Различные подходы к синтетическому моделированию эпизоотического процесса инфекционных болезней животных для эффективного принятия управленческих решений

В обзорной статье представлены результаты конкретной задачи по пониманию движущих факторов эпизоотии АЧС (в сравнении с другими опасными инфекциями) и созданию искусственной модели эпизоотического процесса (ЭП) данной инфекции в проекте PPApred на двух изолированных островах во Франции. Пятью независимыми международными группами исследователей из разных стран Европы были проведены: 1) сравнение подходов к моделированию; 2) оценка способности их прогнозов по пространственно-временному распространению эпизоотии на территориях ферм с домашними свиньями и граничащих с ними лесных угодий с дикими кабанами; 3) определение приоритетности ограниченного числа альтернативных вмешательств в ЭП. Наиболее эффективные модели для прогнозирования эпизоотии АЧС различались в зависимости от фазы заражения животных, вида хозяина и предвидения пространственной или временной динамики ЭП. Пяти командам, успешно завершившим этот конкурс в двух этапах прогнозирования (по одному месяцу каждый), было предложено разработать окончательную модель, соответствующую синтетическим данным на базе трёх различных этапов эпизоотии АЧС (возникновение, развитие, затухание); спрогнозировать пространственно-временное развитие эпизоотии; оценить эффективность ограниченного числа стратегий управления ЭП из предложенных пяти вариантов. Совместная итоговая модель, построенная с использованием прогнозов от всех пяти международных групп, превзошла каждую из индивидуальных моделей как минимум в одном этапе эпизоотии АЧС. Моделирование такой эмерджентной и опасной инфекции, как АЧС, на примере синтетических ветеринарно-значимых данных продемонстрировало значение учёта всех факторов взаимодействия между домашними свиньями и дикими кабанами в ЭП, как основы повышения эффективности борьбы с будущими эпизоотиями АЧС и готовности ветеринарных специалистов к новым эмерджентным инфекциям.

1. Andronico A., Courcoul A., Bronner A., Scoizec A., Lebouquin-Leneveu S., Guinat C., Paul M.C., Durand B., Cauchemez S. Highly pathogenic avian influenza H5N8 in south-west France 2016-2017: a modeling study of control strategies. Epidemics. 2019. 28, 100340. https://doi.org/10.1016/j.epidem.2019.03.006

2. Bengis R.G., Leighton F.A., Fischer J.R., Artois M., Moerner T., Tate C.M. The role of wildlife in emerging and re-emerging zoonoses. OIE Rev. Sci. Tech. 2004. 23, 497-511. https://doi.org/10.20506/rst.23.2.1498

3. Beninc E., Hagenaars T., Boender G.J., van de Kassteele J., van Boven M. Trade-off between local transmission and long-range dispersal drives infectious disease outbreak size in spatially structured populations. PLoS Comput. Biol. 2020;16 (7): e1008009 https://doi.org/10.1371/journal.pcbi.1008009

4. Brooks-Pollock E., de Jong M.C.M., Keeling M.J., Klinkenberg D., Wood J.L.N. Eight challenges in modelling infectious livestock diseases. Epidemics. 2015;10:1-5. https://doi.org/10.1016/j.epidem.2014.08.005

5. Cardoso B., Garcia-Bocanegra I., Acevedo P., Caceres G., Alves P.C., Gortazar C. Stepping up from wildlife disease surveillance to integrated wildlife monitoring in Europe. Res. Vet. Sci. 2022;144:149-156. https://doi.org/10.1016/j.rvsc.2021.11.003

6. Dankwa E.A., Lambert S., Hayes S., Donnelly C.A., Thompson R.N. Stochastic modelling of African swine fever in wild boar and domestic pigs: epidemic forecasting and comparison of disease management strategies. Submitted to the special issue ASF Modelling Challenge of Epidemics.sub. 2022

7. Beaunee G., Deslandes F., Vergu E. Inferring A.S.F. transmission in domestic pigs and wild boars using a paired model iterative approach. Submitted to the special issue ASF Modelling Challenge of Epidemics. sub. 2022

8. Ezanno P., Andraud M., Beaunee G., Hoch T., Krebs S., Rault A., Touzeau S., Vergu E., Widgren S. How mechanistic modelling supports decision making for the control of enzootic infectious diseases. Epidemics. 2020;32:100398. https://doi. org/10.1016/j.epidem.2020.100398

9. Ferguson N.M., Donnelly C.A., Anderson R.M. The foot-and-mouth epidemic in Great Britain: pattern of spread and impact of interventions. Science. 2001;292:1155-1160. https://doi.org/10.1126/science.1061020

10. Froehly J.L., Beane N.R., Evans D.E., Cagle K.E., Jachowski D.S., Using multiscale behavioural investigations to inform wild pig (Sus scrofa) population management. PLoS ONE. 2020;15 (2):e0228705. https://doi.org/10.1371/journal.pone.0228705

11. Gimenez-Anaya A., Bueno C.G., Fernandez-Llario P., Fonseca C., Garaa-Gonzalez R., Herrero J., Rosell C. What do we know about wild boar in Iberia? In: Angelici, F.M., Rossi, L. (Eds.), Problematic Wildlife II. Springer. 2020. pp. 251-271. https://doi.org/10.1007/978-3-030-42335-3

12. Hayes B.H., Andraud M., Salazar L.G., Rose N., Vergne T. Mechanistic modelling of African swine fever: a systematic review. Prev. Vet. Med. 2021;191:105358 https://doi.org/10.1016/j.prevetmed.2021.105358

13. Kao R.R. The role of mathematical modelling in the control of the 2001 FMD epidemic in the UK. Trends Microbiol. 2002;10:279-286. https://doi.org/10.1016/s0966- 842x(02)02371-5

14. Keeling M.J., Woolhouse M.E., Shaw D.J., Matthews L., Chase-Topping M., Haydon D.T., Cornell S.J., Kappey J., Wilesmith J., Grenfell B.T. Dynamics of the 2001 UK foot and mouth epidemic: stochastic dispersal in a heterogeneous landscape. Science. 2001;294:813-817. https://doi.org/10.1126/science.1065973

15. Korennoy F.I., Gulenkin V.M., Malone J.B., Mores C.N., Dudnikov S.A., Stevenson M.A. Spatio-temporal modeling of the African swine fever epidemic in the Russian Federation, 2007-2012. Spat. Spatio-Tempo Epidemiol. 2014;11:135-141. https://doi.org/10.1016/j.sste.2014.04.002

16. Lange M. Alternative control straegies against ASF in wild boar populations. EFSA Support.Publ. 2015; 29. https://doi.org/10.2903/sp.efsa.2015.EN-843

17. Lange M., Thulke H.-H. Elucidating transmission parameters of African swine fever through wild boar carcasses by combining spatio-temporal notification data and agent-based modeling. Stoch Environ. Res. Risk Assess. 2017;31:379-391. https://doi.org/10.1007/s00477-016-1358-8

18. Leubecher M., Palmer T.N. Ensemble forecasting. J. Comput. Phys. 2008;227(7):3515-3539. https://doi.org/10.1016/j.jop.2007.02.014

19. Miguel E., Grosbis V., Caron A., Pople D., Roche B., Donnelly C.A. A systemic approach to assess the potential and risks of wildlife culling for infectious disease control. Commun. Biol. 2020;3:353. https://doi.org/10.1038/s42003-020-1032-z

20. Munoz F., Pleydell D.R.J., Jori F. A combination of probabilistic and mechanistic approaches for predicting the spread of African swine fever on Merry Island. Epidemics. 2022; 40:100596. https://doi.org/10.1016/j.epidem.2022. 100596.

21. Nigsch A., Costard S., Jones B.A., Pfeiffer D.U., Wieland B. Stochastic spatio-temporal modeling of African swine fever spread inthe Eropean Union during the high risk period. Prev.Vet. Med. 2013;108:262-275. https://doi.org/10.1016/j.prevetmed.2012.11.003

22. Picault S., Vergne T., Mancini M., Bareille S., Ezanno P. The African swine fever modeling challenge: objectives, model description and synthetic data generation. Epidemics. 2022;40:100616. https://doi.org/10.116/j.epidem.2022.100616

23. Probert W.J.M., Shea K., Fonnesbeck C.J., Runge M.C., Carpenter T.E., Durr S., Garner M.G., Harvey N., Stevenson M.A., Webb C.T., Werkman M., Tildesley M.J., Ferrari M.J. Decision-making for foot-and-mouth disease control: objectives matter. Epidemics. 2016;15:10-19. https://doi.org/10.1016/j.epidem.2015.11.002

24. Vergne T., Korennoy F., Combelles L., Gogin A., Pfeiffer D.U. Modelling African swine fever presence and reported abundance in the Russian Federation using national surveillance data from 2007 to 2014. Spat. Spatio-Tempo Epidemiol. 2016;19:70-77. https://doi.org/10.1016/j.sste.2016.06.002

25. Vergne T., Chen-Fu C., Li S., Cappelle J., Edwards J., Martin V., Pfeiffer D.U., Fusheng G., Roger F.L. Pig empire under infectious threat: risk of African swine fever introduction into People”s Republic of China. Vet. Rec. 2017;181 (5):117. https://doi.org/10.1136/vr.103950

26. Webb C.T., Ferrari M., Lindstroom T., Carpenter T., Durr S., Garner G., Jewell C., Stevenson M., Ward M.P., Werkman M., Backer J., Tildesley M. Ensemble modeling and structured decision –making to support emergency disease management. Prev. Vet. Med. 2017;138:124-133. https://doi.org/10.1016/j.prevetmed.2017.01.003

27. Han J.-H., Vignes M., A stochastic compartmental grid-based model for the Merry Island 2020 ASF outbreak Challenge. Submitted to the special issue ASF Modelling Challenge of Epidemics. sub. 2022.

28. Слободяник Р.В., Кузьмин В.А., Щербаков П.П., Орехов Д.А., Дубков Ю.А. Географические информационные системы (ГИС) в эпизоотологическом мониторинге лейшманиоза собак в хозяйствах Армении. Нормативноправовое регулирование в ветеринарии. 2024. №4. С.51-54. DOI:10.52419/issn282-6252.2024.4.51