease/zika-virus-infection/en/;
http://www.paho.org/hq/index.php?option=com_content&view=article&id=11599%3Aregion
al-zika-epidemiological-update-americas
http://www.who.int/csr/don/archive/disease/zika-virus-infection/en/
http://www.who.int/csr/sars/country/en/
http://www.who.int/csr/sars/en/WHOconsensus.pdf
http://www.who.int/csr/sars/epi2003_04_11/en/
http://www.who.int/ebola/en/
http://www.who.int/gho/publications/world_health_statistics/en/
http://www.who.int/ihr/procedures/pheic/en/
http://www.who.int/ihr/procedures/pheic/en/
http://www.who.int/ihr/revised_annex2_guidance.pdf
http://www.who.int/mediacentre/factsheets/zika/en/
http://www.who.int/mediacentre/news/statements/2016/1st-emergency-committee-zika/en/
https://ecdc.europa.eu/sites/portal/files/media/en/publications/Publications/MERS-rapid-
risk-assessment-update-october-2015.pdf
https://en.wikipedia.org/wiki/Least_squares
101
https://en.wikipedia.org/wiki/Overfitting
https://en.wikipedia.org/wiki/Principal_component_analysis
https://www.ncbi.nlm.nih.gov/pmc/articles/PMC3323341/#R3
https://www.ncbi.nlm.nih.gov/pubmed/12781533
https://www.ncbi.nlm.nih.gov/pubmed/28610609
http://www.cidrap.umn.edu/cidrap/content/other/sars/news/jun1913hospital.html
https://www.nutonian.com/products/eureqa/
https://www.phe.gov/preparedness/international/ihr/pages/default.aspx
https://www.sciencedirect.com/science/article/pii/S1201971216000242
102
NOTA SUL Ce.Mi.S.S. e NOTA SUGLI AUTORI
Ce.Mi.S.S.99
Il Centro Militare di Studi Strategici (Ce.Mi.S.S.) è l'Organismo che gestisce, nell'ambito e
per conto del Ministero della Difesa, la ricerca su temi di carattere strategico.
Costituito nel 1987 con Decreto del Ministro della Difesa, il Ce.Mi.S.S. svolge la propria
opera valendosi si esperti civili e militari, italiani ed esteri, in piena libertà di espressione di
pensiero.
Quanto contenuto negli studi pubblicati riflette quindi esclusivamente l'opinione dei
Ricercatori e non quella del Ministero della Difesa.
BIOGRAFIA AUTORE
Marlene Mauro è Ricercatrice presso l’Istituto di Alti Studi in
Geopolitica e Scienze Ausiliarie e l’Alpha Institute of Geopolitcs and
Intelligence, nonché analista Due Diligence e Security (con
specializzazione MENA) per il settore privato. Ha tenuto lezioni
presso l’Università degli Studi Kore di Enna e collabora con la Link
Campus University nell’ambito del Master di II° Livello in Intelligence
e Sicurezza Nazionale, con la Croce Rossa Italiana in qualità di volontaria per le attività di
ricongiungimento familiare e con l’Ufficio Extra-dipartimentale di Protezione Civile di Roma
Capitale.
99 http://www.difesa.it/SMD_/CASD/IM/CeMiSS/Pagine/default.aspx
12/30/17, 2)35 AMAssessing health-system capacity for crisis management
Pagina 1 di 26https://docs.google.com/forms/d/1I8JNB0OTWrm_PHnwbNSiNiViQmw8BdF7p-4w-Fiw1PM/printform
Assessing health-system capacity for crisismanagementPlease submit regarding to your national health system
*Required
1. Email address *
Untitled section
2. Name
3. Country *
4. Job Title *
Leadership & GovernanceLegal framework for national multisectoral emergency management
12/30/17, 2)35 AMAssessing health-system capacity for crisis management
Pagina 2 di 26https://docs.google.com/forms/d/1I8JNB0OTWrm_PHnwbNSiNiViQmw8BdF7p-4w-Fiw1PM/printform
5. Essential attribute 1. Laws, policies, plans and procedures relevant to nationalemergency managementMark only one oval per row.
Yes Partly No Unknown
A) Does the legislation follow anall-hazards approach?B) Does the legislation consider allphases of emergencymanagement?C) Is the legislation reviewed andrevised regularly?D) Are procedures for declaringand terminating a state ofemergency at both the nationaland subnational levels defined inthe legislation?E) Does the legislation recognize,and is it consistent with, legallybinding international agreementsand conventions to which thecountry is a party and/or which ithas rati ed (in particular theInternational Health Regulations(IHR) (2005) and the HyogoFramework for Action, 2005–2015)?F) Does a formal arrangementexist for the protection and identication of infrastructures andpersonnel?
6. Essential attribute 2. National structure for multisectoral emergency management andcoordinationMark only one oval per row.
Yes Partly No Unknown
A) Does the national structure foremergency management andcoordination consist of a high-levelmultisectoral committee?B) Is it supported by anoperational entity and relevantsubcommittees on specifictechnical issues?C) Are the roles andresponsibilities of the variouspartners clearly defined?D) Is health on board of thiscommittee and have resourcesbeen allocated for health- sectordisaster-risk reduction, emergencypreparedness and response?
12/30/17, 2)35 AMAssessing health-system capacity for crisis management
Pagina 3 di 26https://docs.google.com/forms/d/1I8JNB0OTWrm_PHnwbNSiNiViQmw8BdF7p-4w-Fiw1PM/printform
7. Essential attribute 3. Laws, policies, plans and procedures relevant to health-sectoremergency managementMark only one oval per row.
Yes Partly No Unknown
A) Does the legislation follow awhole-health, all-hazardsapproach to emergencymanagement?B) Does it cover all phases ofemergency management?C) Is it reviewed and revisedregularly?D) Does it define the conditionsand procedures for quarantine andisolation relevant to emergencies?
8. Essential attribute 4. Structure for health-sector emergency management andcoordinationMark only one oval per row.
Yes Partly No Unknown
A) Does the structure for health-sector emergency managementconsist of a high-levelmultidisciplinary committee?B) Is it linked at all levels to similarstructures in other sectors?C) Is it supported by anoperational entity and relevantsubcommittees on specifictechnical issues?D) Does it specify the roles andresponsibilities of key health-sector stakeholders?E) Does it promote mechanisms toensure the allocation of resourcesfor disaster risk reduction,emergency preparedness andresponse?
9. Essential attribute 5. Regulation of external health-related emergency assistanceMark only one oval per row.
Yes Partly No Unknown
A) Are there any regulationsrelating to the entry of foreignhealth workers to provideemergency relief services?B) Are medical relief items exemptfrom import tax?C) Are there any regulationsrelating to donations of health andmedical items?
12/30/17, 2)35 AMAssessing health-system capacity for crisis management
Pagina 4 di 26https://docs.google.com/forms/d/1I8JNB0OTWrm_PHnwbNSiNiViQmw8BdF7p-4w-Fiw1PM/printform
10. LEssential attribute 6. National committee for multisectoral emergency managementMark only one oval per row.
Yes Partly No Unknown
A) Has a national committee formultisectoral emergencymanagement been established?B) If so, does the committeeinclude high-level representativesof all relevant sectors?C) Are the responsibilities andauthority of the committeemembers and secretariat defined?D) Are procedures for conveningmeetings defined?E) Is the committee supported byan operational entity?F) Is the committee linked tosimilar structures at all levels?
11. Essential attribute 7. National operational entity for multisectoral emergencymanagementMark only one oval per row.
Yes Partly No Unknown
B) Are the responsibilities andauthority of the entity de ned?A) Does the national operationalentity for multisectoral emergency-management possess sufficientresources and support systems toenable it to ful l its mandate?C) Does the entity coordinate andsupervise national preparednessplanning involving all relevantstakeholders?D) Are similar structures in placeat all administrative levels?
12/30/17, 2)35 AMAssessing health-system capacity for crisis management
Pagina 5 di 26https://docs.google.com/forms/d/1I8JNB0OTWrm_PHnwbNSiNiViQmw8BdF7p-4w-Fiw1PM/printform
12. Essential attribute 8. National committee for health-sector emergency managementMark only one oval per row.
Yes Partly No Unknown
A) Has a national committee forhealth-sector emergencymanagement been established?B) If so, does the committeeinclude high-level representativesof all relevant sectors anddisciplines?C) Are the responsibilities andauthority of the members of thecommittee and its secretariatdefined?D) Are procedures for conveningmeetings of the committeedefined?E) Is the committee supported byan operational entity?F) Is the committee linked tocomplementary structures at alllevels?
13. Essential attribute 9. National operational entity for health-sector emergencymanagementMark only one oval per row.
Yes Partly No Unknown
A) Are the available resources(staff, equipment, finances) andsystems (emergency- operationscentres, transport andcommunications systems)considered sufficient to allow theoperational entity for health-sectoremergency management to ful l itsmandate?B) Are the responsibilities andauthority of the nationaloperational entity for health-sector management defined?C) Does the operational entitycoordinate and supervise theplanning of the national health-sector emergency- preparednessprogramme and, if so, are all therelevant stakeholders involved?D) Are there similar entities inplace at all administrative levels?
12/30/17, 2)35 AMAssessing health-system capacity for crisis management
Pagina 6 di 26https://docs.google.com/forms/d/1I8JNB0OTWrm_PHnwbNSiNiViQmw8BdF7p-4w-Fiw1PM/printform
14. Essential attribute 10. Mechanisms of coordination and partnership-buildingMark only one oval per row.
Yes Partly No Unknown
A) Do existing mechanisms ofemergency coordination andpartnership-building includeagreements with entities in thepublic and private sector and civilsociety?B) Are health authorities at alllevels involved in governmentaland nongovernmentalcoordination mechanisms?C) Do existing coordinationmechanisms also include regularplanning meetings on disaster-riskreduction and preparednessduring emergency operations?D) Do existing mechanisms ofcoordination and partnership-building promote thedocumentation and follow-up ofdecisions made at the planningmeetings?E) Does the institutionalframework promote joint planningprocedures (to identify and dealwith duplications and gaps inprogramme implementation)?F) Do existing mechanisms ofcoordination and partnership-building promote the jointmobilization of, and access to,resources?
15. Essential attribute 11. National health-sector programme on risk reductionMark only one oval per row.
Yes Partly No Unknown
A) Has a national health-sectorrisk-reduction programme beenestablished?B) If so, does it, in collaborationwith the national operational entityfor multisectoral emergencymanagement, identify risk-pronepopulations on the basis of riskanalyses?C) Does the programme identifyrisk-prone health facilities on thebasis of risk analyses?D) Does the programme haveresources to addressvulnerabilities and reduce risks?
12/30/17, 2)35 AMAssessing health-system capacity for crisis management
Pagina 7 di 26https://docs.google.com/forms/d/1I8JNB0OTWrm_PHnwbNSiNiViQmw8BdF7p-4w-Fiw1PM/printform
16. Essential attribute 12. Multisectoral and health-sector programmes on emergencypreparednessMark only one oval per row.
Yes Partly No Unknown
A) Do emergency-preparednessprogrammes existing at thenational and/or subnational levelspromote and conduct research?B) Do they include thedevelopment and dissemination ofemergency-managementguidelines?C) Do they foresee reviews andrevisions of emergency-management policies?D) Do they include thedevelopment, organization anddelivery of emergency-management trainingprogrammes?E) Do they include the promotionof a participatory emergency-management planning process?F) Do they mobilize and allocateresources for preparedness?G) Do they include thedevelopment and maintenance ofinformation systems anddatabases?H) Do they include thedevelopment of risk-communication, health-promotionand education strategies?I) Do they foresee thedevelopment and evaluation ofexercises and drills?J) Do they include thedevelopment and maintenance ofstandards for emergency-management plans?K) Do they provide for thecoordination and monitoring of,and the regular reporting on,programme implementation?
12/30/17, 2)35 AMAssessing health-system capacity for crisis management
Pagina 8 di 26https://docs.google.com/forms/d/1I8JNB0OTWrm_PHnwbNSiNiViQmw8BdF7p-4w-Fiw1PM/printform
17. Essential attribute 13. National health-sector plan for emergency response andrecoveryMark only one oval per row.
Yes Partly No Unknown
A) Is the national emergency-response plan based on an all-hazards approach and riskassessment?B) Does the plan includecontingency measures?C) Is it compatible with relevantintersectoral and subnationalhealth plans?D) Does it define activation,coordination and incident-command mechanisms?E) Is it based on availableresources?F) Is it disseminated to keystakeholders after each revision?G) Is it regularly tested throughexercises, drills and simulations?H) Has it been disseminated to thepublic?
18. Essential attribute 14. Research and evidence baseMark only one oval per row.
Yes Partly No Unknown
A) Is the research agendadefined?B) Have resources been allocatedfor research?C) Have research results beenapplied?
Recommendations
Section 2. Health workforceHuman resources for health-sector emergency management
12/30/17, 2)35 AMAssessing health-system capacity for crisis management
Pagina 9 di 26https://docs.google.com/forms/d/1I8JNB0OTWrm_PHnwbNSiNiViQmw8BdF7p-4w-Fiw1PM/printform
19. Essential attribute 15. Development of human resourcesMark only one oval per row.
Yes Partly No Unknown
A) Does a human-resources planfor emergency management existand, if so, is it based on definedcompetencies?B) Is there a database of stafftrained in emergencymanagement and is it maintained?C) Do procedures exist forintegrating national andinternational volunteers intoservice delivery in emergencysituations?
20. Essential attribute 16. Training and educationMark only one oval per row.
Yes Partly No Unknown
A) Do needs assessmentsdetermine the frequency andcontent of training, as well as thenumber of participants?B) Does a needs-based trainingplan exist?C) Do the curricula cater for thedifferent competencies required?D) Are the curricula and trainingmaterials harmonized acrossstakeholders?E) Does a formal mechanism existfor reviewing and revisingcurricula?F) Does training include exercisesand drills?G) Are opportunities provided foremergency-management training?H) Have sufficient resources beenallocated for trainingprogrammes?
Recommendations
Section 3. Medical products, vaccines and technologyMedical supplies and equipment for emergency-response operations
12/30/17, 2)35 AMAssessing health-system capacity for crisis management
Pagina 10 di 26https://docs.google.com/forms/d/1I8JNB0OTWrm_PHnwbNSiNiViQmw8BdF7p-4w-Fiw1PM/printform
21. Essential attribute 17. Medical equipment and supplies for prehospital and hospital(including temporary health facilities) activities and other public health interventionsMark only one oval per row.
Yes Partly No Unknown
A) Are essential medical suppliesand equipment for emergencyoperations determined on thebasis of risk assessments andanalyses?B) Are they readily available insufficient quantities?C) Are medical suppliesperiodically tested, and areexpired or inappropriate itemsdisposed of in accordance withestablished guidelines?D) Are maintenance of theinventory and the rotation andsafe stockpiling of medicalsupplies and equipment executedin accordance with establishedguidelines?E) Is there a system in place,including cold chain, for thedistribution of medical suppliesand equipment in the event of ahealth-sector emergency?F) Do procedures exist for theexceptional procurement ofmedical supplies that are not onthe list of basic equipment?
12/30/17, 2)35 AMAssessing health-system capacity for crisis management
Pagina 11 di 26https://docs.google.com/forms/d/1I8JNB0OTWrm_PHnwbNSiNiViQmw8BdF7p-4w-Fiw1PM/printform
22. Essential attribute 18. Pharmaceutical servicesMark only one oval per row.
Yes Partly No Unknown
A) Are essential pharmaceuticalsupplies for emergency operationsdetermined on the basis of riskanalyses?B) Are they readily available insufficient quantities?C) Are pharmaceutical suppliesperiodically tested, and areexpired or inappropriate itemsdisposed of in accordance withestablished guidelines?D) Are maintenance of theinventory and the rotation andsafe stockpiling of pharmaceuticalsupplies executed in accordancewith established guidelines?E) Is there a system in place,including cold chain, for thedistribution of pharmaceuticalsupplies in the event of a health-sector emergency?F) Do procedures exist for theexceptional procurement ofpharmaceutical supplies that arenot on the list of essential drugs?
23. Essential attribute 19. Laboratory servicesMark only one oval per row.
Yes Partly No Unknown
A) Are essential laboratorysupplies and equipment foremergency operations determinedon the basis of risk analyses?B) Are they readily available insufficient quantities?C) Are laboratory supplies andequipment periodically tested, andare expired or inappropriate itemsdisposed of in accordance withestablished guidelines?D) Do procedures exist for theexceptional procurement oflaboratory supplies andequipment?E) Are the safe transport andexport of biological andenvironmental specimens fortesting and/or confirmation bynational and internationalreference laboratories assured?
12/30/17, 2)35 AMAssessing health-system capacity for crisis management
Pagina 12 di 26https://docs.google.com/forms/d/1I8JNB0OTWrm_PHnwbNSiNiViQmw8BdF7p-4w-Fiw1PM/printform
24. Essential attribute 20. Blood servicesMark only one oval per row.
Yes Partly No Unknown
A) Are essential supplies andequipment for blood servicesdetermined on the basis of riskanalyses?B) Are blood supplies readilyavailable in sufficient quantities?C) Are arrangements (includingpublic campaigns) in place for therapid and exceptional collection,storage and distribution of bloodand are these in accordance withestablished guidelines?D) Do procedures exist for theexceptional procurement ofsupplies and equipment for bloodservices?E) Is the safety of blood and bloodproducts (and their safe disposal)ensured in accordance withestablished guidelines?
25. Recommendations - Medical products, vaccines and technology
Section 4. Health informationInformation-management systems for risk-reduction and emergency-preparedness programmes
12/30/17, 2)35 AMAssessing health-system capacity for crisis management
Pagina 13 di 26https://docs.google.com/forms/d/1I8JNB0OTWrm_PHnwbNSiNiViQmw8BdF7p-4w-Fiw1PM/printform
26. Essential attribute 21. Information system for risk-assessment and emergency-preparedness planning Course contentMark only one oval per row.
Yes Partly No Unknown
A) Are the responsibilities andauthority related to the informationsystem defined?B) Do protocols and proceduresexist for the collection,management, analysis anddissemination of the necessarydata for conducting riskassessments and performingemergency-preparednessplanning?C) Does a national profile ofhealth risks exist and, if so, is itbased on disaggregated risk,hazard and vulnerability data?D) Are reports on the activities ofthe emergency-preparednessprogramme published anddisseminated regularly?
27. Essential attribute 22. National health information systemMark only one oval per row.
Yes Partly No Unknown
A) Does the national healthinformation system providedisaggregated data for health-related emergency managementat the national and subnationallevels?B) Are the triggers for switchingfrom routine to emergencyreporting defined?
28. Essential attribute 23. National and international information-sharingMark only one oval per row.
Yes Partly No Unknown
A) Have information mechanismsfor use in emergency situationsbeen established at thecommunity level and is trainedstaff available?B) Does the information-management system facilitatereporting according to IHR andother mandatory reportingrequirements?
12/30/17, 2)35 AMAssessing health-system capacity for crisis management
Pagina 14 di 26https://docs.google.com/forms/d/1I8JNB0OTWrm_PHnwbNSiNiViQmw8BdF7p-4w-Fiw1PM/printform
29. Essential attribute 24. Surveillance systemsMark only one oval per row.
Yes Partly No Unknown
A) Do emergency managers haveaccess to relevant data (includingdata on trauma and injuries,communicable diseases, vector-borne diseases, water quality,nutrition, noncommunicablediseases and food safety)?B) Are epidemic-relatedintelligence activities being carriedout (baseline estimates, de nitionof trends and thresholds for alertand action de ned at the primary-response level, regular analysis ofepidemic-prone diseases, etc.)?C) Is early-warning capacity inplace to enable recognition of andreporting on any event of potentialpublic health concern within 24hours?D) Is the surveillance system ableto provide sufficiently trained staff?E) Is there a networkinfrastructure, including surgecapacity, to enable adequateresponse to an event?F) Does the surveillance systemhave standardized protocolsdefining roles, responsibilities andprocedures related to thestandardization, collection,management, analysis anddissemination of data?G) Does the surveillance systemprovide for data-sharing withagricultural, veterinary andenvironmental diseasesurveillance systems?
12/30/17, 2)35 AMAssessing health-system capacity for crisis management
Pagina 15 di 26https://docs.google.com/forms/d/1I8JNB0OTWrm_PHnwbNSiNiViQmw8BdF7p-4w-Fiw1PM/printform
30. Essential attribute 25. Rapid health-needs assessmentMark only one oval per row.
Yes Partly No Unknown
A) Do mechanisms exist forcarrying out rapid health-needsassessments?B) Are the necessary resourcesand trained staff available fordoing so?C) Do data resulting from rapidhealth-needs assessmentsdetermine resources’ allocationand priority action?D) Do these data reflect the needsin terms of the population andhealth services’ delivery?
31. Essential attribute 26. Multisectoral initial rapid assessment (IRA)Mark only one oval per row.
Yes Partly No Unknown
A) Is the health sector fullyinvolved in the planning,preparation and implementation ofIRAs?B) Do health professionals receiveappropriate training in carrying outIRAs?C) Do mechanisms exist forallocating resources and initiatingpriority action based on IRA data?
32. Essential attribute 27. Emergency reporting systemMark only one oval per row.
Yes Partly No Unknown
A) Does an emergency reportingsystem exist?B) Are resources and trained staffavailable?C) Does the emergency reportingsystem provide information oncritical human resources, healthinfrastructure, etc.?D) Are data from all relevantstakeholders collected through theemergency reporting system?
12/30/17, 2)35 AMAssessing health-system capacity for crisis management
Pagina 16 di 26https://docs.google.com/forms/d/1I8JNB0OTWrm_PHnwbNSiNiViQmw8BdF7p-4w-Fiw1PM/printform
33. Essential attribute 28. Strategies for risk communication with the public and the mediaMark only one oval per row.
Yes Partly No Unknown
A) Are the communicationstrategies based on riskassessment?B) Are there coordinationmechanisms in place for involvingstakeholders in the formulation ofinformation for the public and themedia to ensure consistency?C) Do procedures exist for thedissemination of information?D) Is information regardingongoing emergency-preparednessactivities systematicallycommunicated to the public andthe media?E) Do the communicationstrategies also target minority andvulnerable populations?F) Is the function of spokespersondefined?
34. Essential attribute 29. Strategies for risk communication with staff involved inemergency operationsMark only one oval per row.
Yes Partly No Unknown
A) Do coordination mechanismsexist to ensure consistency of theinformation supplied bystakeholders to responders?B) Do procedures exist for thecommunication of risk informationby stakeholders to responders?C) Has information on speci crisks and self-protection measuresfor responders involved inemergency operations beenprepared and, if so, is it regularlyupdated and disseminated?
35. Recommendations - Health information
Section 5. Health Financing
12/30/17, 2)35 AMAssessing health-system capacity for crisis management
Pagina 17 di 26https://docs.google.com/forms/d/1I8JNB0OTWrm_PHnwbNSiNiViQmw8BdF7p-4w-Fiw1PM/printform
National and subnational strategies for nancing health-sector emergency management
36. Essential attribute 30. Multisectoral mechanisms of financing emergency preparednessand managementMark only one oval per row.
Yes Partly No Unknown
A) Are funds available for themultisectoral preparedness for,and management of, emergenciesat the national and subnationallevels?B) Do multisectoral financingmechanisms include contingencyfunding for response and recoveryat the national and subnationallevels?C) Are multisectoral financingprocedures available for therequest, acceptance andutilization of international nancialassistance?
37. Essential attribute 31. Health-sector financing mechanismsMark only one oval per row.
Yes Partly No Unknown
A) Do the health-sector financingmechanisms include a budget fora risk-reduction programme?B) Are funds designated for ahealth-sector emergency-preparedness programme?C) Do mechanisms exist foraccessing contingency funds forhealth-sector emergency-response and recoveryoperations?D) Do health-sector financingmechanisms include effective andrapid recovery for loss anddamage (e.g. damage to healthfacilities)?
38. Recommendations - Health Financing
Section 6. Service delivery
12/30/17, 2)35 AMAssessing health-system capacity for crisis management
Pagina 18 di 26https://docs.google.com/forms/d/1I8JNB0OTWrm_PHnwbNSiNiViQmw8BdF7p-4w-Fiw1PM/printform
Response capacity and capability
39. Essential attribute 32. Subnational health-sector emergency-response plansMark only one oval per row.
Yes Partly No Unknown
A) Are subnational emergency-response plans based on nationalpolicy?B) Are these plans compatiblewith the relevant subnationalmultisectoral emergency plan?C) Do the plans de nemechanisms for activation,coordination, command andcontrol?D) Are the plans based onavailable resources?E) Are the plans tested, validated,exercised and maintained?F) Are the plans revised on thebasis of lessons learnt?G) Are the plans disseminated tokey stakeholders after eachrevision?
40. Essential attribute 33. Surge capacity for subnational health-sector responseMark only one oval per row.
Yes Partly No Unknown
A) Do mechanisms exist for therapid mobilization of additionalresources (personnel, equipmentand materials) to and betweensubnational levels?B) Are there procedures in placefor the pre-positioning of essentialsupplies and their release to high-risk areas?C) Do mechanisms of hospitalnetworking exist?D) Do procedures and therequired capacity (ventilators,incubators, etc.) exist for providinglife support and critical care duringpatient dispatch to hospitalsoutside the affected area?
12/30/17, 2)35 AMAssessing health-system capacity for crisis management
Pagina 19 di 26https://docs.google.com/forms/d/1I8JNB0OTWrm_PHnwbNSiNiViQmw8BdF7p-4w-Fiw1PM/printform
41. Essential attribute 34. Management of prehospital medical operationsMark only one oval per row.
Yes Partly No Unknown
A) Is there a system in place formanaging medical activities at thescene?B) Is a standardized triage systemin place?C) Is there a system in place formedical evacuation and dispatchto appropriate health- carefacilities?D) Do search and rescueoperations include a medicalcomponent?E) Are there specificarrangements in place for theprehospital handling of patientswith diseases with epidemicpotential and victims of chemical,biological, radiological and nuclear(CBRN) incidents?
42. Essential attribute 35. Management of situations involving mass fatality and missingpersonsMark only one oval per row.
Yes Partly No Unknown
A) Are there mechanisms in placefor identifying victims and trackingmissing persons?B) Are there mechanisms in placefor the storage and release ofcorpses?C) Are there mechanisms in placefor informing the public about thedead?D) Are there mechanisms in placefor assisting international disastervictim identi cation (DVI) teams, ifneeded?E) Has surge capacity beenprovided for with respect toforensics and mortuaries?
12/30/17, 2)35 AMAssessing health-system capacity for crisis management
Pagina 20 di 26https://docs.google.com/forms/d/1I8JNB0OTWrm_PHnwbNSiNiViQmw8BdF7p-4w-Fiw1PM/printform
43. Essential attribute 36. Capacity for mass-casualty managementMark only one oval per row.
Yes Partly No Unknown
A) Are EMS plans (for dispatch,on-site management,transportation and evacuation)adaptable to mass-casualtyincidents and other similar crises?B) Do the plans include thesimultaneous management of day-to-day emergencies?C) Are there mechanisms in placefor accessing local, regional andnational EMS resources?D) Is the role of the EMS systemin identifying and reportingunusual public health eventsclearly de ned?E) Are EMS providers included incoordination meetings, jointexercises, drills and trainingexercises?
44. Essential attribute 37. Hospital emergency-preparedness programmeMark only one oval per row.
Yes Partly No Unknown
A) Does a formal hospitalemergency-preparednessprogramme exist?B) If so, is staff assigned to theprogramme?C) Are funds allocated to theprogramme?D) Are resources available for theprogramme?E) Does the programme fullyincorporate the concept of saferhospitals?
12/30/17, 2)35 AMAssessing health-system capacity for crisis management
Pagina 21 di 26https://docs.google.com/forms/d/1I8JNB0OTWrm_PHnwbNSiNiViQmw8BdF7p-4w-Fiw1PM/printform
45. Essential attribute 38. Hospital plans for emergency response and recoveryMark only one oval per row.
Yes Partly No Unknown
A) Do hospitals have planningcommittees for emergencyresponse and recovery?B) Do hospitals have plans foremergency response andrecovery?C) If so, were these plansdeveloped through a continuousplanning process involving aplanning committee?D) Are they in accordance withnational policy?E) Is a plan for emergencyresponse and recovery arequirement for hospitalaccreditation?F) Are hospital plans foremergency response andrecovery validated and accreditedin accordance with nationalcriteria?G) Are the plans reviewed,exercised, revised and updatedregularlyH) Are the plans linked tosubnational multisectoralemergency-response plans?I) Are the plans complemented bycontingency procedures forinternal incidents and localthreats?J) Do the plans includemechanisms for switching toemergency mode?
46. Essential attribute 39. Continuous delivery of essential health and hospital servicesMark only one oval per row.
Yes Partly No Unknown
A) Does capacity exist for theimmediate assessment ofstructural, nonstructural andfunctional safety after anyincident?B) Do procedures exist forensuring back-up of criticalresources (e.g. water, electricity,heating, etc.)?C) Do plans exist for ensuring thecontinuous delivery of essentialhospital services (e.g. maternalcare, dialysis, etc.)?
12/30/17, 2)35 AMAssessing health-system capacity for crisis management
Pagina 22 di 26https://docs.google.com/forms/d/1I8JNB0OTWrm_PHnwbNSiNiViQmw8BdF7p-4w-Fiw1PM/printform
47. Essential attribute 40. Prevention and control of communicable diseases andimmunizationMark only one oval per row.
Yes Partly No Unknown
A) Is an active health-surveillancesystem with early-warningcapacity in place?B) Is there sufficient capacity forsetting up special immunizationprogrammes to meet specificneeds?
48. Essential attribute 41. Mother-and-child health care and reproductive healthMark only one oval per row.
Yes Partly No Unknown
A) Are there mechanisms in placeto ensure the continued delivery ofcore components of reproductive-health progammes in anemergency situation?B) Are there mechanisms in placeto ensure the continued delivery ofcare for newborn and emergencyobstetrical patients?
49. Essential attribute 42. Mental health and psychosocial supportMark only one oval per row.
Yes Partly No Unknown
A) Are there mechanisms in placeto ensure the continuoustreatment of patients in anemergency situation?B) Does capacity exist for identication of the psychosocial needsof high-risk groups (includingbereaved families) and forproviding them with theappropriate support?
12/30/17, 2)35 AMAssessing health-system capacity for crisis management
Pagina 23 di 26https://docs.google.com/forms/d/1I8JNB0OTWrm_PHnwbNSiNiViQmw8BdF7p-4w-Fiw1PM/printform
50. Essential attribute 43. Environmental healthMark only one oval per row.
Yes Partly No Unknown
A) Are there mechanisms in placeto ensure the availability ofadequate amounts of safe waterfor service providers and theaffected population?B) Are there mechanisms in placeto enable health authorities toidentify and control environmentalfactors that are hazardous tohealth?C) Do procedures and facilitiesexist for the safe disposal ofmedical waste in emergencies?D) Do procedures exist for thesafe disposal of non-medicalwaste in emergencies?
51. Essential attribute 44. Chronic and noncommunicable diseasesMark only one oval per row.
Yes Partly No Unknown
A) Are there mechanisms in placeto ensure access to essentialmedicines and essential medicalservices?B) Are there mechanisms in placeto ensure access to rehabilitationservices?
52. Essential attribute 45. Nutrition and food safetyMark only one oval per row.
Yes Partly No Unknown
A) Are there mechanisms in placeto ensure coverage of food andnutrition needs?B) Are there mechanisms in placeto ensure capacity for food qualityand safety control?
53. Essential attribute 46. Primary health careMark only one oval per row.
Yes Partly No Unknown
A) Are there mechanisms in placeto ensure patient access to clinicalinvestigation and treatment?B) Are there mechanisms in placeto ensure continuity of the referralsystems?
12/30/17, 2)35 AMAssessing health-system capacity for crisis management
Pagina 24 di 26https://docs.google.com/forms/d/1I8JNB0OTWrm_PHnwbNSiNiViQmw8BdF7p-4w-Fiw1PM/printform
54. Essential attribute 47. Health services for displaced populationsMark only one oval per row.
Yes Partly No Unknown
A) Are there mechanisms in placeto assure displaced populationshave access to essential healthprogrammes, including PHC?B) Are there mechanisms in placeto establish mobile teams thatoperate outside the existing healthfacilities (with displacedpopulations)?C) Are there mechanisms in placeto ensure ef cient monitoring ofthe health status of people living intemporary settlements and at adhoc sites?D) Are there mechanisms in placeto address cultural barriers interms of language, insurance andaccess to care?E) Are there mechanisms in placeto ensure adequate sanitary andpersonal-hygiene facilities fordisplaced populations?
55. Essential attribute 48. Emergency telecommunicationsMark only one oval per row.
Yes Partly No Unknown
A) Do guidelines and proceduresexist for establishing standardizedtelecommunications systemsacross all sectors?B) Do protocols exist for the use oftemporary means oftelecommunication?C) Has staff been trained in theuse of emergencytelecommunications equipment?D) Are adequate human resourcesavailable for emergencytelecommunications?
12/30/17, 2)35 AMAssessing health-system capacity for crisis management
Pagina 25 di 26https://docs.google.com/forms/d/1I8JNB0OTWrm_PHnwbNSiNiViQmw8BdF7p-4w-Fiw1PM/printform
56. Essential attribute 49. Temporary health facilitiesMark only one oval per row.
Yes Partly No Unknown
A) Do guidelines and proceduresexist for the establishment oftemporary health facilities?B) Are the roles of field hospitalsand mobile hospitals clearlydefined?C) Are adequate resourcesavailable for establishingtemporary basic health facilities?
57. Essential attribute 50. LogisticsMark only one oval per row.
Yes Partly No Unknown
A) Do guidelines and proceduresexist for the management and useof logistics systems in emergencysituations?B) Is there a logistics system inplace that includes tracking,monitoring and reportingcomponents?C) Has staff been trained in theuse of logistics systems inemergencies?D) Are adequate resourcesavailable to ensure logisticssupport in emergencies?E) Are agreements in place withpartners and/or private companiesfor the provision of logisticsservices to ensure continuity ofessential functions?
58. Essential attribute 51. Service-delivery support functionMark only one oval per row.
Yes Partly No Unknown
A) Is the security of health-carefacilities guaranteed during anemergency?B) Is continuity of lifelines inhealth-care facilities planned for incase of an emergency?C) Have transportation and fuelrequirements for emergenciesbeen taken into consideration inplanning?
12/30/17, 2)35 AMAssessing health-system capacity for crisis management
Pagina 26 di 26https://docs.google.com/forms/d/1I8JNB0OTWrm_PHnwbNSiNiViQmw8BdF7p-4w-Fiw1PM/printform
Powered by
59. Recommendations - Service delivery