L’idrometeorologia e la dinamica delle pulsazioni delle inondazioni provocano l’insorgenza di malattie diarroiche e aumentano la vulnerabilità ai cambiamenti climatici nelle popolazioni che dipendono dall’acqua di superficie: Un’analisi retrospettiva

Introduzione

In tutti i tipi di terreno, è stato dimostrato che il flusso dell’acqua (acque sotterranee, superficiali e piovane) influenza le dinamiche di trasmissione delle malattie infettive attraverso le scale, dai livelli microbici a quelli dell’ospite [1- 4]. Il degrado degli ecosistemi di acqua dolce e il calo della qualità dell’acqua in acque superficiali rappresentano una crescente minaccia per la salute pubblica in tutta l’Africa [5]. In tutto il mondo, il degrado della qualità dell’acqua, le malattie trasmesse dall’acqua e la diarrea infettiva rimangono preoccupazioni importanti e persistenti che si prevede peggioreranno con le proiezioni future sul cambiamento climatico [6 ,7]. Nel 2015, si stima che le malattie diarroiche causeranno 1,31 milioni di morti all’anno [8]. Di questi, quasi mezzo milione di decessi si sono verificati in bambini di età inferiore ai 5 anni, con il maggior carico di malattia concentrato nell’Africa subsahariana e nell’Asia meridionale [9 ,10]. Le malattie diarroiche nei bambini possono avere effetti duraturi sulla popolazione, come stordimento e carenze cognitive [11]. L’esposizione cronica per via orale ai contaminanti fecali è anche legata all’enteropatia ambientale, un disturbo subclinico caratterizzato da infiammazione cronica dell’intestino, cambiamento strutturale dell’intestino tenue, diminuzione della permeabilità intestinale e disfunzioni immunitarie dell’intestino, che possono influenzare l’efficacia del vaccino orale [12]. L’impatto sociale della malattia diarroica nei bambini può essere duraturo, sottolineando la necessità di far progredire la nostra comprensione degli accoppiamenti ambientali per sviluppare efficaci strategie di salute pubblica che non solo ridurranno l’attuale carico di malattia, ma minimizzeranno gli impatti futuri del cambiamento climatico.

Le inondazioni sono identificate come il pericolo idrometereologico più pervasivo (esaminato in [13]), si prevede che aumenteranno di frequenza in seguito ai cambiamenti climatici [14], e sono fortemente legate all’insorgenza di focolai di malattie diarroiche nelle popolazioni colpite [15- 18]. Tuttavia, i regimi di inondazione e di flusso possono variare in modo significativo a seconda del corso d’acqua, e vanno dai grandi fiumi nelle regioni temperate con un flusso più regolare ai sistemi fluviali aridi e semiaridi nelle regioni aride e semiaride, dove il flusso altamente variabile si verifica ogni anno (impulso di inondazione), con inondazioni estreme così come siccità un risultato comune [19]. Nei sistemi ad impulso di piena, c’è un prevedibile avanzamento delle acque di piena sulle pianure alluvionali circostanti e un ritorno nel canale fluviale con recessione delle piene, che collega i paesaggi acquatici e terrestri e le comunità microbiche. Queste dinamiche annuali di inondazione sono altamente variabili e possono cambiare drasticamente in volume di flusso, durata, frequenza e tempistica [20 ,21]. Questi sistemi tendono ad essere in uno stato di equilibrio dinamico, con un comportamento del sistema e del biota caratterizzato dalla dinamica delle piene e dalla geomorfologia del sistema fluviale [21]. Questi processi idrologici, geomorfologici e sedimentari che interagiscono tra loro sono determinanti fondamentali della dinamica microbica, della qualità dell’acqua e dell’esposizione agli agenti patogeni trasportati dall’acqua negli esseri umani e negli animali nelle aree soggette a inondazioni, ma non sono stati ancora adeguatamente caratterizzati, ostacolando la nostra capacità di affrontare la vulnerabilità della popolazione attuale e quella mediata dal clima.

Il Botswana fornisce un sistema modello ideale per isolare il ruolo delle acque superficiali e della dinamica delle inondazioni sugli accoppiamenti climato-diarroici. Il Botswana è un paese arido e semiarido dell’Africa meridionale con solo 3 fonti di acqua superficiale permanente in tutto il paese. Le precipitazioni sono limitate e si verificano solo durante una stagione umida definita, con poche o nessuna pioggia durante la stagione secca. A livello nazionale, la malattia diarroica rimane una minaccia persistente per la salute dei bambini e degli adulti [22]. Utilizzando questo sistema di studio e un set di dati unico, abbiamo valutato l’influenza della meteorologia, della qualità delle acque superficiali e della dinamica degli impulsi di inondazione sulle malattie diarroiche e abbiamo discusso le implicazioni per la salute pubblica e le esigenze di preparazione al clima nei sistemi in cui le popolazioni sono dipendenti dalle risorse idriche superficiali.

Metodi

Per analizzare le relazioni tra le variabili, abbiamo utilizzato l’inferenza multimodale, che ha permesso di quantificare l’incertezza del modello tra i diversi modelli candidati e l’inferenza incondizionata tra questi diversi modelli [23]. Questi metodi permettono l’inferenza di importanti variabili predittive, la stima degli effetti medi delle variabili predittive su un risultato e la generazione di previsioni medie ponderate multimodellistiche di tale risultato.

Sito di studio

Il Botswana è un Paese semiarido e senza sbocco sul mare dell’Africa meridionale. Il paese ha un clima subtropicale con stagioni annuali umide (novembre-marzo) e secche (aprile-ottobre). La variabilità delle precipitazioni intra- e interannuali è elevata, con conseguenti frequenti siccità e inondazioni. Questo studio si concentra sul distretto di Chobe, situato nella parte nord-orientale del Botswana (Fig 1). Il sistema di pianura alluvionale del fiume Chobe, che è la fonte primaria di acqua per il distretto, inondazioni annuali (impulso di inondazione), con il picco di piena che si verifica nella tarda stagione umida / inizio della stagione secca (aprile). Il distretto contiene 1 ospedale primario, 3 cliniche private e 12 cliniche sanitarie governative che servono una popolazione totale di circa 25.000 persone (Ufficio centrale di statistica del Botswana, 2011). I servizi medici sono forniti dal governo, con i pazienti che pagano una tariffa nominale per i servizi sanitari. Il distretto di Chobe è anche sede del Parco nazionale di Chobe, che fornisce un importante habitat per la più grande popolazione di elefanti in Africa, oltre che un’abbondanza di altre specie di fauna selvatica (Fig 1).

Il fiume Chobe fornisce tutto il fabbisogno idrico domestico per i villaggi studio (n = 8), fornendo un ambiente unico per valutare l’impatto delle dinamiche delle acque superficiali sulla salute delle popolazioni dipendenti. L’acqua viene pompata direttamente dal fiume in un impianto di trattamento dell’acqua convenzionale e poi distribuita attraverso il reticolo diretto alle famiglie (rubinetti privati all’aperto e al chiuso) o ai rubinetti pubblici [22]. L’acqua del fiume attraversa un’area protetta prima di raggiungere l’impianto di trattamento delle acque (Fig 1). La torbidità ed il pH sono misurati manualmente; i valori sono usati per determinare la quantità di coagulante che viene automaticamente distribuito nel tempo nel processo di trattamento dell’acqua. Nel 2014 è stato installato un secondo impianto completamente automatizzato, che serve 2 degli 8 villaggi studio. Dal 2016, nel secondo impianto, che continua ad essere attivo dal 2016, si verificano spurgo dell’acqua con frequenza giornaliera e, a volte, con più spurghi giornalieri. La maggior parte delle famiglie ha accesso a servizi igienici migliorati, e solo il 14% delle famiglie ha riferito di non avervi accesso in un recente sondaggio condotto su 3 dei villaggi studio, il più delle volte a causa della capacità delle latrine a fossa [24]. A livello nazionale, le epidemie di diarrea si verificano in un modello ciclico bimodale, con un picco ciclico durante i mesi di marzo e ottobre, rispettivamente nella stagione umida e in quella secca [25].

Dati delle serie temporali

Dati idrometereologici

Il periodo, il tipo e la risoluzione spaziale dei dati sono indicati nella tabella 1. I dati meteorologici sono stati acquisiti dal Dipartimento dei servizi meteorologici del Ministero dell’ambiente, della conservazione delle risorse naturali e del turismo. Le misurazioni di tutti i siti sono state effettuate in media per produrre stime giornaliere della temperatura e delle precipitazioni nel distretto di Chobe. Il Dipartimento degli Affari delle Acque ha fornito misurazioni giornaliere dell’altezza del fiume Chobe. Tutte le variabili idrometereologiche sono state aggregate per una risoluzione settimanale e si sono estese da gennaio 2007 a giugno 2017.

Tabella 1.Tipo di dati e risoluzione utilizzati nell’analisi.
Categoria	Variabile misurata	Scala temporale	Numero di misure	Risoluzione temporale	Scala spaziale
Dati sulle malattie	Casi di diarrea sotto i 5 anni	gennaio 2007 – giugno 2017	10 strutture sanitarie	Totale settimanale	Distretto di Chobe
Dati sulle malattie	Casi di diarrea ambulatoriale	gennaio 1998-giugno 2017	10 strutture sanitarie	Totale mensile	Distretto di Chobe
Dati idrometereologici	Temperatura massima	gennaio 2007 – giugno 2017	1 stazione	Media settimanale	Distretto di Chobe
	Temperatura minima	gennaio 2007 – giugno 2017	1 stazione	Media settimanale	Distretto di Chobe
	Precipitazioni	gennaio 2007 – giugno 2017	2 stazioni	Somma settimanale	Distretto di Chobe
	Altezza del fiume	gennaio 2007 – giugno 2017	1 stazione	Media settimanale	Fiume Chobe
Qualità dell’acqua	E. coli	lug. 2011-giugno 2014,lug. 2015-lug. 2017	14 punti di transetto	Campionamento bisettimanale, mediato su transetti	27,5 km del fiume Chobe
Qualità dell’acqua	Totale solidi sospesi	lug. 2011-giugno 2014,lug. 2015-lug. 2017	14 punti di transetto	Campionamento bisettimanale, mediato su transetti	27,5 km del fiume Chobe

Valutazioni della qualità dell’acqua

I campioni di prelievo dell’acqua sono stati raccolti bimestralmente da siti di transetto stabiliti (n = 14 punti di campionamento, luglio 2011-luglio 2017; Fig 1) situati a intervalli di 1 km lungo il fiume Chobe, sopra le 2 stazioni di prelievo dell’acqua per la comunità. L’uso del suolo lungo questo tratto del fiume consisteva in un’area protetta e in un uso del suolo urbano. Le valutazioni della qualità dell’acqua sono state condotte per stimare le concentrazioni di E. coli e di solidi sospesi totali (TSS) nel fiume, come descritto in precedenza [26].

Rapporti sui casi di diarroici

Per lo studio sono state ottenute relazioni su casi di diarroici da 10 strutture sanitarie (9 cliniche governative e 1 ospedale primario) attraverso 2 sistemi di sorveglianza passiva gestiti dal Ministero della Salute del Botswana (MoH). I dati dei casi di diarrea sotto i 5 anni sono stati acquisiti dal programma IDSR (Integrated Disease Surveillance and Response) (gennaio 2007 – giugno 2017), che raccoglie i numeri settimanali dei casi di diarrea sotto i 5 anni che si presentano alle strutture sanitarie distrettuali (Tabella 1). Anche i casi di diarrea ambulatoriali totali mensili (di tutte le età) sono stati ottenuti dal Ministero della Sanità per il periodo gennaio 1998-giugno 2017. Questi casi sono stati estratti dalle stesse 10 strutture sanitarie, stratificati per tipo di diarrea, età (<1, 1-4, 5+ anni) e sesso del paziente. I dati ambulatoriali includono i dati settimanali IDSR (un sottoinsieme) in quanto tutti i pazienti devono accedere al sistema sanitario attraverso i servizi ambulatoriali. Questi dati sono utili in quanto forniscono informazioni su tutti i pazienti per età oltre i 5 anni. I dati ambulatoriali sono stati inclusi per fornire un quadro demografico e clinico più completo della malattia diarroica nel distretto. Un caso di diarrea è stato definito come la comparsa di almeno 3 feci sciolte in un periodo di 24 ore nei 4 giorni precedenti la visita della struttura sanitaria. Il tipo di diarrea è stato caratterizzato dal medico curante o dall’infermiera come diarrea senza disidratazione, diarrea con una certa disidratazione, diarrea con grave disidratazione o diarrea sanguinolenta. Ogni villaggio studio selezionato aveva una clinica, con la città più grande, Kasane, che aveva 2 cliniche e un ospedale primario (n = 3). Sia per l’IDSR che per i set di dati ambulatoriali, i dati della clinica del villaggio di Pandamatenga sono stati esclusi perché i residenti di questo villaggio hanno ottenuto l’acqua dalle trivellazioni e ci si aspettava che avessero un’esposizione variabile alle risorse idriche di superficie di altri villaggi e città del distretto. Le analisi statistiche demografiche sono state condotte utilizzando test chi-squared per le differenze nelle proporzioni tra i gruppi.

Le diagnosi sono state classificate secondo la Classificazione Internazionale delle Malattie -10a Revisione (ICD-10 [27]). I dati dei casi rappresentano le diagnosi cliniche sommarie dei medici o degli infermieri in servizio presso le strutture sanitarie governative e non sono stati associati ad alcuna informazione diagnostica clinica.

Correzione dei dati mancanti di diarrea sotto i 5 anni

Nel record IDSR, i dati mancanti esistevano per ciascuna delle 10 strutture sanitarie segnalanti. Le settimane senza rapporti (cioè tutte e 10 le strutture sanitarie non dichiaranti) non sono state incluse nell’analisi. Abbiamo usato 2 approcci per correggere i rapporti mancanti per settimane in cui c’erano lacune nei dati (cioè i dati di meno di 10 strutture sanitarie). Nel primo approccio, abbiamo preso il numero totale di casi segnalati in una data settimana e lo abbiamo diviso per il numero di strutture sanitarie che hanno segnalato quella settimana. Questo metodo fornisce una stima settimanale del totale dei casi di diarrea sotto i 5 anni per ogni struttura sanitaria segnalata, ma non tiene conto delle differenze nel volume dei pazienti. Per il secondo metodo, le osservazioni sono state dapprima standardizzate come segue:xt,is=xt,i-μiσi dove xt,è l’osservazione standardizzata per la settimana t e la struttura sanitaria i, x_t_,_i è il numero grezzo di osservazioni per la settimana t e la struttura sanitaria i, μ_i è il numero medio di osservazioni per la struttura sanitaria i, e σ_i è la deviazione standard del numero di osservazioni per la struttura sanitaria i. Per ogni settimana, questi numeri standardizzati di osservazioni sono stati mediati tra le strutture sanitarie di segnalazione per creare una stima standardizzata a livello distrettuale, xts, cioè, xts=∑j = 1nxt, è dove n è il numero di cliniche di segnalazione in una data settimana. Questa stima standardizzata settimanale standardizzata della diarrea al di sotto dei 5 anni, xts, rappresenta la deviazione media dal numero medio di casi nelle cliniche che effettuano la segnalazione. Le analisi sono state effettuate utilizzando entrambi gli approcci di correzione e i risultati sono stati coerenti con entrambi i moduli di dati. I risultati che utilizzano i dati settimanali sulla diarrea sotto i 5 anni divisi per il numero di cliniche che hanno effettuato la segnalazione sono presentati qui; i risultati che utilizzano i dati standardizzati sulla diarrea sotto i 5 anni sono presentati nella tabella S3 e nelle figure S3- S5. Nel complesso, l’importanza variabile e la dimensione dell’effetto sono stati coerenti indipendentemente dal metodo di correzione dei dati utilizzato.

Predittori ambientali di diarrea sotto i 5 anni e qualità dell’acqua: Inferenza multimodale

Sono state effettuate tre analisi separate per determinare le associazioni tra le variabili ambientali e i casi settimanali di diarrea sotto i 5 anni, E. coli e TSS. Le analisi si sono differenziate solo per l’esito dell’interesse e la struttura di base dei modelli. Poiché le variabili della qualità dell’acqua sono state misurate in un periodo di tempo più breve, i modelli che prevedono l’E. coli e TSS includevano meno osservazioni (n = 42 [stagione umida], n = 54 [stagione secca]) rispetto ai modelli senza variabili della qualità dell’acqua (n = 164 [stagione umida], n = 236 [stagione secca]). A priori, abbiamo ritenuto che i diversi driver ambientali fossero importanti per le epidemie di diarrea nei bambini di età inferiore ai 5 anni, sia nella stagione secca che in quella umida. Pertanto, le analisi sono state effettuate separatamente per la stagione umida e quella secca.

L’inferenza multimodale è stata effettuata utilizzando gruppi di modelli di regressione dei candidati, ciascuno sviluppato con la stessa struttura ma con variabili predittive diverse. Le osservazioni di diarrea sotto i 5 anni, che sono dati di conteggio dispersi in eccesso, sono state modellate utilizzando la regressione binomiale negativa. I dati di concentrazione di E. coli e TSS erano di struttura gaussiana e sono stati modellati utilizzando la regressione dei minimi quadrati ordinari. I modelli per la diarrea sotto i 5 anni sono stati sviluppati utilizzando tutte le combinazioni di 12 diverse variabili ambientali: temperatura minima (1, 4 e 8 settimane di ritardo), temperatura massima (1, 4 e 8 settimane di ritardo), precipitazioni (1, 4 e 8 settimane di ritardo) e altezza del fiume Chobe (1, 4 e 8 settimane di ritardo). I modelli per E. coli o TSS includevano le stesse variabili ambientali in ritardo di 0 e 4 settimane. Questi tempi di ritardo sono stati scelti per rappresentare gli effetti acuti (0/1 settimana), a breve termine (4 settimane) e a lungo termine (8 settimane) della variabilità ambientale. Tutte le regressioni includevano una variabile fittizia per anno e un termine autoregressivo (incidenza di diarrea in ritardo di 1 settimana) come variabili predittive. Ne sono risultati 4.096 modelli candidati di diarrea sotto i 5 anni sia per la stagione umida che per quella secca, e 256 modelli candidati sia per l‘E. coli che per il TSS per ogni stagione. In sintesi, all’interno di un insieme multimodale, ogni modello aveva la stessa struttura di regressione (binomio gaussiano o negativo) e comprendeva una variabile fittizia per anno e un termine autoregressivo. Le uniche differenze tra i modelli erano le variabili ambientali incluse come predittori.

Metodi di inferenza multimodale

Cinque diversi sottoinsiemi dei modelli candidati sono stati creati (1) mantenendo tutti i modelli, (2) selezionando modelli con tutti i coefficienti statisticamente significativi a p < 0,20, (3) selezionando modelli con tutti i coefficienti statisticamente significativi a p < 0,10, (4) selezionando modelli con tutti i coefficienti statisticamente significativi a p < 0,05, e (5) selezionando solo il modello con il più basso criterio di informazione Akaike, corretto per la piccola dimensione del campione rispetto al numero di parametri utilizzati in ogni modello (AICc). È stato quindi calcolato il peso di Akaike di ciascun modello all’interno del sottoinsieme. I pesi di Akaike forniscono una probabilità relativa che uno specifico modello sia il migliore in un dato sottoinsieme [23]. I set di modelli “Top” sono stati quindi ottenuti selezionando la più piccola combinazione di modelli con i pesi di Akaike sommando i pesi di Akaike a 0,95.

Questi set di modelli top sono stati utilizzati per calcolare i coefficienti variabili medi e l’importanza relativa delle variabili. Il coefficiente medio per la variabile X è stato calcolato prendendo una media ponderata delle stime dei coefficienti per la variabile X da ciascun modello di sottoinsieme. Ogni stima del coefficiente è stata ponderata in base al peso Akaike del rispettivo modello. L’importanza relativa della variabile è una misura di quanto spesso una variabile predittrice è inclusa nei modelli con le migliori prestazioni. L’importanza relativa della variabile X è stata calcolata aggiungendo i pesi Akaike di tutti i modelli che includevano la variabile X come predittore. Queste misure di importanza non aggiungono fino a 1 perché i modelli possono includere più predittori ambientali.

Previsioni medie multimodali

Le previsioni medie multimodali sono semplicemente la media ponderata Akaike delle previsioni dei modelli costitutivi del sottoinsieme. Pseudo R-squared è stato calcolato per il modello medio, il modello superiore e il modello nullo, squadrando la correlazione tra le previsioni medie e le osservazioni della diarrea settimanale. Inoltre, è stata effettuata una convalida incrociata leave-one-out (LOO) omettendo 1 anno di dati dall’adattamento del modello e poi generando e valutando le previsioni medie del modello per l’anno mancante. Poiché i nostri modelli includono una variabile fittizia per l’anno, che non può essere stimata per l’anno omesso, per valutare le prestazioni predittive del modello è stata utilizzata la correlazione piuttosto che l’errore quadratico medio (RMSE).

Analisi della qualità dell’acqua e diarrea sotto i 5 anni

Le regressioni binomiche negative sono state utilizzate per valutare le relazioni tra la qualità dell’acqua del fiume Chobe e i casi di diarrea sotto i 5 anni. Più modelli sono stati eseguiti con E. coli o TSS in ritardo da 0 a 8 settimane come variabile predittrice e casi di di diarrea sotto i 5 anni come risultato.

Ogni modello, che comprendeva un termine autoregressivo (incidenza di diarrea sotto i 5 anni in ritardo di 1 settimana) e una variabile fittizia per anno, conteneva solo 1 variabile predittrice della qualità dell’acqua in ritardo. Ogni modello includeva dati di settimane con osservazioni complete per tutti i predittori.

Permessi di studio e approvazioni

Questo studio è stato condotto con il permesso del Ministero dell’Ambiente, della Conservazione delle Risorse Naturali e del Turismo (EWT8/36/4) e del Ministero dell’Ambiente (HPSME:13/18/1 Vol. X [878]). L’approvazione è stata ottenuta anche dal Virginia Tech Institutional Review Board (#11-573).

Risultati

I casi settimanali IDSR di diarrea sotto i 5 anni nel distretto di Chobe hanno mostrato una forte dinamica stagionale nel decennio di osservazione (2007-2017), con 2 focolai che si verificano regolarmente ogni anno (Fig 2). Il primo periodo di epidemia si è verificato in media alla fine di gennaio durante la stagione umida e il secondo, in agosto durante la stagione secca. Il tasso di attacco diarroico è stato maggiore, in media, per i focolai della stagione secca (numero medio di casi = 615, SD = 333) che per quelli della stagione umida (numero medio di casi = 407, SD = 232). Il numero di casi di diarrea ambulatoriale segnalati al mese (per tutte le età) per la stessa area ha mostrato un andamento stagionale simile. Come per la diarrea al di sotto dei 5 anni, il tasso di attacco ambulatoriale di tutte le età tendeva ad essere più alto nella stagione secca (media = 725, SD = 381) rispetto alla stagione umida (media = 466, SD = 226).

Caratteristiche demografiche e cliniche della malattia diarroica

I dati demografici delle diarree ambulatoriali (mensili, per tutte le età) e IDSR (settimanali sotto i 5 anni) sono riportati nella tabella 2. Per i dati ambulatoriali, i modelli di focolai di diarroici erano simili sia nei bambini di età inferiore ai 5 anni che nei bambini più grandi e negli adulti, con la malattia diarroica in individui ≥ 5 anni che rappresentano quasi la metà dei casi segnalati. Differenze significative nel tipo di diarrea sono state identificate quando i dati ambulatoriali sono stati stratificati per età (Tabella 3). Tuttavia, più della metà dei casi di diarroici nelle varie fasce d’età si presentavano con disidratazione parziale o grave o diarrea sanguinolenta (Tabella 3).

Tabella 2.Distribuzione demografica dei casi di diarrea ambulatoriale e dei casi di diarrea IDSR under 5 nel distretto di Chobe.
Attributo	Ambulatorio	IDSR
Età (anni)
<1	29.5	N/A
1–4	27.0	N/A
5+	43.5	N/A
Sesso maschile	48.5	N/A
Tipo di diarrea
Nessuna disidratazione	34.6	46.5
Un po’ di disidratazione	55.1	39.0
Grave disidratazione	3.7	6.6
Diarrea sanguinolenta	6.7	7.5

Tabella 3.Casi di diarrea ambulatoriale stratificati per età e tipo di diarrea.
Tipo di diarrea	Età (anni)			Chi-squared p-valore
Tipo di diarrea	<1	1–4	5+	Chi-squared p-valore
Nessuna disidratazione	31.6	37.7	34.6	<0.001
Un po’ di disidratazione	57.8	52.4	55.0	<0.001
Grave disidratazione	4.3	3.9	3.1	0.004
Diarrea sanguinolenta	6.3	6.0	7.3	0.016

Anche la demografia diarroica ambulatoriale differisce significativamente tra la stagione umida e quella secca (Tabella 4). Mentre non è stato possibile rilevare alcuna differenza nella distribuzione dei sessi, la stagione umida ha avuto un numero significativamente maggiore di pazienti di età compresa tra 1 e 4 anni (p < 0,001), e la stagione secca ha avuto un numero significativamente maggiore di pazienti di 5 anni e oltre (p < 0,001). Non c’è stata alcuna differenza stagionale nel numero di casi di diarrea segnalati per i bambini di età inferiore a 1 anno. Anche il tipo di diarrea variava a seconda della stagione (p < 0,001).

Tabella 4.Demografia per stagione dei casi di diarrea ambulatoriale nel distretto di Chobe.
Attributo	Stagione umida	Stagione secca	Chi-squared p-valore
Età (anni)
<1	29.2	29.7	0.524
1–4	29.2	25.6	<0.001
5+	41.6	44.7	<0.001
Sesso maschile	49.3	48.1	0.143
Tipo di diarrea
Nessuna disidratazione	39.4	31.4	<0.001
Un po’ di disidratazione	49.5	58.8	<0.001
Grave disidratazione	2.7	4.3	<0.001
Diarrea sanguinolenta	8.3	5.6	<0.001

Variabili idrometereologiche e di qualità dell’acqua

La temperatura massima media è stata simile nella stagione umida e nella stagione secca, rispettivamente a 30 °C e 29 °C; tuttavia, la temperatura massima ha avuto una maggiore variabilità durante la stagione secca. La temperatura minima era in media più alta durante la stagione umida (19 °C) che durante la stagione secca (12 °C). Le temperature minime più basse si sono verificate durante la stagione secca, e poi le temperature sono aumentate fino all’inizio della stagione umida, a quel punto si sono stabilizzate. In questo sistema, con l’inizio dell’impulso di piena, l’altezza del fiume Chobe è aumentata costantemente durante la stagione umida, raggiungendo un picco medio in aprile e diminuendo durante la stagione secca.

Anche le misurazioni del fiume Chobe di E. coli e TSS dal 2011 al 2017 hanno mostrato modelli stagionali (Fig 2F e 2G; i dati delle serie a tempo pieno sono forniti in S1 Fig). Il TSS è aumentato e ha raggiunto il suo picco durante la stagione secca, diminuendo costantemente per tutta la stagione umida. Al contrario, le concentrazioni di E. coli sono state relativamente basse durante la stagione secca e hanno raggiunto il picco a metà della stagione umida.

I predittori ambientali della diarrea al di sotto dei 5 anni

Risultati multimodelli della stagione secca

I risultati dell’inferenza multimodale nella stagione secca sono riassunti nella Fig 3A.1. L’altezza del fiume ha avuto un ritardo di 1 settimana, e la temperatura massima di 1 e 4 settimane ha avuto la massima importanza ponderata all’interno di tutti i sottogruppi di modelli. Infatti, le stime dei coefficienti medi e l’importanza variabile non differiscono molto tra i sottoinsiemi del modello con diversi criteri di valore p. L’altezza dei fiumi con un ritardo di 4 settimane e le precipitazioni con un ritardo di 1 settimana hanno avuto un’importanza relativa moderata anche quando le precipitazioni sono state scarse nella stagione secca.

Man mano che l’altezza del fiume Chobe diminuisce durante la stagione secca, le acque alluvionali drenano nel canale dalle pianure alluvionali circostanti. Le stime di inferenza multimodale hanno indicato che una diminuzione di 1 metro dell’altezza del fiume nella stagione secca è stata associata ad un aumento del 16,7% (1 settimana di ritardo) e del 16,1% (4 settimane di ritardo) nei casi di diarrea sotto i 5 anni. La temperatura massima ha avuto un rapporto più complesso con la malattia diarroica, con un’influenza positiva sulla malattia diarroica inizialmente al ritardo di 1 settimana, ma un rapporto negativo quando il ritardo è stato di 4 settimane.

Un aumento di 1 °C della temperatura massima in ritardo di 1 settimana è stato associato ad un aumento stimato del 3,8% di diarrea sotto i 5 anni, mentre una diminuzione di 1 °C della temperatura massima in ritardo di 4 settimane è stata associata ad un aumento del 3,4% di diarrea sotto i 5 anni.

I valori pseudo R-squared per i modelli mediati variavano da 0,55 a 0,57 (tabella S1), mentre il modello nullo (con solo un termine autoregressivo e una variabile fittizia di anno) aveva un valore pseudo R-squared di 0,46. I risultati di previsione per le diverse medie del modello sono stati coerenti, quindi questa discussione si concentra sul sottoinsieme del modello con coefficienti significativi a p < 0,05. L’accuratezza della previsione di validazione incrociata LOO era tipicamente più alta per i modelli con medie ponderate rispetto al modello AICc superiore, ma variava notevolmente a seconda dell’anno omesso (Tabella S2). Le correlazioni tra il numero previsto di casi di diarrea sotto i 5 anni e il numero di casi osservati sono state molto elevate per il 2009 fino al 2017, ma la correlazione del 2008 è stata molto scarsa (r = 0,1214). I modelli medi contenenti i predittori ambientali si sono rivelati complessivamente molto migliori nella convalida incrociata LOO rispetto al modello nullo (tabella S4).

Risultati multimodelli della stagione umida

Anche i coefficienti medi e le stime di importanza variabile nella stagione umida non variano molto tra i sottoinsiemi del modello (Fig 3A.2). Le precipitazioni con un ritardo di 8 settimane sono state il più importante fattore di previsione della diarrea sotto i 5 anni nella stagione umida. Ogni ulteriore 10 mm di pioggia in ritardo di 8 settimane è stato associato ad un aumento del 6,5% dell’incidenza della diarrea sotto i 5 anni. Temperatura minima ritardata 1 settimana ha avuto un’importanza moderata in 2 medie del modello, che ha stimato un aumento del 5,8% di diarrea per ogni diminuzione di 1 ° C.

I valori di Pseudo R-squared per la stagione umida erano 0,54 per tutte le medie del modello, e il modello nullo aveva un valore di 0,49 (Tabella S1). Tutte le medie del modello hanno prodotto una simile accuratezza di previsione dei LOO; i modelli con coefficienti significativi a p < 0,05 sono forniti S2 Table. Similmente ai modelli della stagione secca, l’accuratezza di previsione variava notevolmente in base all’anno di dati omesso. Le correlazioni delle previsioni medie dei modelli sono state superiori a 0,80 per gli anni 2010-2014 e 2016. Quando i dati del 2015 sono stati omessi, i modelli hanno generato previsioni molto scarse. Tuttavia, il modello nullo ha avuto una performance peggiore in media nella validazione incrociata LOO rispetto ai modelli medi con i predittori ambientali.

Abbiamo anche testato i dati utilizzando modelli non lineari di ritardo distribuito, che consentono relazioni non lineari tra i predittori e la variabile di esito. Tutte le variabili ambientali sono state incluse come predittori (temperatura massima, temperatura minima, precipitazioni e altezza del fiume) con un ritardo da 0 a 8 settimane. I risultati sono stati generalmente concordati con i risultati presentati sopra. Nella stagione secca, la diminuzione dell’altezza del fiume è stata associata ad un rischio significativamente più elevato di malattie diarroiche a 4-6 settimane di ritardo. Nella stagione umida, l’aumento delle precipitazioni è stato associato ad un maggiore rischio di diarrea alle settimane di ritardo 7 e 8. Le associazioni tra altre variabili ambientali e l’incidenza della diarrea erano generalmente non significative, il che può essere dovuto alle dimensioni moderate del campione. Da notare che le relazioni di esposizione-risposta stimate erano relativamente lineari, il che supporta il nostro uso dell’inferenza generalizzata del modello lineare multimodale di cui sopra. Maggiori dettagli e cifre che spiegano questa analisi possono essere trovati in S1 Text e S6 e S7 Figs.

Predittori ambientali di TSS ed E. coli

L’inferenza multimodale ha identificato diversi driver ambientali di E. coli e TSS per stagione (Fig 3B e 3C). Nella stagione umida, la temperatura minima senza carico, l’altezza del fiume senza carico e le precipitazioni senza carico sono stati i più importanti predittori delle concentrazioni di E. coli. Tutte e 3 le variabili avevano associazioni positive statisticamente significative con l’E. coli (Fig 3B.2). Le precipitazioni in ritardo di 4 settimane sono state l’unico importante fattore predittivo dell’E. coli nella stagione secca e hanno avuto un coefficiente positivo (Fig 3B.1). Le precipitazioni nella stagione secca, tuttavia, sono state un evento non comune.

Nella stagione secca, il livello di TSS è stato fortemente previsto da un ritardo di 4 settimane nell’altezza del fiume, che ha avuto un coefficiente negativo (Fig 3C.1). Infine, la temperatura minima con un ritardo di 0 e 4 settimane e l’altezza del fiume con un ritardo di 4 settimane sono stati importanti fattori predittivi del TSS nella stagione umida. La temperatura minima in entrambe le settimane ha avuto un’associazione positiva con il TSS, e l’altezza del fiume ha avuto un’associazione negativa (Fig 3C.2).

Rapporti sulla qualità dell’acqua e sui casi di diarrea

Le analisi di regressione univariate hanno mostrato che sia le concentrazioni di TSS che quelle di E. coli erano significativamente associate a malattie diarroiche sotto i 5 anni (S2 Fig). TSS ha avuto un’associazione positiva con l’incidenza di diarrea nella stagione secca senza carico (beta = 0,060, 95% CI = 0,180, 0,102), in ritardo di 3 settimane (beta = 0,041, 95% CI = 0,008, 0,073), e in ritardo di 4 settimane (beta = 0,042, 95% CI = 0,004, 0,080). Al contrario, TSS ha avuto un rapporto significativamente negativo con diarrea sotto i 5 anni nella stagione umida in ritardo di 2 settimane (beta = -0,098, 95% CI = -0,151, -0,045) e 6 settimane (beta = -0,063, 95% CI = -0,119, -0,007). E. coli ha avuto un’associazione positiva senza carico con l’incidenza di diarrea sia nella stagione umida (beta = 0,003, 95% CI = 0,001, 0,004) che nella stagione secca, associata a rari eventi piovosi (beta = 0,011, 95% CI = 0,003, 0,017).

Discussione

Modelli di epidemie e influenze stagionali sulle caratteristiche demografiche e cliniche dei casi di diarrea

In questo sistema, la presenza di acque superficiali e la dinamica degli impulsi di inondazione in un sistema fluviale ha avuto un’associazione significativa con le segnalazioni di casi di malattie diarroiche nei bambini di età inferiore ai 5 anni e in tutte le altre fasce d’età che segnalano alle strutture sanitarie. I tempi delle epidemie stagionali differivano da quelli osservati a livello nazionale, dove le acque superficiali sono in gran parte assenti [25], evidenziando l’importante influenza che le caratteristiche del paesaggio possono avere sulle dinamiche della malattia e sulla vulnerabilità della popolazione. In questo studio, l’incidenza diarroica è stata in media più alta nella stagione secca di agosto, con il secondo focolaio che si è verificato nella stagione umida verso la fine di gennaio. È importante notare che la tempistica dei focolai è stata simile per tutte le fasce d’età. Sono state identificate importanti differenze stagionali nel numero medio di casi di diarroici segnalati per le classi di età da 1 a 4 anni e 5 anni e oltre (p < 0,001; Tabella 4). Questo non è stato tuttavia il caso dei bambini di età inferiore a 1 anno. Le ragioni di ciò rimangono poco chiare, ma possono essere legate a una minore immunocompetenza nei bambini più piccoli rispetto alle altre fasce d’età e a una maggiore suscettibilità generale alle comunità di agenti patogeni acquatici nel corso delle stagioni. Anche il tipo di diarrea varia significativamente in base alla stagione (p < 0,001; Tabella 4), con, ad esempio, diarrea sanguinolenta che si verifica più frequentemente nella stagione umida, suggerendo che le condizioni ambientali influenzano le comunità di agenti patogeni e le dinamiche di esposizione, associazioni che sono state precedentemente segnalate [28].

È importante notare, tuttavia, che i dati della sorveglianza passiva hanno potenziali limiti influenzati dai comportamenti di ricerca della salute e da altri fattori socioculturali critici, e i dati possono, quindi, non rappresentare pienamente la popolazione oggetto di studio (per una revisione completa si veda [25]). Ulteriori studi a livello di comunità sono importanti e possono fornire informazioni sulle potenziali dinamiche di infezione non catturate dai sistemi di sorveglianza passiva [29]. Tuttavia, le interazioni stagione-diarrea qui osservate sottolineano l’importante ruolo che i fattori ambientali possono avere per la previsione dei tempi di insorgenza della malattia e le caratteristiche demografiche e cliniche dei pazienti colpiti dalla stagione.

I fattori ambientali della malattia diarroica

In questo sistema a impulsi di alluvione, le malattie diarroiche sono state fortemente accoppiate ai fattori ambientali (Fig 2). Nelle regioni tropicali e semiaride [25 ,30 ,31], le precipitazioni sono state identificate come un fattore critico di previsione delle malattie diarroiche. Coerentemente con questi studi, le precipitazioni con un ritardo di 8 settimane hanno avuto un’influenza significativa sulla diarrea al di sotto dei 5 anni, con un aumento di 10 mm delle precipitazioni associato ad un aumento stimato del 6,5% del numero di casi riportati. Le precipitazioni, la temperatura minima e l’altezza del fiume sono state tutte associate ad aumenti di E. coli nel sistema fluviale (Figg. 3, 4 e S2). Il TSS, tuttavia, ha avuto un’associazione negativa con i casi di diarrea nella stagione umida, con i livelli del fiume che sono diminuiti con l’aumento dell’altezza del fiume in concomitanza con l’arrivo delle acque di piena (ritardo di 2 e 6 settimane; S2 Fig). Tuttavia, in precedenza sono state rilevate variazioni significative dei livelli di TSS tra i punti di transetto e i segmenti fluviali in base alla stagione [26].

Il numero di casi di diarrea è stato mediamente più alto nella stagione secca (Fig 2) ed è stato collegato alla temperatura massima e all’altezza delle inondazioni, con un calo di 1 metro delle acque alluvionali durante la recessione delle acque alluvionali dalle pianure alluvionali associato ad un aumento significativo dei casi di diarrea del 16,7% e del 16,1% in ritardo di 1 e 4 settimane, rispettivamente (Figg. 3 e S2). I livelli del fiume TSS sono stati fortemente previsti in base all’altezza del fiume e hanno avuto una significativa associazione positiva con la diarrea nella stagione secca (ritardo di 0, 3 e 4 settimane; S2 Fig). Qui, mentre le acque alluvionali si allontanavano dalle pianure alluvionali circostanti, i livelli di TSS aumentavano all’interno del canale del fiume. Le differenze nei rapporti di ritardo suggeriscono che si stanno verificando processi ambientali gerarchici, dove l’esposizione alla fonte primaria e le dinamiche di trasmissione secondaria possono ulteriormente contribuire alla variazione dei tempi osservati di accoppiamenti ambiente-salute.

Nella nostra analisi, i risultati della convalida incrociata rivelano un’importante eterogeneità nella capacità dei nostri modelli ambientali di prevedere con precisione i rapporti dei casi di diarroici nei villaggi con 8 studi. La malattia diarroica come sindrome è complessa, guidata da una varietà di agenti patogeni, ognuno dei quali varia nella loro trasmissione e nelle dinamiche di persistenza nel sistema, elementi che varieranno, insieme ai fattori ambientali, entro e tra anni. Le influenze socioculturali influenzeranno anche le esposizioni, la trasmissione secondaria e l’individuazione dei casi. Queste complessità sono evidenti nella variazione demografica e clinica vista a seconda della stagione nei dati ambulatoriali. Tuttavia, in tutti i modelli, l’altezza dei fiumi è stata ritardata di 1 settimana nella stagione secca e le precipitazioni sono state ritardate di 8 settimane nella stagione umida e sono rimaste costantemente importanti in tutti gli anni per la previsione dei casi di malattia diarroica.

Sistemi a impulsi di inondazione e dinamica microbica all’interfaccia acquatico-terrestre

Le dinamiche degli agenti patogeni trasportati dall’acqua sono strettamente accoppiate con i processi idrologici ed ecologici attraverso l’interfaccia acquatico-terrestre e il conseguente rischio di esposizione microbica umana [19,32]. Nel sistema studiato, l’impulso di alluvione ha giocato un ruolo critico nella dinamica delle epidemie in tutte le fasce d’età. In tali sistemi a impulsi di alluvione, gli ambienti delle pianure alluvionali sono periodicamente inondati da sedimenti, con il trasporto microbico fecale che si verifica tra la pianura alluvionale e il canale del fiume [33], influenzando la struttura della comunità microbica e il movimento attraverso l’interfaccia acquatico-terrestre (Fig 4) [19,32]. Il carattere dell’impulso di piena (cicli alternati di aumento del flusso d’acqua, del volume, dell’inondazione e del drenaggio) stabilisce il grado di connettività, con scambio laterale di materia e di organismi microbici, compresi gli agenti patogeni trasportati dall’acqua che si muovono attraverso gradienti di connettività idrologica [20 ,21 ,34 ,35]. Le comunità patogene sono modellate dalle interazioni che si verificano in questa interfaccia acquatico-terrestre e influenzano il carattere delle esposizioni agli agenti patogeni trasportati dall’acqua nelle popolazioni associate.

Tipicamente, gli impatti sulla salute umana sono associati all’aumento del livello dell’acqua e all’avanzamento delle acque alluvionali, anche se la tempistica di questa relazione può essere complicata [15 ,36]. Tuttavia, nel sistema del fiume Chobe, la recessione delle inondazioni e il ritiro dalle pianure alluvionali nel canale fluviale provoca l’insorgenza di malattie diarroiche (Fig 4). Il colera nella regione del delta del Bengala fornisce un importante esempio contrastante. In questo sistema, le epidemie di colera si verificano ogni due anni, un modello unico per questa regione [37]. Qui, l’impulso delle inondazioni è importante nella distribuzione dell’agente patogeno del colera, con focolai di malattia che corrispondono ad alti livelli di inondazione e movimento dell’acqua che distribuisce gli agenti patogeni nelle pianure alluvionali. Questo contrasto suggerisce che le differenze nei serbatoi di agenti patogeni (acquatici rispetto a quelli terrestri) giocano un ruolo critico nella tempistica dei rapporti diarrea-inondazioni e nelle dinamiche di esposizione umana. L’avanzamento della nostra comprensione di questi accoppiamenti uomo-ambiente fornirà una visione critica della previsione delle dinamiche delle malattie portate dalle inondazioni attraverso diversi paesaggi, anche per le malattie emergenti per tipo di agente patogeno.

Implicazioni per la salute pubblica

Focus sulla sorveglianza della diarrea sotto i 5 anni

Mentre sono state identificate differenze significative nel tipo di diarrea per età, la malattia diarroica moderata e grave (diarrea con disidratazione parziale o grave o diarrea sanguinolenta) ha costituito più della metà dei casi segnalati per tutte le fasce d’età (>60%; <1, 1-4, 5+ anni; Tabella 3). La regione dello studio ha uno dei tassi di infezione da HIV più alti del Paese (maschio, 14,4%; femmina, 18,1% [38]), sollevando preoccupazioni riguardo al potenziale ruolo immunosoppressivo di questa malattia nel creare una maggiore vulnerabilità negli individui di 5 anni e oltre. L’attenzione della sanità pubblica al controllo delle malattie diarroiche nei bambini di età inferiore ai 5 anni può quindi essere inadeguata nelle popolazioni con un alto carico di HIV, dove possono essere necessari ulteriori interventi di salute pubblica.

Sistemi a impulsi di allagamento e impatti dei solidi sospesi sulla produzione di acqua potabile sicura

Nei Paesi in via di sviluppo, molta attenzione si è concentrata sul trattamento domestico dell’acqua come intervento primario di salute pubblica per le malattie diarroiche [39]. Anche se questo è di fondamentale importanza, si tratta di una soluzione intermedia. Molte di queste regioni hanno impianti di trattamento dell’acqua che sono operativi, ma l’acqua pulita non è sempre disponibile. In questo studio, le famiglie degli 8 villaggi hanno avuto accesso e hanno riferito di utilizzare l’acqua migliorata prodotta da impianti di trattamento centralizzato (97% [40]). Queste infrastrutture dovrebbero proteggere la popolazione dai cali di qualità dell’acqua nel fiume e dalle malattie trasmesse dall’acqua, eppure continuano a verificarsi epidemie diarroiche biennali, che coincidono con il degrado della qualità dell’acqua del fiume. Mentre numerosi fattori possono influenzare la capacità dei sistemi di trattamento e distribuzione dell’acqua di fornire acqua pulita alla popolazione, la variabilità idrologica osservata in questo sistema attraverso le stagioni può creare variazioni estreme dei livelli di TSS (che includono materiale organico naturale [NOM]), alcalinità e pH, presentando una sfida ai processi di trattamento convenzionale dell’acqua.

I solidi sospesi hanno un’influenza importante sulla sopravvivenza e il trasporto dei batteri nelle acque superficiali, fornendo protezione dai raggi UV, dai predatori e dai grazers, e l’accesso ai nutrienti (recensione in [41 ,42]). Allo stesso modo, gli enterovirus all’interno dei corpi idrici superficiali sono più comunemente attaccati ai solidi sospesi [43]. Il trasporto e la deposizione della contaminazione microbica possono anche essere influenzati dal tipo di particelle di sedimenti presenti nelle acque superficiali, con un assorbimento significativamente maggiore di E. coli riportato per i terreni con un contenuto di argilla più elevato [44]. Il suolo argilloso ha un elevato numero di pori, che forniscono nicchie per i microbi e trattengono l’umidità e le sostanze nutritive, mentre la piccola dimensione media di questi pori riduce la mortalità dell’E. coli conferendo protezione dalla predazione da parte di una fauna del suolo con corpo più grande di nematodi [45 ,46].

Gli innalzamenti nei solidi sospesi non solo influenzano la sopravvivenza microbica nel fiume, ma anche attraverso l’impianto di trattamento dell’acqua, se questi innalzamenti non vengono rilevati e contabilizzati nel processo di trattamento. Il trattamento convenzionale dell’acqua comprende una fase di coagulazione, che comporta l’applicazione di sostanze chimiche per rimuovere i solidi sospesi (sedimenti e NOM) dall’acqua in grandi aggregati floc che vengono successivamente eliminati attraverso le fasi di sedimentazione e filtrazione [47]. L’efficacia di queste fasi è influenzata dal pH dell’acqua, dall’alcalinità e dai livelli di NOM nell’acqua [29]. Questo è poi seguito da una fase di disinfezione chimica, più frequentemente attraverso la clorazione.

Molti impianti di trattamento in Africa e altrove, tuttavia, si basano su strategie di controllo manuale per determinare le dosi di coagulazione necessarie per il trattamento dell’acqua [48], quantità che possono essere grossolanamente inadeguate durante i periodi di rapidi cambiamenti idrologici e spostamenti dei livelli di TSS a monte e di altre proprietà dell’acqua [49]. Anche quando vengono rilevati innalzamenti nei livelli di TSS, il calcolo della dose ottimale di coagulante è complesso e non lineare, complicando ulteriormente l’applicazione di approcci manuali di successo [50 ,51]. I rialzi del TSS possono verificarsi rapidamente, variando nel corso di mesi, settimane (S1 Fig), giorni, e anche entro un giorno (in questo sistema >43% di aumento osservato in 8 ore appena sopra l’afflusso dell’impianto di trattamento delle acque [osservazione una tantum]; S5 Table), con variazioni di pH e di alcalinità che influenzano anche l’efficacia chimica. Il mancato rilevamento e la mancata considerazione di questi flussi da parte dell’operatore e/o delle apparecchiature degli impianti di trattamento delle acque durante l’applicazione del dosaggio chimico può compromettere la qualità dell’acqua in quanto la fase di coagulazione ha un’influenza cruciale sulla disinfezione e sulla rimozione dei microrganismi [47 ,51 ,52]. La crescita microbica può anche continuare oltre l’impianto di trattamento dell’acqua nel sistema di distribuzione dell’acqua [53], in particolare quando la carenza d’acqua e la bassa pressione dell’acqua aumentano la stasi dell’acqua nel sistema. Il degrado del sistema fluviale influenzerà ulteriormente queste dinamiche attraverso ulteriori input provenienti dall’erosione e dal ruscellamento o dai disturbi delle acque superficiali come il traffico delle imbarcazioni [49 ,54].

Sistemi a impulsi di inondazione, malattie diarroiche e cambiamenti climatici

Con il cambiamento climatico, si prevede che la variabilità delle precipitazioni aumenterà in tutta l’Africa meridionale nel 21° secolo, con una diffusione della distribuzione della probabilità di precipitazioni, aumentando la frequenza di siccità, eventi piovosi estremi e inondazioni nel futuro [55]. Nei sistemi a impulsi di inondazione, le dinamiche idrologiche esistenti creano già una variazione significativa del volume del flusso d’acqua nei sistemi fluviali e nell’area di inondazione delle pianure alluvionali (da 401 km2 a 5.779 km2 dal 2000 al 2015 nel sistema del fiume Chobe [56]), con conseguenti impatti sulla dinamica della qualità dell’acqua e sull’esposizione agli agenti patogeni trasportati dall’acqua. I previsti aumenti degli estremi idrologici associati ai cambiamenti climatici aumenteranno ulteriormente la vulnerabilità delle popolazioni che dipendono dalle risorse idriche superficiali in questi paesaggi.

Previsione delle interazioni clima-salute nei sistemi a impulsi di inondazione

Le dinamiche degli impulsi di inondazione nel fiume Chobe derivano da eventi di precipitazione in bacini idrografici a più di 1.000 miglia di distanza e determinano l’entità, la durata e la tempistica della portata del fiume e i conseguenti effetti sulla malattia diarroica della stagione secca nelle popolazioni a valle. I controlli climatici sulle condizioni idrometereologiche possono variare in modo significativo in uno spartiacque. Ad esempio, le precipitazioni nel bacino idrografico delle Highlands angolane sono determinate dalla Zona di Convergenza Intertropicale e dal Confine Aereo del Congo, anche se i cambiamenti della circolazione locale contribuiscono alle condizioni sempre più aride che si verificano in Botswana nell’interno dell’Africa meridionale. Eventi meteorologici lontani e teleconnessioni associate, ad esempio, alla circolazione dei Walker possono influenzare ulteriormente le dinamiche climatiche divergenti (esaminate in [57]). Poiché questi processi idrometeorologici sono intimamente legati all’incidenza delle malattie diarroiche, possiamo aspettarci che i cambiamenti nei modelli delle malattie diarroiche siano reattivi sia alle dinamiche climatiche locali che a quelle a distanza e ai cambiamenti associati al cambiamento climatico. È evidente che l’uso esclusivo di dati climatici locali o a livello di paese sarebbe inadeguato per prevedere gli impatti climatici sulle malattie diarroiche in questa regione. È inoltre evidente che raggruppare le regioni in studi più ampi sulle malattie diarroiche probabilmente nasconde informazioni critiche necessarie per comprendere le relazioni tra ambiente e salute e le vulnerabilità climatiche.

Un approccio sanitario per comprendere le cause ambientali della malattia diarroica

Le vie di trasmissione specifiche del patogeno e le dinamiche di esposizione dell’ospite e dell’infezione interagiscono in modo particolare con le variabili ambientali e socioecologiche per influenzare l’insorgenza delle malattie diarroiche tra le popolazioni e i paesaggi, soprattutto nelle regioni di povertà, dove l’esposizione ambientale è aumentata, così come la vulnerabilità ai cambiamenti climatici (Fig 5). Queste influenze interdipendenti complicano le semplici valutazioni della malattia diarroica e del clima, influenzando lo sviluppo di interventi sostenibili. Mentre in questo studio i fattori idrometereologici critici sono stati associati ai cali di qualità dell’acqua nel fiume e all’insorgenza di malattie diarroiche, questa è solo una parte della storia. Per esempio, il nostro precedente lavoro in questo sistema ha identificato associazioni significative tra i modelli spaziali e temporali della stagione secca, l’aumento dell’E. coli e del TSS, l’uso protetto del suolo, l’habitat delle pianure alluvionali e il conteggio delle feci ripariali degli elefanti e di altri animali selvatici [26]. Questi elementi erano anche predittivi della presenza spaziale delle concentrazioni di E. coli nel fiume all’inizio della stagione umida al di sopra della presa dell’impianto di trattamento delle acque.

Questi risultati identificano importanti accoppiamenti tra le dinamiche degli impulsi di inondazione, i flussi stagionali nella densità della fauna selvatica, l’uso del suolo e la qualità dell’acqua, con impatti sull’acqua potabile sicura e sulle malattie diarroiche nei bambini e negli adulti. La complessità degli accoppiamenti in questo sistema sottolinea la necessità di includere dimensioni che normalmente non sono considerate parte del dominio della salute pubblica. Ciò è particolarmente vero per le malattie infettive emergenti influenzate dai processi ambientali e che di conseguenza si prevede saranno influenzate dai cambiamenti climatici.

Conclusioni

Dalla terraferma ai sistemi tropicali, l’acqua di superficie svolge un ruolo critico per la salute umana. Si prevede che le inondazioni e la variabilità delle precipitazioni aumenteranno con il cambiamento climatico in molti sistemi e possono indurre drastici cambiamenti nella qualità delle acque superficiali. Pur presentando un chiaro rischio nelle popolazioni che utilizzano fonti d’acqua non sicure, il rapido cambiamento dei solidi sospesi e di altri parametri di qualità dell’acqua può sopraffare i processi convenzionali di trattamento dell’acqua, incidendo sulla fornitura di acqua potabile sicura e aumentando il potenziale di esposizione agli agenti patogeni trasportati dall’acqua e alle malattie diarroiche. Le soluzioni a lungo termine per le malattie diarroiche e la preparazione climatica dovrebbero includere una maggiore attenzione a livello nazionale per lo sviluppo del settore idrico, utilizzando tecnologie che siano robuste per le condizioni ambientali locali, ma che possano essere manutenute e mantenute a livello locale. Nelle popolazioni con un alto carico di HIV, potrebbe essere necessaria un’espansione della sorveglianza delle malattie diarroiche e delle strategie di intervento, coinvolgendo altri settori a rischio al di là della fascia d’età inferiore ai 5 anni. In definitiva, il successo delle strategie di salute pubblica nei vari sistemi dipenderà dalla comprensione di come i fattori socioculturali e ambientali sono accoppiati su più scale e influenzano il rischio di esposizione alle malattie trasmesse dall’acqua, le dinamiche di trasmissione e la vulnerabilità della popolazione di fronte ai cambiamenti climatici previsti.

Informazioni di supporto

References

Uejio CK, Yale SH, Malecki K, Borchardt MA, Anderson HA, Patz JA. Drinking water systems, hydrology, and childhood gastrointestinal illness in central and northern Wisconsin. Am J Public Health. 2014; 104(4):639-46. DOI | PubMed
Patz JA, Vavrus SJ, Uejio CK, McLellan SL. Climate change and waterborne disease risk in the Great Lakes region of the US. Am J Prev Med. 2008; 35(5):451-8. PubMed
Boithias L, Choisy M, Souliyaseng N, Jourdren M, Quet F, Buisson Y, et al. Hydrology and human behavior: two key factors of diarrhea incidence in montane tropical humid areas. 19th EGU General Assembly; 2017 Apr 23–28; Vienna, Austria.
Collender PA, Cooke OC, Bryant LD, Kjeldsen TR, Remais JV. Estimating the microbiological risks associated with inland flood events: bridging theory and models of pathogen transport. Crit Rev Environ Sci Technol. 2016; 46(23–24):1787-833. DOI | PubMed
Anthonj C, Rechenburg A, Höser C, Kistemann T. Contracting infectious diseases in sub-Saharan African wetlands: a question of use? A review. Int J of Hyg Environ Health. 2017; 220(7):1110-23. PubMed
Patz JA, Campbell-Lendrum D, Holloway T, Foley JA. Impact of regional climate change on human health. Nature. 2005; 438(7066):310-7. DOI | PubMed
Delpla I, Jung A-V, Baures E, Clement M, Thomas O. Impacts of climate change on surface water quality in relation to drinking water production. Environ Int. 2009; 35(8):1225-33. DOI | PubMed
GBD Diarrhoeal Disease Collaborators. Estimates of global, regional, and national morbidity, mortality, and aetiologies of diarrhoeal diseases: a systematic analysis for the Global Burden of Disease Study 2015. Lancet Infect Dis. 2017; 17(9):909-48. DOI | PubMed
Vos T, Allen C, Arora M, Barber RM, Bhutta ZA, Brown A. Global, regional, and national incidence, prevalence, and years lived with disability for 310 diseases and injuries, 1990–2015: a systematic analysis for the Global Burden of Disease Study 2015. Lancet. 2016; 388(10053):1545. DOI | PubMed
Liu L, Oza S, Hogan D, Chu Y, Perin J, Zhu J. Global, regional, and national causes of under-5 mortality in 2000–15: an updated systematic analysis with implications for the Sustainable Development Goals. Lancet. 2016; 388(10063):3027-35. DOI | PubMed
Guerrant RL, DeBoer MD, Moore SR, Scharf RJ, Lima AA. The impoverished gut—a triple burden of diarrhoea, stunting and chronic disease. Nat Rev Gastroenterol Hepatol. 2013; 10(4):220-9. DOI | PubMed
Korpe PS, Petri WA. Environmental enteropathy: critical implications of a poorly understood condition. Trends Mol Med. 2012; 18(6):328-36. DOI | PubMed
Few R, Ahern M, Matthies F, Kovats S. Floods, health and climate change: a strategic review. Norwich: Tyndall Centre for Climate Change Research. 2004.
Bates B, Kundzewicz Z, Wu S. Climate change and water. Intergovernmental Panel on Climate Change: Geneva; 2008.
Schwartz BS, Harris JB, Khan AI, Larocque RC, Sack DA, Malek MA. Diarrheal epidemics in Dhaka, Bangladesh, during three consecutive floods: 1988, 1998, and 2004. Am J Trop Med Hyg. 2006; 74(6):1067-73. PubMed
Harris AM, Chowdhury F, Begum YA, Khan AI, Faruque AS, Svennerholm A-M. Shifting prevalence of major diarrheal pathogens in patients seeking hospital care during floods in 1998, 2004, and 2007 in Dhaka, Bangladesh. Am J Trop Med Hyg. 2008; 79(5):708-14. PubMed
Ivers LC, Ryan ET. Infectious diseases of severe weather-related and flood-related natural disasters. Curr Opin Infect Dis. 2006; 19(5):408-14. DOI | PubMed
Alderman K, Turner LR, Tong S. Floods and human health: a systematic review. Environ Int. 2012; 47:37-47. DOI | PubMed
Walker KF, Sheldon F, Puckridge JT. A perspective on dryland river ecosystems. Regulated Rivers Res Manag. 1995; 11(1):85-104.
Junk WJ, Bayley PB, Sparks RE. The flood pulse concept in river-floodplain systems. Can Spec Publ Fish Aquat Sci. 1989; 106(1):110-27.
Junk WJ, Wantzen KM. The flood pulse concept: new aspects, approaches and applications—an update. In: Welcomme RL, Petr T, editors. Proceedings of the Second International Symposium on the Management of Large Rivers for Fisheries. Rome: Food and Agriculture Organization of the United Nations; 2004.
Jobbins S, Sanderson C, Alexander K. Leptospira interrogans at the human-wildlife interface in northern Botswana: a newly identified public health threat. Zoonoses Public Health. 2014; 61(2):113-23. DOI | PubMed
Burnham KP, Anderson DR. Model selection and multimodel inference: a practical information-theoretic approach. Springer: New York; 2003.
Alexander KA, Godrej A. Greywater disposal practices in northern Botswana—the silent spring?. Int J Environ Res Public Health. 2015; 12(11):14529-40. DOI | PubMed
Alexander KA, Carzolio M, Goodin D, Vance E. Climate change is likely to worsen the public health threat of diarrheal disease in Botswana. Int J Environ Res Public Health. 2013; 10(4):1202-30. DOI | PubMed
Fox JT, Alexander KA. Spatiotemporal variation and the role of wildlife in seasonal water quality declines in the Chobe River, Botswana. PLoS ONE. 2015; 10(10):e0139936. DOI | PubMed
World Health Organization. ICD-10: international statistical classification of diseases and related health problems. World Health Organization: Geneva; 2004.
Guerrant RL, Kirchhoff LV, Shields DS, Nations MK, Leslie J, de Sousa MA. Prospective study of diarrheal illnesses in northeastern Brazil: patterns of disease, nutritional impact, etiologies, and risk factors. J Infect Dis. 1983; 148(6):986-97. DOI | PubMed
LaHue N, Alexander KA. Pit latrines: a noninvasive sampling strategy to assess fecal pathogen occurrence in low resource communities. J Community Health. 2018. DOI | PubMed
Singh RB, Hales S, De Wet N, Raj R, Hearnden M, Weinstein P. The influence of climate variation and change on diarrheal disease in the Pacific Islands. Environ Health Perspect. 2001; 109(2):155-9. DOI | PubMed
Jagai JS, Sarkar R, Castronovo D, Kattula D, McEntee J, Ward H. Seasonality of rotavirus in South Asia: a meta-analysis approach assessing associations with temperature, precipitation, and vegetation index. PLoS ONE. 2012; 7(5):e38168. DOI | PubMed
Davies B, Thoms M, Walker K, O’Keeffe J, Gore J, Callow P, Petts GE. The rivers handbook: hydrological and ecological principles. Blackwell Science: Oxford; 1994.
Heiler G, Hein T, Schiemer F, Bornette G. Hydrological connectivity and flood pulses as the central aspects for the integrity of a river-floodplain system. River Res Appl. 1995; 11(3–4):351-61.
Tockner K, Malard F, Ward J. An extension of the flood pulse concept. Hydrol Process. 2000; 14(16–17):2861-83.
Van den Brink FW, Van der Velde G, Wijnhoven S. Seasonal changes in caddis larvae assemblages in river-floodplain habitats along a hydrological connectivity gradient. Hydrobiologia. 2013; 716(1):75-85.
Davies GI, McIver L, Kim Y, Hashizume M, Iddings S, Chan V. Water-borne diseases and extreme weather events in Cambodia: review of impacts and implications of climate change. Int J Environ Res Public Health. 2014; 12(1):191-213. DOI | PubMed
Akanda AS, Jutla AS, Islam S. Dual peak cholera transmission in Bengal Delta: a hydroclimatological explanation. Geophys Res Lett. 2009; 36(19):L19401.
Statistics Botswana. Botswana AIDS Impact Survey IV (BAIS IV), 2013: summary results. Gaborone: Statistics Botswana; 2014.
Enger KS, Nelson KL, Rose JB, Eisenberg JN. The joint effects of efficacy and compliance: a study of household water treatment effectiveness against childhood diarrhea. Water Res. 2013; 47(3):1181-90. DOI | PubMed
Statistics Botswana. Botswana environment statistics: human settlements report 2013. Gaborone: Statistics Botswana; 2014.
Walters E, Kätzl K, Schwarzwälder K, Rutschmann P, Müller E, Horn H. Persistence of fecal indicator bacteria in sediment of an oligotrophic river: comparing large and lab-scale flume systems. Water Res. 2014; 61:276-87. DOI | PubMed
Sherer BM, Miner JR, Moore JA, Buckhouse JC. Indicator bacterial survival in stream sediments. J Environ Qual. 1992; 21(4):591-5.
Rao VC, Seidel KM, Goyal S, Metcalf TG, Melnick JL. Isolation of enteroviruses from water, suspended solids, and sediments from Galveston Bay: survival of poliovirus and rotavirus adsorbed to sediments. Appl Environ Microbiol. 1984; 48(2):404-9. PubMed
Ling T, Achberger E, Drapcho C, Bengtson R. Quantifying adsorption of an indicator bacteria in a soil—water system. Trans ASAE. 2002; 45(3):669-674.
van Veen JA, van Overbeek LS, van Elsas JD. Fate and activity of microorganisms introduced into soil. Microbiol Mol Biol Rev. 1997; 61(2):121-35. PubMed
Elliott ET, Anderson R, Coleman DC, Cole C. Habitable pore space and microbial trophic interactions. Oikos. 1980; 35(3):327-35.
Betancourt WQ, Rose JB. Drinking water treatment processes for removal of Cryptosporidium and Giardia. Vet Parasitol. 2004; 126(1–2):219-34. DOI | PubMed
Sinha A, Morris E, Fei C, Liu X, Jin S. A cognitive dynamic system for chemical coagulation control. 30th Annual IEEE Canadian Conference on Electrical and Computer Engineering; 2017 Apr 30–May 3: Windsor, Canada.
Wang H, Omosa IB, Keller AA, Li F. Ecosystem protection, integrated management and infrastructure are vital for improving water quality in Africa. Environ Sci Technol. 2012; 46(9):4699-700. DOI | PubMed
Bello O, Hamam Y, Djouani K. Coagulation process control in water treatment plants using multiple model predictive control. Alexandria Eng J. 2014; 53(4):939-48.
Edzwald JK, Tobiason JE. Enhanced coagulation: US requirements and a broader view. Water Sci Technol. 1999; 40(9):63-70.
LeChevallier MW, Au K-K. Water treatment and pathogen control: process efficiency in achieving safe drinking-water. Iwa Publishing: London; 2004.
Matilainen A, Vepsäläinen M, Sillanpää M. Natural organic matter removal by coagulation during drinking water treatment: a review. Adv Colloid Interface Sci. 2010; 159(2):189-97. DOI | PubMed
Pettibone GW, Irvine KN, Monahan KM. Impact of a ship passage on bacteria levels and suspended sediment characteristics in the Buffalo River. New York. Water Res. 1996; 30(10):2517-21.
Kay G, Washington R. Future southern African summer rainfall variability related to a southwest Indian Ocean dipole in HadCM3. Geophys Res Lett. 2008; 35(12):L12701.
Burke JJ, Pricope NG, Blum J. Thermal imagery-derived surface inundation modeling to assess flood risk in a flood-pulsed savannah watershed in Botswana and Namibia. Remote Sens. 2016; 8(8):676.
McCarthy TS, Cooper GR, Tyson P, Ellery WN. Seasonal flooding in the Okavango Delta, Botswana—recent history and future prospects. S Afr J Sci. 2000; 96(1):25-33.

Fonte

Alexander KA, Heaney AK, Shaman J, Patz JA (2018) Hydrometeorology and flood pulse dynamics drive diarrheal disease outbreaks and increase vulnerability to climate change in surface-water-dependent populations: A retrospective analysis. PLoS Medicine 15(11): e1002688. https://doi.org/10.1371/journal.pmed.1002688