Propagation de la COVID-19 dans le district d'uMgungundlovu : une analyse détaillée
Cette étude examine les tendances de transmission du COVID-19 dans le district d'uMgungundlovu, en Afrique du Sud.
― 7 min lire
Table des matières
La pandémie de SARS-CoV-2 a causé pas mal de soucis aux gens partout dans le monde. Au 27 septembre 2023, il y a eu plus de 770 millions de Cas confirmés de COVID-19. La façon dont le virus s'est répandu n'était pas la même partout. Certaines zones ont eu plus de cas que d'autres. Comprendre comment le virus se propage est super important, surtout quand on regarde comment il change avec le temps et à quoi ça pourrait ressembler à l'avenir. Cet article examine la propagation du SARS-CoV-2 dans le district d'uMgungundlovu dans le Kwa-Zulu Natal, en Afrique du Sud, en utilisant des cartes et des données pour identifier les zones avec une Transmission élevée.
Conception et cadre de l'étude
Une étude transversale a été réalisée. Elle a inclus des personnes qui ont testé positif au SARS-CoV-2 dans le district d'uMgungundlovu pendant chacune des quatre Vagues du virus. Ce district est situé dans le Kwa-Zulu Natal et représente environ 10% de la population de la province, soit environ 1 million de personnes. L'endroit s'étend sur 9 189 kilomètres carrés et est divisé en sept zones plus petites. Pietermaritzburg est la ville principale et sert de capitale au district.
Collecte des données
Pendant la pandémie de COVID-19, les médecins ont collecté des échantillons de personnes suspectées d'être infectées et les ont envoyés dans des labos pour des tests. Ils ont utilisé des tests PCR et des tests antigéniques rapides dans des établissements de santé privés et publics. L'Institut national des maladies transmissibles (NICD) a collecté des données sur les cas positifs chaque jour, y compris des infos personnelles comme l'âge, le sexe, et quand le test a été effectué.
Analyse des données
Après avoir collecté les données, elles ont été analysées séparément pour chaque vague. Les infos ont été triées par sexe, et les données manquantes ont été notées. Des comparaisons ont été faites pour voir si les différences dans les données étaient significatives. Des logiciels statistiques ont été utilisés pour l'analyse. L'analyse des séries temporelles a aidé à montrer comment le nombre de cas a changé au fil du temps. Les données ont aussi été examinées à travers des cartes montrant où se trouvaient les cas.
Différents types d'Analyses ont aidé à identifier les clusters de cas. Cela impliquait de vérifier si les cas étaient regroupés dans certaines zones. Les zones avec beaucoup de cas proches les unes des autres ont été identifiées comme des hotspots, tandis que les zones avec peu de cas ont été notées comme des cold spots. Cela a aidé à comprendre comment le virus se propageait dans le district d'uMgungundlovu.
Considérations éthiques
Avant de commencer l'étude, une approbation a été obtenue pour s'assurer qu'elle respectait les directives éthiques. Le département de la santé et les directeurs de district ont également approuvé l'étude. Les données ont été collectées tout en gardant les infos individuelles privées. Tous les noms ont été remplacés par des numéros d'identification pour protéger l'identité des gens.
Vue d'ensemble de la transmission
Le nombre de tests positifs au COVID-19 a été suivi pour chaque vague du virus. Le plus grand nombre de cas a eu lieu pendant la troisième vague. Lors de la première vague, il y avait un peu plus de 10 000 cas, avec plus de cas trouvés chez les femmes par rapport aux hommes. L'âge moyen des hommes infectés était de 40,1 ans, tandis que pour les femmes, c'était légèrement plus élevé à 40,5 ans. Le groupe d'âge le plus touché était celui des 30 à 39 ans.
Lors de la deuxième vague, il y avait plus de 17 000 cas. Les cas féminins représentaient 59,7 % du total, tandis que les cas masculins étaient de 37,7 %. Dans la troisième vague, le total a atteint plus de 20 000 cas, avec 56,5 % de femmes et 42,8 % d'hommes. Notamment, plus de cas ont été enregistrés chez les jeunes enfants et les adolescents durant cette vague que lors des précédentes. La quatrième vague a vu juste un peu plus de 10 500 cas, avec une tendance similaire dans la répartition par sexe.
Analyse temporelle
La première vague a montré une augmentation des cas à partir de fin juin 2020, atteignant un pic en juillet puis diminuant lentement. Après ça, la deuxième vague a connu une montée rapide des cas fin 2020 et début 2021, attribuée à la présence du variant Beta.
Dans la troisième vague, les cas ont recommencé à augmenter en juin 2021, avec un pic atteint peu après et une rapide baisse ensuite. Le variant durant cette période était le variant Delta. La quatrième vague a commencé fin 2021, atteignant un pic rapidement par rapport aux vagues précédentes et était marquée par le variant Omicron.
Analyse spatiale
Cartographier la distribution des cas a montré des zones avec plus de personnes infectées. La partie centrale d'uMgungundlovu avait généralement plus de cas. Dans la vague trois, une zone spécifique, Mpofana, a connu une augmentation soudaine des cas. Les quartiers avec une plus grande activité économique avaient tendance à montrer plus de cas, indiquant que ces zones avaient plus d'interactions sociales.
L'analyse a révélé que différentes zones avaient des taux d'infection variables. Les endroits avec une population plus élevée et plus d'activités économiques avaient plus de cas. Ces résultats ont souligné que les zones urbaines, où les gens sont en contact plus étroit, sont plus vulnérables à la propagation du virus.
Comparaison entre les vagues
Lors de la première vague, des mesures strictes comme des confinements et le traçage des contacts ont maintenu les cas plus bas par rapport à d'autres endroits. Au fur et à mesure que la pandémie avançait, la deuxième vague a vu une augmentation en raison des restrictions assouplies, permettant plus de mouvement dans les communautés. La troisième vague a connu une hausse alarmante en raison des troubles sociaux et du non-respect des mesures de santé publique. La quatrième vague a été plus courte, probablement grâce aux efforts de vaccination en cours.
Conclusions clés
L'étude montre que certains groupes, notamment les femmes, avaient des taux de cas plus élevés par rapport aux hommes. Les données indiquaient également que les jeunes étaient de plus en plus infectés au fil de la pandémie. L'analyse a illustré comment les cas n'étaient pas répartis uniformément et étaient influencés par la localisation, la densité de la population et l'activité économique locale.
Les zones avec une forte activité économique et plus de personnes affichaient des niveaux d'infection plus élevés. En revanche, les zones rurales avaient moins de cas, ce qui peut être dû à un accès réduit aux tests.
Conclusion
Cette recherche contribue à la compréhension de la façon dont le COVID-19 s'est propagé dans le district d'uMgungundlovu. Les résultats soulignent la nécessité de mesures de santé publique ciblées, notamment dans les zones urbaines où le virus se propage plus facilement. Cela suggère que les efforts futurs devraient se concentrer sur les zones et les populations à haut risque pour gérer et contrôler efficacement la pandémie. D'autres recherches sont encouragées pour continuer à étudier comment les environnements urbains influencent la propagation des maladies infectieuses et pour trouver des interventions pratiques qui peuvent minimiser l'impact des futures épidémies.
Titre: Spatial and Temporal Patterns of SARS-CoV-2 transmission in uMgungundlovu, Kwa-Zulu Natal, South Africa
Résumé: BackgroundInvestigating the spatial distribution of SARS-CoV-2 at a local level and describing the pattern of disease occurrence can be used as the basis for efficient prevention and control measures. This research project aims to utilize geospatial analysis to understand the distribution patterns of SARS-CoV-2 and its relationship with certain co-existing factors. MethodsSpatial characteristics of SARS-CoV-2 were investigated over the first four waves of transmission using ESRI ArcGISPro v2.0, including Local Indicators of Spatial Association (LISA) with Morans "I" as the measure of spatial autocorrelation; and Kernel Density Estimation (KDE). In implementing temporal analysis, time series analysis using the Python Seaborn library was used, with separate modelling carried out for each wave. ResultsStatistically significant SARS-CoV-2 incidences were noted across age groups with p-values consistently < 0.001. The central region of the district experienced a higher level of clusters indicated by the LISA (Morans I: wave 1 - 0.22, wave 2 - 0.2, wave 3 - 0.11, wave 4 - 0.13) and the KDE (Highest density of cases: wave 1: 25.1-50, wave 2: 101-150, wave 3: 101-150, wave 4: 50.1-100). Temporal analysis showed more fluctuation at the beginning of each wave with less fluctuation in identified cases within the middle to end of each wave. ConclusionA Geospatial approach of analysing infectious disease transmission is proposed to guide control efforts (e.g., testing/tracing and vaccine rollout) for populations at higher vulnerability. Additionally, the nature and configuration of the social and built environment may be associated with increased transmission. However, locally specific empirical research is required to assess other relevant factors associated with increased transmission.
Auteurs: Peter S. Nyasulu, R. Gangat, V. Ngah, J. Blanford, R. Tawonga, J. R. Ncayiyana
Dernière mise à jour: 2023-12-09 00:00:00
Langue: English
Source URL: https://www.medrxiv.org/content/10.1101/2023.12.08.23299736
Source PDF: https://www.medrxiv.org/content/10.1101/2023.12.08.23299736.full.pdf
Licence: https://creativecommons.org/licenses/by/4.0/
Changements: Ce résumé a été créé avec l'aide de l'IA et peut contenir des inexactitudes. Pour obtenir des informations précises, veuillez vous référer aux documents sources originaux dont les liens figurent ici.
Merci à medrxiv pour l'utilisation de son interopérabilité en libre accès.