Startseite » Studien und Fachartikel » Geodemografie, Umwelt und gesellschaftliche Merkmale bestimmen die globale Vielfalt neu auftretender, zoonotischer und humaner Krankheitserreger

Geodemografie, Umwelt und gesellschaftliche Merkmale bestimmen die globale Vielfalt neu auftretender, zoonotischer und humaner Krankheitserreger

Publiziert: 16. März, 2021
  • von

Kurzfassung

Das Verständnis von menschlichen Krankheiten, Zoonosen und deren Entstehung ist eine globale Priorität. Ein tiefgreifendes Verständnis der Erregerökologie und der komplexen Beziehungen an der Schnittstelle zwischen Erreger und Umwelt ist für die Krankheitsbekämpfung und -abschwächung sowie für die Vorhersage der nächsten Zoonosepandemie unerlässlich. Hier wird die erste Analyse sozialer und umweltbedingter Faktoren vorgestellt, die mit der menschlichen, zoonotischen und neu auftretenden Erregervielfalt auf globaler Ebene in Verbindung stehen, wobei der Forschungsaufwand kontrolliert wird. Die Assoziationen zwischen Prädiktor und Reaktion wurden durch verallgemeinerte additive Modelle erfasst. Wir haben Daten auf nationaler Ebene verwendet, um die Entwicklung von Strategien zur Kontrolle und Eindämmung zu unterstützen. Wir zeigen, dass die Bevölkerungsdichte, die Landfläche, die Temperatur und der Index der menschlichen Entwicklung auf Länderebene mit der Vielfalt der menschlichen, neu auftretenden und zoonotischen Krankheitserreger verbunden sind. Mehrere Modelle, die Wechselwirkungen zwischen Gesellschaft, Erregern und Umwelt aufzeigen, belegen, dass soziale, ökologische und geografische Faktoren die globale Erregervielfalt vorhersagen. Die Analysen zeigen, dass Wettervariablen (Temperatur und Niederschlag) das Potenzial haben, die Erregervielfalt zu beeinflussen.

EINLEITUNG

Infektionskrankheiten sind eine der größten Bedrohungen für die menschliche Gesundheit und die Weltwirtschaft (Johnson et al., 2015). In einer Datenbank mit 335 neu auftretenden Infektionskrankheiten (EID) (definiert als solche, die durch neu entwickelte Erregerstämme wie multiresistente Erreger oder Erreger, die vor kurzem zum ersten Mal in menschliche Populationen eingedrungen sind, oder Erreger, deren Häufigkeit in letzter Zeit zugenommen hat, verursacht wurden) zwischen 1940 und 2004 hatten mehr als 60 % einen zoonotischen Ursprung (wobei zu beachten ist, dass zoonotische Erreger als Erreger definiert wurden, die von nicht-menschlichen Tieren stammen), und die Ereignisse nahmen im Laufe der Zeit zu (Jones et al., 2008). Im Laufe der Zeit sind viele neue Krankheitserreger aufgetreten, wie z. B. das Coronavirus des schweren akuten respiratorischen Syndroms, die H1N1-Grippe, Ebola und das Nipah-Virus (Morse et al., 2012; Murphy, 1998). In den letzten 50 Jahren wurden dreißig neue Krankheiten gemeldet, darunter die Legionärskrankheit, das erworbene Immunschwächesyndrom, Hepatitis C, das Nipah-Virus, Helicobacter pylori, das schwere akute respiratorische Syndrom, COVID-19, die Vogelgrippe, verschiedene virale hämorrhagische Fieber und die bovine spongiforme Enzephalopathie/Variante der Creutzfeldt-Jakob-Krankheit (Robin & Anthony, 2004). Es wird spekuliert, dass jederzeit überall auf der Welt neue Infektionskrankheiten auftreten könnten (Robin & Anthony, 2004), und die nächste menschliche Pandemie könnte einen zoonotischen Ursprung haben (Lancet, 2012), da die Evolution die biologische Vielfalt nutzt, um neue Krankheitserreger zu schaffen.

Anthropogene Störungen können eine wichtige Rolle bei der Entstehung von Krankheiten und Zoonosen spielen. Es wurde argumentiert, dass diese Störungen in erster Linie aus dem Eindringen des Menschen in unberührte Ökosysteme und Ökotone resultieren (Jones et al., 2013), und Mikroorganismen nutzen solche Umstände häufig aus (Robin & Anthony, 2004); es liegen jedoch nur begrenzte Informationen über die Prozesse und tatsächlichen Fakten von EIDs und Zoonosen durch Wildtiere weltweit vor. Es wird angenommen, dass die Wechselwirkungen zwischen ökologischen, biologischen und sozialen Prozessen in Südostasien es Mikroben ermöglichen, neue ökologische Nischen zu nutzen, was zu einem hohen Risiko durch neu auftretende Infektionskrankheiten in dieser Region führt (Coker et al., 2011). Der rasche Umweltwandel und die Intensivierung der Landwirtschaft spielen bei diesem Phänomen eine wichtige Rolle (Jones et al., 2013). Im Gegenteil, es sollte auch darauf hingewiesen werden, dass die Mehrheit der wiederkehrend übertragbaren zoonotischen Erreger (mit einem vorhandenen tierischen Reservoir) von Haustieren stammt und nur selten von Wildtieren übertragen wird – mit Ausnahme einiger weniger spezifischer Krankheiten, bei denen Haustiere wie Nagetiere die wichtigsten Reservoirwirte sind. Daher könnte der demografische Wandel bei Haustieren ein wichtiger Faktor sein, der mit dem Auftreten von Zoonosen zusammenhängt, und dies muss untersucht werden. Das Verständnis der ökologischen Wechselwirkungen, die neu auftretenden und zoonotischen Infektionskrankheiten zugrunde liegen (Qi et al., 2020; Ward et al., 2020a, 2020b), ist wichtig für deren Eindämmung und Kontrolle (Johnson et al., 2015).

Es ist noch nicht viel bekannt, und wir müssen alle Wechselwirkungen und Dynamiken bei EID und Zoonosen untersuchen, um ein umfassenderes kontextbezogenes und spezifisches Verständnis zu entwickeln. Es wird angenommen, dass die rasche Zunahme des Lebensmittelhandels und des Reisens von Menschen zu den wichtigsten Triebkräften für das Auftreten von Krankheitserregern gehört (Kilpatrick & Randolph, 2012). Die Modellierung der dynamischen Faktoren, die Infektionskrankheiten zugrunde liegen, kann die Entwicklung von Strategien zur Prävention und Bekämpfung von Krankheiten unterstützen (Heesterbeek et al., 2015). Politische Entscheidungsträger werden von den gewonnenen quantitativen Erkenntnissen für die Entscheidungsfindung und die Formulierung der Gesundheitspolitik profitieren (Heesterbeek et al., 2015).

Bislang gibt es nur wenige Krankheitsmodelle zum Verständnis der für die Erregervielfalt verantwortlichen Faktoren. Es gibt keine mechanistischen Analysen, die die Vielfalt der Erreger (menschliche, zoonotische und neu auftretende) an der Schnittstelle zwischen Gesellschaft und Umwelt und ihre nichtlinearen Beziehungen erfassen. Auch fehlt es an prädiktiven Modellen, die nationale Daten nutzen, um länderspezifische Bekämpfungsprogramme zu erstellen. Jones und Kollegen (Jones et al., 2008) analysierten anhand einer globalen Datenbank 335 EID-Ereignisse, die zwischen 1940 und 2004 gemeldet wurden. Allerdings wurden nur die Daten über neu auftretende Infektionskrankheiten modelliert; die bestehenden nichtlinearen Beziehungen (zwischen Vorhersage- und Reaktionsvariablen) wurden nicht berücksichtigt, und für die Modellbildung wurde eine begrenzte Anzahl von sozioökonomischen und umweltbezogenen Vorhersagevariablen verwendet. Im Anschluss daran wurde das Auftreten von 147 “neu auftretenden Infektionskrankheiten” für Wildtierzoonosen (oder nur zoonotischen Ursprungs) unter Verwendung demografischer und umweltbezogener Variablen modelliert (Allen et al., 2017). Diese Studie hatte jedoch auch einige Nachteile, da nicht für alle Krankheiten ein kontinuierlicher Zusammenhang mit Tieren hergestellt werden konnte. Es wurden auch biogeografische Gruppierungsmuster von 187 menschlichen Infektionskrankheiten beschrieben (Murray et al., 2015).

Aufbauend auf dieser früheren Forschung, die sich auf bestimmte Ereignisse/Krankheiten konzentrierte, führten wir eine neuartige sektorübergreifende Bewertung durch, bei der die relativen Beiträge potenzieller geodemografischer, umweltbezogener und sozialer Faktoren zur Vielfalt der menschlichen, zoonotischen und neu auftretenden Krankheitserreger rigoros untersucht wurden. Zu diesen Faktoren gehören insbesondere die treibenden Kräfte, die für die Entstehung von Infektionskrankheiten ausschlaggebend sind (Binder et al., 1999; Jones et al., 2008; Morens et al., 2010; Robin & Anthony, 2004). Ein tiefgreifendes Verständnis der Pathogenökologie sowie der komplexen Beziehungen an der Schnittstelle zwischen Erreger und Umwelt ist für die Krankheitsbekämpfung und -minderung sowie für die Vorhersage der nächsten Zoonosepandemie unerlässlich. Maßnahmen des öffentlichen Gesundheitswesens sind wichtige Barrieren für das Auftreten von Krankheiten und Zoonosen (Lindgren et al., 2012; Mitchell, 2000). Daher wurden auch die Auswirkungen von Gesundheitseinrichtungen und Gesundheitsausgaben sowie von Forschung und Entwicklung auf die Erregervielfalt untersucht.

Wir möchten den Leser auch auf die verschiedenen Unsicherheiten und Kontroversen im Zusammenhang mit den in dieser und in früheren Studien zu diesem Thema verwendeten Ontologien hinweisen und ihn darauf aufmerksam machen. Nach der Definition des Joint WHO/FAO Expert Committee on Zoonoses (Gemeinsamer Sachverständigenausschuss der WHO und der FAO für Zoonosen) sind Zoonosen “diejenigen Krankheiten und Infektionen, die auf natürliche Weise zwischen Wirbeltieren und Menschen übertragen werden (WHO/FAO, 1959)”. Doch selbst die WHO verwendet unterschiedliche Definitionen des Begriffs “Zoonose”. So verwendet die WHO beispielsweise zwei andere – sehr unterschiedliche – Definitionen von Zoonosen: (a) “Eine Zoonose ist jede Krankheit oder Infektion, die auf natürliche Weise von Wirbeltieren auf den Menschen übertragbar ist” und (b) “Eine Zoonose ist eine Infektionskrankheit, die von einem nichtmenschlichen Tier auf den Menschen übergesprungen ist” (https://www.who.int/news-room/fact-sheets/detail/zoonoses). Dies hat zu Meinungsverschiedenheiten hinsichtlich der Infektionserreger geführt, die als Zoonoseerreger gelten sollten. So sind einige der Meinung, dass von der WHO als zoonotisch eingestufte Erreger wie HIV oder neuartige Coronaviren (https://www.who.int/news-room/fact-sheets/detail/zoonoses) als nicht zoonotische Erreger betrachtet werden sollten, da diese Erreger derzeit nicht zwischen nichtmenschlichen Wirbeltieren und Menschen übertragen werden. In dieser und anderen Studien (Taylor et al., 2001; Woolhouse & Gowtage-Sequeria, 2005) wurde die Standarddefinition der WHO (WHO/FAO, 1959) für die Klassifizierung von Infektionserregern verwendet, während Jones et al. (2008) eine andere Definition zur Einstufung von Erregern als zoonotisch (d. h. Erreger, die von nichtmenschlichen Tieren stammen) verwendet haben. Aufgrund der unterschiedlichen Ontologien, die für zoonotische oder neu auftretende Krankheitserreger verwendet werden, sollten diese Modellierungsstudien daher sorgfältig interpretiert und mit Vorsicht verglichen werden. Es ist zu beachten, dass die Ergebnisse unserer Studie möglicherweise anders ausgefallen wären, wenn wir nur die zwischen Menschen und nichtmenschlichen Wirbeltieren wiederkehrend übertragbaren Erreger (die ein tierisches Reservoir zur Aufrechterhaltung benötigen) als zoonotische Erreger betrachtet hätten.

Schließlich wurden die zoonotischen oder neu auftretenden Krankheitserreger in dieser Studie wie in den Methoden beschrieben klassifiziert. Die Isolierung dieser Organismen aus verschiedenen Wirten/Ländern beschreibt lediglich ihr zoonotisches und neu auftretendes Potenzial; einige dieser Erreger sind in diesen spezifischen Ländern möglicherweise nicht tatsächlich neu auftretend oder zoonotisch.

METHODEN

Mikroben-Länderdatensatz

Ein von Wardeh et al. (2015) entwickelter Datensatz zu Art-Standort-Interaktionen wurde verwendet, um virale, bakterielle, parasitäre und pilzliche Mikroben zu bestimmen, die von Wirbeltierwirten in verschiedenen Ländern isoliert wurden. Der für die Analysen verwendete Datensatz enthielt 13.892 einzigartige Mikroben-Länder-Interaktionen (Anhang S1, S. 130-408). Alle Einzelheiten zur Entwicklung des Mikroben-Länder-Datensatzes sind in Anhang S1, S. 3, zu finden. Es ist zu beachten, dass es zu einer Verzerrung der Berichterstattung kommen kann, die auf Faktoren wie unterschiedliche Kapazitäten in den verschiedenen Ländern und auf die Ausrichtung der Forschung auf frühere Entscheidungen über Risiken zurückzuführen ist.

Menschliche, zoonotische und neu auftretende Erreger

Zunächst klassifizierten wir alle Mikroben in menschliche, zoonotische und neu auftretende Erreger, wie von Taylor und Kollegen (Taylor et al., 2001) sowie Woolhouse und Gowtage-Sequeria (Woolhouse & Gowtage-Sequeria, 2005) berichtet. Zoonoseerreger wurden von der Weltgesundheitsorganisation (WHO/FAO, 1959) als “Krankheiten und Infektionen, die auf natürliche Weise zwischen Wirbeltieren und Menschen übertragen werden” eingestuft.

Arten wie HIV, die nicht mehr zwischen Mensch und Tier übertragen werden, galten jedoch nicht als zoonotisch (Taylor et al., 2001). Neu auftretende Krankheitserreger wurden definiert als solche, “die zum ersten Mal in einer menschlichen Population aufgetreten sind oder bereits vorher aufgetreten sind, deren Häufigkeit jedoch zunimmt oder die sich in Gebiete ausbreiten, in denen sie bisher nicht gemeldet wurden, normalerweise in den letzten 20 Jahren” (IOM, 1992). Menschliche Erreger wurden definiert als zuvor gemeldete infektiöse menschliche Krankheitserreger (Taylor et al., 2001) sowie zusätzliche Mikroben, die Berichten zufolge einen menschlichen Wirt haben (Wardeh et al., 2015). Der Datensatz enthielt auch Erreger für den Menschen/auftauchende/zoonotische Erreger, die möglicherweise noch nicht bei menschlichen Wirten aufgetreten sind oder über die noch nicht berichtet wurde oder die ihr zoonotisches/auftauchendes Potenzial in einem bestimmten Land nachgewiesen haben, die aber Menschen infizieren könnten und sich in anderen Teilen der Welt als zoonotisch/auftauchend erwiesen haben. Dieser Datensatz enthielt auch Informationen über den Mikrobentyp (d. h. ob es sich um Viren, Bakterien, Parasiten oder Pilze handelt).

Länderspezifische Parameter

Wir untersuchten veröffentlichte und amtliche Daten und stellten Informationen zu 49 länderspezifischen geodemografischen, sozialen, Handels- und Umweltfaktoren zusammen (Anhang S1, S. 4-5).

Erreger-Länder-Wechselwirkungen und länderspezifische Parameter

Die eindeutigen Erreger-Länder-Interaktionsdaten wurden mit den länderspezifischen Variablen zusammengeführt, um den analytischen Datensatz zu erstellen. Der endgültige Datensatz enthielt Informationen über länderspezifische Parameter und die Anzahl der aus verschiedenen Ländern isolierten humanen, neu auftretenden, zoonotischen und gesamten Erreger (Anhang S1, S. 6-46).

Fehlende Daten

Ursprünglich hatten wir Informationen für 224 Länder für 49 Variablen zusammengestellt, aber wegen fehlender Informationen wurden die folgenden Länder ausgeschlossen: Anguilla; Antarktis; Aruba; Bonaire, Sint Eustatius und Saba; Britische Jungferninseln; Kaimaninseln; Cookinseln; Curaçao; Falklandinseln; Färöer-Inseln; Französisch-Guayana; Französisch-Polynesien; Grönland; Guadeloupe; Guam; Isle of Man; Macao; Martinique; Mayotte; Montserrat; Neukaledonien; Niue; Nördliche Marianen; Palästinensisches Territorium; Reunion; St. Helena; St. Martin; Taiwan; Turks- und Caicosinseln; US-Jungferninseln; Kleine Überseeinseln der Vereinigten Staaten; Wallis und Futuna; und die Kanalinseln. Der endgültige Datensatz (für die ursprüngliche Modellierung) enthielt Informationen für 190 Länder (Anhang S1, S. 6-46).

Prädiktoren und Ergebnisse

Wir verwendeten die länderspezifischen Parameter (Anhang S1, S. 4-5) als Hauptprädiktoren. Es wurden drei mit Wirtserregern assoziierte Ergebnisse untersucht: zoonotische, neu auftretende und humanpathogene Vielfalt auf Länderebene, wobei die zoonotische/neu auftretende/humane Erregervielfalt als die Gesamtzahl verschiedener zoonotischer/neu auftretender/humaner Erreger definiert wurde, die aus einem bestimmten Land gemeldet wurden.

Statistische Analyse

Die durchgeführten deskriptiven Analysen umfassten die Erstellung von Histogrammen und Streudiagrammen der Prädiktoren mit den Ergebnissen. Die Daten wurden auf die Annahmen der Linearität und Normalität geprüft. Eine Variable wurde log-transformiert, wenn die Normalitätsannahmen nicht erfüllt waren (Anhang S1, S. 47). Außerdem wurden bei einigen Prädiktorvariablen in den Daten (ursprünglich oder log-transformiert) nicht-fehlerhafte, nicht-repräsentative Ausreißer (Werte >1,5-facher Interquartilsbereich) festgestellt. Diese Ausreißer wurden durch Winsorisierung behandelt, und alle weiteren Analysen wurden sowohl mit dem ursprünglichen als auch mit dem winsorisierten Datensatz durchgeführt.

Verallgemeinertes additives Modell (GAM)

Wir erstellten drei separate Modelle für die Antwortvariablen der zoonotischen, neu auftretenden und humanen Erregerdiversität, wobei wir sowohl die ursprünglichen als auch die winsorisierten Daten verwendeten. Aufgrund nicht linearer Zusammenhänge zwischen einigen Prädiktoren und den Ergebnissen verglichen wir additive Modelle unter Verwendung nicht linearer Splines mit linearen Modellen und wählten das Modell aus, bei dem die Daten signifikant besser passten und einen niedrigeren Akaike-Informationskriterium-Wert aufwiesen.

Anschließend wurde eine Korrelationsmatrix (getrennt für Daten mit Ausreißern und winsorisierten Daten) zwischen den Prädiktorvariablen erstellt, um auf Kollinearität zu prüfen. Von den Prädiktoren mit einem Pearson-Korrelationskoeffizienten >0,90 wurde zunächst nur ein Prädiktor für die multivariablen Modelle ausgewählt (Anhang S1, S. 48-49). Aus diesen Variablen wurden die endgültigen multivariablen Modelle erstellt. Wir folgten einem schrittweisen Vorwärtsansatz und behielten Variablen mit p < .001 bei, gefolgt von einer erneuten Prüfung aller Variablen mit p < .25 und aller nicht signifikanten Variablen. Ein endgültiges multivariables Modell wurde auch erneut getestet, indem eine nicht lineare Spline-Variable einzeln durch eine lineare Variable ersetzt wurde und das Modell beibehalten wurde, bei dem die Daten signifikant besser passten und einen niedrigeren Akaike-Informationskriterium-Wert aufwiesen.

Die statistischen Analysen wurden mit dem Statistikprogramm R (R statistical package version 3-4-0, R Development Core Team [2015], http://www.r-project.org) durchgeführt. Wir verwendeten die parametrische Funktion “linear” und die nicht-parametrische Funktion “s spline (thin plate regression spline fit)” zur Anpassung der Prädiktorvariablen. Die Funktion “ti spline” wurde verwendet, um signifikante Interaktionen zwischen den kombinierten parametrischen und nicht-parametrischen Antwortvariablen zu bestimmen. Die GAM-Modellanpassung trennte den linearen Trend der Prädiktorvariablen von allen anderen nicht-parametrischen Assoziationen, um die Bedeutung von Glättungsvariablen mit nicht-linearen Mustern zu bestimmen. Die endgültigen Modelle wurden auf Übereinstimmung geprüft (ein nicht-parametrisches Analogon der Multikollinearität), und die Modelldiagnose wurde ebenfalls untersucht.

Controlling des Forschungsaufwands

Zur Kontrolle des Forschungsaufwands haben wir die Bruttoinlandsausgaben für Forschung und Entwicklung (GERD in Tausend US-Dollar) der Länder in alle Analysemodelle einbezogen. Alle nicht signifikanten Variablen wurden in den Modellen erneut getestet.

Vorhersage der erwarteten Reaktion

Die GAM-Modelle wurden verwendet, um die erwartete Antwortvariable anhand aller verfügbaren Daten vorherzusagen. Kurz gesagt, wir verwendeten Daten aus allen 224 Ländern (für Vorhersagen; Anhang S1, S. 50-71), soweit sie für alle in den GAM-Modellen angegebenen signifikanten Prädiktoren verfügbar waren.

ERGEBNISSE

Wir untersuchten den oben beschriebenen Länderdatensatz und fanden einen Median von 26 (Spanne 1-858) Mikroorganismen, 17 (1-297) menschlichen Mikroorganismen, 11 (1-190) zoonotischen Erregern und 11 (Spanne 1-94) neu auftretenden menschlichen Erregern pro Land. Deskriptive Analysen sind in Anhang S1 (S. 72-77) enthalten. Nach Ausschluss von Variablen mit einem Pearson-Korrelationskoeffizienten >0,90 wurden insgesamt 28 Prädiktorvariablen in multivariable Modelle aufgenommen (Anhang S1, S. 48-49).

Verallgemeinerte additive Modellierung

Insgesamt erklärten alle in der GAM enthaltenen Prädiktorvariablen 74,8-87,2 % der Abweichung in den verschiedenen Modellen.

Vielfalt der Zoonoseerreger

Der Logarithmus der Landfläche, der Index der menschlichen Entwicklung, der Logarithmus der Bevölkerungsdichte, der Logarithmus der mittleren Jahrestemperatur (Durchschnitt), der Logarithmus des Anteils der Exporte am Bruttoinlandsprodukt (BIP) und der Anteil der Waldfläche wurden mit der Vielfalt der Zoonoseerreger in Verbindung gebracht (Tabelle 1, Abbildung 1). Es gab signifikante Wechselwirkungen zwischen dem Index der menschlichen Entwicklung und dem Logarithmus der mittleren Jahrestemperatur (Durchschnitt) sowie zwischen dem Index der menschlichen Entwicklung und dem Logarithmus der Landfläche (Abbildung 1).

TABELLE 1. Verallgemeinerte additive Modelle der Diversität von Zoonoseerregern (Originaldaten, Ergebnis – logarithmierte Anzahl von Zoonoseerregern), die aus verschiedenen Ländern gemeldet wurden

ABBILDUNG 1
Geglättete Kurven des additiven Effekts auf die geschätzte Anzahl von Zoonoseerregern (Originaldaten – unkontrollierter Forschungsaufwand) für die einzelnen Umwelt- und Sozialparameter im generalisierten additiven Modell. Die schattierten Flächen stellen 95%-Konfidenzintervalle dar. Dargestellt sind die kombinierte Wirkung der linearen und nichtparametrischen Beiträge sowie signifikante Wechselwirkungen zwischen den geglätteten Termen. p-Wert für alle Variablen <.001. LLA, Logarithmus der Landfläche; LMATA, Logarithmus der durchschnittlichen Jahrestemperatur

Nach Kontrolle des Forschungsaufwands blieben nur der Logarithmus der Landfläche, der Logarithmus der menschlichen Bevölkerungsdichte, der Anteil der Waldfläche und der Forschungsaufwand (log GERD in US-Dollar) als signifikante Prädiktoren übrig (Tabelle 1, Abbildung 2).

ABBILDUNG 2
Geglättete Kurven des additiven Effekts auf die geschätzte Anzahl von Zoonoseerregern (Originaldaten – kontrolliert für den Forschungsaufwand) für die einzelnen Umwelt- und Sozialparameter im generalisierten additiven Modell. Die schattierten Flächen stellen 95%-Konfidenzintervalle dar. Es werden Diagramme dargestellt, die den kombinierten Effekt der linearen und nicht-parametrischen Beiträge zeigen. Die Werte in den Achsenlegenden stellen geschätzte Freiheitsgrade dar. p-Wert für alle Variablen <.001

Weitere Ergebnisse, einschließlich der Analyse von Winsorized-Daten, sind im Anhang S1 (S. 78-87) aufgeführt.

Neu auftretende Erregervielfalt

Die GAM zeigte, dass die neu auftretende Erregervielfalt mit dem Logarithmus der menschlichen Bevölkerungsdichte, dem prozentualen Anteil der landwirtschaftlichen Nutzfläche, dem Logarithmus der Landfläche, dem Indexwert für die menschliche Entwicklung, dem nationalen Index für die biologische Vielfalt, dem Längengrad und dem Logarithmus der Schafpopulation zusammenhängt (Tabelle 2, Abbildung 3).

TABELLE 2. Verallgemeinerte additive Modelle der Vielfalt neu auftretender Krankheitserreger (Ergebnis – logarithmierte Anzahl neu auftretender Krankheitserreger), die aus verschiedenen Ländern gemeldet wurden

ABBILDUNG 3
Geglättete Kurven des additiven Effekts auf die geschätzte Anzahl neu auftretender Krankheitserreger (Originaldaten – unkontrollierter Forschungsaufwand) für die einzelnen Umwelt- und Sozialparameter im generalisierten additiven Modell. Die schattierten Bereiche stellen 95% Konfidenzintervalle dar. Dargestellt ist der kombinierte Effekt der linearen und nicht-parametrischen Beiträge. p-Wert für alle Variablen <.001, außer für den nationalen Biodiversitätsindex (p = .01) und den Logarithmus der Schafpopulation (p = .037)

Nach Kontrolle des Forschungsaufwands wurde die Vielfalt der neu auftretenden Krankheitserreger mit dem Logarithmus der menschlichen Bevölkerungsdichte, dem Logarithmus der Landfläche, dem Indexwert der menschlichen Entwicklung und dem Logarithmus der durchschnittlichen Jahrestemperatur in Verbindung gebracht (Tabelle 2, Abbildung 4). Darüber hinaus wurden signifikante Interaktionseffekte zwischen dem Indexwert für die menschliche Entwicklung und dem Logarithmus der Landfläche, dem Längengrad, dem Logarithmus der menschlichen Bevölkerungsdichte, dem Indexwert für die menschliche Entwicklung und dem Logarithmus der mittleren Jahrestemperatur, dem Logarithmus der mittleren Jahrestemperatur und der Sterblichkeitsrate pro 1.000 Personen festgestellt (Abbildung 4). Weitere Ergebnisse, einschließlich der Analyse der winsorisierten Daten, sind in Anhang S1 (S. 88-106) enthalten.

ABBILDUNG 4
Geglättete Kurven des additiven Effekts auf die geschätzte Anzahl neu auftretender Krankheitserreger (Originaldaten-kontrollierter Forschungsaufwand) für die einzelnen Umwelt- und Sozialparameter im generalisierten additiven Modell. Die schattierten Bereiche stellen 95% Konfidenzintervalle dar. Dargestellt sind die signifikanten Wechselwirkungen zwischen den geglätteten Termen. p-Wert für alle Variablen <.01 mit Ausnahme der Wechselwirkungen zwischen Längengrad und Logarithmus der menschlichen Bevölkerungsdichte (p = .03). DRPOP, Sterberate pro 1.000 Menschen; LHPD, Logarithmus der menschlichen Bevölkerungsdichte; LLA, Logarithmus der Landfläche; LMATA, Logarithmus der mittleren Jahrestemperatur

Vielfalt der menschlichen Krankheitserreger

Die GAM zeigte eine lineare Beziehung zwischen der Vielfalt menschlicher Krankheitserreger und dem Logarithmus der menschlichen Bevölkerungsdichte sowie dem Logarithmus der durchschnittlichen Jahrestemperatur. Die Vielfalt menschlicher Krankheitserreger war auch mit dem Indexwert für die menschliche Entwicklung und dem nationalen Niederschlagsindex verbunden (Tabelle 3, Abbildung 5). Darüber hinaus wurden signifikante Interaktionseffekte zwischen dem Indexwert für die menschliche Entwicklung und dem Logarithmus der Bevölkerungsdichte, dem Indexwert für die menschliche Entwicklung und dem Logarithmus der Landfläche, dem Indexwert für die menschliche Entwicklung und dem Logarithmus der mittleren Jahrestemperatur, dem nationalen Niederschlagsindex sowie dem Logarithmus der Bevölkerungsdichte, dem Indexwert für die menschliche Entwicklung und dem nationalen Niederschlagsindex festgestellt (Tabelle 3, Abbildung 5).

TABELLE 3. Verallgemeinerte additive Modelle der Humanpathogenvielfalt (Ergebnis – logarithmierte Anzahl von Humanpathogenen) aus verschiedenen Ländern

Abkürzungen: BIP, Bruttoinlandsprodukt; BAFE, Bruttoinlandsausgaben für Forschung und Entwicklung.
ABBILDUNG 5
Geglättete Kurven des additiven Effekts auf die geschätzte Anzahl der menschlichen Krankheitserreger (Originaldaten – unkontrollierter Forschungsaufwand) für die einzelnen Umwelt- und Sozialparameter im verallgemeinerten additiven Modell. Die schattierten Flächen stellen 95%-Konfidenzintervalle dar. Dargestellt sind die signifikanten Wechselwirkungen zwischen den geglätteten Termen. p-Wert für alle Variablen <.001 mit Ausnahme des Wechselwirkungseffekts zwischen dem Index der menschlichen Entwicklung und dem nationalen Niederschlagsindex (p = .03). LHPD, Logarithmus der menschlichen Bevölkerungsdichte; LLA, Logarithmus der Landfläche; LMATA, Logarithmus der durchschnittlichen Jahrestemperatur; NRI, Nationaler Niederschlagsindex

Nach Kontrolle des Forschungsaufwands wiesen der Logarithmus der durchschnittlichen Jahrestemperatur, der Logarithmus der Landfläche und der Logarithmus der Bevölkerungsdichte einen linearen Zusammenhang mit der Vielfalt menschlicher Krankheitserreger auf (Tabelle 3). Der Wert des Index für menschliche Entwicklung und der Logarithmus der Gesundheitsausgaben in Prozent des BIP waren ebenfalls mit der Vielfalt menschlicher Krankheitserreger verbunden (Abbildung 6). Darüber hinaus wurden signifikante Interaktionseffekte zwischen dem Wert des Index für menschliche Entwicklung und dem Logarithmus der menschlichen Bevölkerungsdichte, dem Wert des Index für menschliche Entwicklung und dem Logarithmus der durchschnittlichen Jahrestemperatur, dem Wert des Index für menschliche Entwicklung und dem Logarithmus der Landfläche, dem nationalen Niederschlagsindex und dem Logarithmus der durchschnittlichen Jahrestemperatur, dem nationalen Niederschlagsindex und dem Logarithmus der Landfläche, dem Logarithmus der BAFE in US-Dollar und dem Logarithmus der menschlichen Bevölkerungsdichte sowie dem Logarithmus der BAFE in US-Dollar und dem Logarithmus der Landfläche festgestellt (Abbildung 6). Weitere Ergebnisse, einschließlich der Analyse der winsorisierten Daten, sind in Anhang S1 (S. 107-121) enthalten.

ABBILDUNG 6
Geglättete Kurven des additiven Effekts auf die geschätzte Anzahl der menschlichen Krankheitserreger (Originaldaten-kontrollierter Forschungsaufwand) für die einzelnen Umwelt- und Sozialparameter im verallgemeinerten additiven Modell. Die schattierten Bereiche stellen 95% Konfidenzintervalle dar. Dargestellt sind die signifikanten Wechselwirkungen zwischen den geglätteten Termen. p-Wert für alle Variablen <.01 mit Ausnahme des Wechselwirkungseffekts zwischen nationalem Niederschlagsindex und Logarithmus der mittleren Jahrestemperatur (p = .04). LHPD, Logarithmus der menschlichen Bevölkerungsdichte; LLA, Logarithmus der Landfläche; LMATA, Logarithmus der mittleren Jahrestemperatur

Vorhersage der erwarteten Reaktion

Die Vorhersagewerte der Antwortvariablen für alle GAM-Modelle sind in Anhang S1 (S. 108-112) aufgeführt. Abbildung 7 zeigt eine Karte des globalen Reichtums der Erregervielfalt in verschiedenen Ländern. Die Analyse zeigt eine hohe Erregervielfalt in vielen Ländern Latein- und Nordamerikas, Asiens, Australiens und Europas (Anhang S1, S. 122-126).

ABBILDUNG 7
Voraussichtliche globale Karte der Vielfalt von Krankheitserregern in verschiedenen Ländern – Originaldaten (von oben nach unten): (a) Vielfalt der Zoonoseerreger; (b) Vielfalt der neu auftretenden Erreger; (c) Vielfalt der Humanpathogene

DISKUSSION

Wir kommen zu dem Schluss, dass geodemografische, ökologische und soziale Faktoren wichtige Prädiktoren für die Vielfalt von Zoonoseerregern, neu auftretenden Erregern und Humanpathogenen sind. Wir glauben, dass diese Analyse unser Verständnis der Vielfalt von menschlichen, zoonotischen und neu auftretenden Krankheitserregern sowie der damit verbundenen globalen Risikofaktoren fördern wird. Die gewonnenen Daten sind wertvoll für ähnliche Untersuchungen in der Zukunft. Insgesamt wurde festgestellt, dass die Zahl der aus den verschiedenen Ländern gemeldeten Human-, Zoonose- und neu auftretenden Krankheitserreger sehr unterschiedlich ist. Die mangelnde Einheitlichkeit ist wahrscheinlich auf unterschiedliche ökologische, soziale und geografische Faktoren auf Länderebene sowie auf mögliche Unterschiede in der Berichterstattung zurückzuführen.

Wir haben in dieser Studie Daten auf nationaler Ebene verwendet, so dass jedes Land diese Modelle nach der Erhebung der gewünschten Daten für die Entwicklung seiner eigenen Politik und zur Information über seine Kontroll- oder Eindämmungsmaßnahmen verwenden kann. Diese Modelle berücksichtigen jedoch keine subnationalen Unterschiede; daher sollten die Ergebnisse für Länder mit großen subnationalen Unterschieden in Geodemografie, Umwelt und gesellschaftlichen Merkmalen vorsichtig interpretiert werden. Wir haben auch den Forschungsaufwand kontrolliert, um unverfälschte Ergebnisse zu erhalten; allerdings ist bei den Methoden und Ergebnissen mit einem gewissen Grad an Unsicherheit zu rechnen. Wir sind der Ansicht, dass die Bruttoinlandsausgaben für Forschung und Entwicklung (GERD) pro Land ein geeigneterer Indikator für die Kontrolle des Forschungsaufwands sind als eine frühere Studie (Jones et al., 2008), die diese Verzerrungen durch die Quantifizierung des Berichtsaufwands in einer internationalen Zeitschrift (JID) berücksichtigte. Letztere ist verzerrt; so haben beispielsweise Wissenschaftler aus nicht englischsprachigen Ländern ihre Forschungsergebnisse wahrscheinlich in muttersprachlichen Zeitschriften veröffentlicht. Viele Länder oder Institute haben ihre Forschungsarbeiten möglicherweise nicht veröffentlicht. GERD ist eine weniger verzerrte Darstellung der Forschungsanstrengungen eines Landes, da sich die Unterstützung durch Labore eher in der Anzahl der aus diesem Land gemeldeten Krankheitserreger niederschlägt. GAM-Modelle ergaben eine höhere Anzahl neu auftretender Krankheitserreger (unkontrollierter Forschungsaufwand) für Länder im Längengradbereich von -50,0° bis 0° und ≥150°. Nach Kontrolle des Forschungsaufwands wurde festgestellt, dass Länder mit einem Längengrad zwischen -100° und -30,0° (nord- und südamerikanische Länder) und einer hohen menschlichen Bevölkerungsdichte eine höhere Anzahl von Zoonoseerregern melden. Obwohl nur geringfügig signifikant, wurde in den niedrigeren Breitengraden eine höhere Anzahl von neu auftretenden Erregern festgestellt. Die möglichen Auswirkungen der Nähe zum Äquator und der Hemisphäre müssen weiter untersucht werden.

Bei der Analyse der winsorisierten Daten wurden bestimmte Abweichungen festgestellt. So waren beispielsweise zusätzliche signifikante Prädiktoren – wie die logarithmierte mittlere Jahrestemperatur, der HDI-Wert und die geografische Länge – auch mit der Vielfalt der Zoonoseerreger assoziiert (nach Kontrolle des Forschungsaufwands); und die Variable Waldflächenanteil wurde nicht signifikant mit der Vielfalt der Zoonoseerreger assoziiert (nach Kontrolle des Forschungsaufwands). Nach der Kontrolle für den Forschungsaufwand waren die Prädiktoren für die Vielfalt neu auftretender Krankheitserreger (ursprüngliche und winsorisierte Daten) ähnlich, außer dass die logarithmischen Gesundheitsausgaben in Prozent des BIP zusätzlich mit der Vielfalt neu auftretender Krankheitserreger assoziiert waren (winsorisierte Daten).

Wir berücksichtigten nichtlineare Beziehungen und verwendeten 49 sozioökonomische und umweltbezogene Variablen bei der Modellentwicklung. Indem wir die biologische Vielfalt der Erreger und nicht die EID-Ereignisse als Reaktionsvariable verwendeten, konnten wir auch das unbekannte oder zukünftige Auftreten von Krankheiten berücksichtigen.

Wir fanden heraus, dass die Bevölkerungsdichte, die Landfläche, die mittlere Jahrestemperatur (Durchschnitt) und der Indexwert für die menschliche Entwicklung mit der Gesamtvielfalt von humanen, neu auftretenden und zoonotischen Krankheitserregern in Zusammenhang stehen, und dieser Zusammenhang ist nicht auf EID-Ereignisse beschränkt, wie zuvor berichtet (Jones et al., 2008). Der nationale Niederschlagsindex war ein signifikanter Prädiktor in den Modellen für die Vielfalt von Human- und Zoonoseerregern, spielte aber keine Rolle für die Vielfalt neu auftretender Erreger. Unsere Analysen deuten darauf hin, dass viele sozioökonomische und Umweltfaktoren für die Vielfalt von Zoonoseerregern und Humanpathogenen ebenso wichtig sind wie für das Auftreten von Krankheiten.

Unsere Analyse zeigt, dass der nationale Biodiversitätsindex ein signifikanter Prädiktor für die Vielfalt neu auftretender Krankheitserreger ist, wie dies auch für EID-Ereignisse von Jones und Kollegen berichtet wurde (Jones et al., 2008). Wir berichten auch, dass der prozentuale Anteil der Waldfläche mit der Vielfalt der Zoonoseerreger in Verbindung steht. Wälder beherbergen die Biodiversität von Landtieren (Brockerhoff et al., 2017), und die Entwaldung und das Eindringen in Wälder wurden mit Zoonosen in Verbindung gebracht (Wolfe et al., 2005). Wir fanden heraus, dass die Vielfalt neu auftretender menschlicher Krankheitserreger zusätzlich mit dem Längengrad und der Sterblichkeitsrate pro 1.000 Menschen korreliert war. Dies muss weiter erforscht werden.

Soweit uns bekannt ist, wurden Umwelt- und soziale Faktoren, die mit der gesamten menschlichen und zoonotischen Erregervielfalt zusammenhängen, bisher nicht untersucht. Neben der Bevölkerungsdichte, der Landfläche, der mittleren Jahrestemperatur (Durchschnitt) und dem Indexwert für die menschliche Entwicklung wurden zahlreiche weitere Faktoren ermittelt, die mit der zoonotischen Vielfalt in Zusammenhang stehen, darunter beispielsweise der prozentuale Anteil der Waldfläche und der prozentuale Anteil der Exporte am BIP. In ähnlicher Weise wurde die Vielfalt der menschlichen Krankheitserreger mit dem prozentualen Anteil der logarithmischen Gesundheitsausgaben am BIP und dem nationalen Niederschlagsindex in Verbindung gebracht.

Bei der Zusammenstellung der Informationen in der Erregerdatenbank wurde eine strenge Methodik angewandt. Die wichtigste Einschränkung dieser Studie besteht jedoch darin, dass die Informationen immer noch unvollständig sind. Einige der Gründe dafür sind, dass eine Reihe von bereits bekannten und neuen, noch nicht entdeckten Krankheitserregern, insbesondere in weniger entwickelten Ländern, nicht gemeldet wurden, und dass für einige der Prädiktorvariablen die letzten verfügbaren Daten fehlende Werte enthielten, weil die jüngsten Daten nicht aktualisiert worden waren. Auch die geografischen und umweltbedingten Unterschiede innerhalb eines Landes bleiben unberücksichtigt. Der Einfluss der verschiedenen Jahreszeiten auf die Erregervielfalt bleibt ebenfalls unberücksichtigt. Aufgrund fehlender Prädiktorendaten konnten wir die Erregervielfalt nicht für alle Länder der Welt vorhersagen. Das Fehlen von Daten für einige Länder verhinderte die Kontrolle des Forschungsaufwands. Außerdem konnten wir diese Daten nicht auf der Ebene der Unterarten testen, so dass es auf dieser Ebene zu drastischen Abweichungen kommen könnte, insbesondere beim Auftreten von Krankheiten. Wir glauben jedoch, dass die Verfügbarkeit unserer Daten den Ländern, für die derzeit keine Prädiktor-/Reaktionsdaten verfügbar sind, helfen wird, die gewünschten Informationen für die Analyse mit unseren Modellen zu entwickeln. Dies wird dazu beitragen, die mit unvollständigen Daten verbundenen Einschränkungen in Zukunft zu überwinden.

Insgesamt stehen soziale und ökologische Faktoren sowie die Geografie in signifikantem Zusammenhang mit der globalen Pathogenvielfalt. Schließlich zeigen unsere Analysen, dass Wettervariablen (Temperatur und Niederschlag) das Potenzial haben, die Erregervielfalt zu beeinflussen. Weitere Forschung ist erforderlich, um die langfristigen Auswirkungen dieser Variablen zu bewerten. Auch die Auswirkungen des Klimawandels auf die Erregervielfalt sind ein Thema, das noch erforscht werden muss. Wir glauben, dass künftige Modelle, die auf der gleichzeitigen Prüfung von Wirts-, Erreger- und Umweltmerkmalen zur Vorhersage beruhen, mehr Licht in die Entstehung von Krankheiten und Zoonosen bringen werden.

Wir kommen zu dem Schluss, dass Wettervariablen sowie die Erhaltung der Wälder und der biologischen Vielfalt das Potenzial haben, die Vielfalt der menschlichen, zoonotischen und neu auftretenden Krankheitserreger in naher Zukunft zu beeinflussen.

DANKSAGUNGEN

Die Autoren danken dem Ministerium für allgemeine und berufliche Bildung der australischen Regierung für die Bereitstellung des Endeavour-Forschungsstipendiums 2018 für den Erstautor zur Durchführung dieser Forschung.

INTERESSENKONFLIKT

Die Autoren erklären, dass keine Interessenkonflikte bestehen.

ETHISCHE GENEHMIGUNG

Eine informierte Zustimmung zur Erhebung epidemiologischer Daten war nicht erforderlich, da diese Daten bereits kodiert und öffentlich zugänglich waren. In dieser Studie wurden keine identifizierbaren persönlichen Informationen verwendet.

Quellen/Original/Links:
https://onlinelibrary.wiley.com/doi/10.1111/tbed.14072

Übersetzung:
https://www.deepl.com/en/translator

Epidemiologe
Navneet Dhand

Navneet Dhand

Außerordentlicher Professor für Veterinärbiostatistik und EpidemiologieDirektor, Asien-Pazifik-Konsortium für Veterinärepidemiologie (APCOVE) Navneet Dhand möchte epidemiologische und statistische Instrumente einsetzen, um die öffentliche Gesundheit zu verbessern und komplizierte Probleme der Tierindustrie zu lösen. Ursprünglich wurde er in Indien zum Tierarzt ausgebildet. 2007 wurde er Mitglied des Epidemiologie-Kapitels des australischen College of Veterinary Scientists und schloss 2008 seine… Weiterlesen »Navneet Dhand

Universität

Universität Sydney

Die Universität wurde am 1. Oktober 1850 mit dem University of Sydney Act gegründet. Zwei Jahre später, am 11. Oktober 1852, wurde sie eröffnet. Sie gehört zur Group of Eight, den Universitäten mit dem besten Ruf in Australien sowie zu den vierzig renommiertesten Universitäten der Welt[2]. Der Hauptcampus befindet sich in Camperdown, einem Stadtteil im inneren Westen Sydneys. Die Sandsteingebäude im neugotischen Stil wurden von Edmund… Weiterlesen »Universität Sydney