Pin It

Ilaria Dorigatti, 37 anni, dottorato in matematica all’Università di Trento, sposata con due bambini piccoli, da quasi dieci anni lavora a Londra presso il Centro per l’analisi globale delle malattie infettive globali dell’Imperial College, dove si occupa di modelli matematici della trasmissione delle malattie infettive. In questi mesi è stata molto impegnata ad elaborare modelli di analisi e previsione del Covid-19. L’intervista è a cura di Roberto Natalini.

[Originariamente pubblicato il 2 giugno 2020]

Roberto. Qual è stato il tuo percorso di studi? Come sei arrivata ad occuparti di epidemiologia?

Ilaria. Ho cominciato ad avvicinarmi ai modelli per le epidemie durante la laurea triennale e mi sono appassionata della materia così tanto da continuare a studiare questi modelli nella laurea specialistica e poi durante il dottorato. Sono arrivata all’ Imperial College per un postdoc nel 2011 e sono ancora qui. Nel 2014 ho preso la mia prima fellowship e nel 2018 ho vinto una posizone come lecturer. Applicare la matematica all’ epidemiologia mi ha permesso di combinare la mia passione per la matematica con il mio sogno nel cassetto di studiare medicina.

R. Come ti trovi a lavorare in uno dei gruppi più in vista a livello mondiale nello studio dei modelli delle epidemie?

I. Il Centro è un ambiente estremamente dinamico e ricco di stimoli perché mette insieme esperti di formazione molto diversa. Ci sono matematici, fisici, medici, biologi e programmatori professionisti, ognuno ha abilità complementari e ci accomuna l’interesse nello studio delle malattie infettive. Non si smette mai di imparare. A gennaio, quando abbiamo cominciato a lavorare su COVID, eravamo solo in 5. Nel corso dei mesi il gruppo si è ingrandito e ad oggi siamo in più di 50. Come accade spesso quando si fanno analisi in tempo reale c’è pressione, ma questa mi spinge a dare il meglio di me.

R. In cosa consiste esattamente il lavoro di un matematico in un team anche molto grande di esperti di malattie infettive?

I. La mia ricerca parte da domande di salute pubblica del mondo reale e utilizza la matematica come strumento rigoroso per trovare risposte attraverso i dati epidemiologici osservati. Il mio lavoro consiste nel combinare modelli matematici e statistici in primo luogo descrivere i dati osservati e quindi capire le dinamiche di trasmissione e caratterizzare le caratteristiche di virus emergenti. Spesso utilizzo i modelli per esplorare scenari di intervento, come ad esempio l’impatto della vaccinazione o del distanziamento sociale, in modo da ottimizzare strategie di intervento.

R. Partirei in primo luogo dallo studio, attualmente ancora un preprint (link) a cui hai  partecipato, firmato tra gli altri da Neil Ferguson e Andrea Crisanti, sulla soppressione del focolaio di Covid-19 a Vo. È stata una situazione abbastanza eccezionale che ha permesso di capire alcune cose importanti sul Covid-19. Quali sono le conclusioni più importanti a cui siete arrivati? Credi che questo studio sia importante per la comprensione dello sviluppo di questa epidemia?

I. Lo studio di Vo è stato tra i primi a dare evidenza scientifica del ruolo degli asintomatici nella trasmissione di COVID. Abbiamo scoperto una prevalenza dell’infezione del 2.6% qualche giorno dopo la scoperta del primo decesso dovuto a COVID in Italia e questo ha dimostrato come il virus stesse circolando in maniera silente nella popolazione da settimane. Abbiamo trovato anche che la carica virale negli infetti asintomatici è statisticamente comparabile a quella degli infetti sintomatici e che le dinamiche dell’infezione tra sintomatici e asintomatici sono sostanzialmente le stesse. L’esperienza di Vo ha anche dimostrato che l’isolamento precoce dei casi e le misure di lockdown implementate nelle prime fasi di un’epidemia possono sopprimere in maniera rapida e radicale la trasmissione.

R. Il 4 maggio scorso avete pubblicato il report “Using mobility to estimate the transmission intensity of COVID-19 in Italy: A subnational analysis with future scenarios” (link) firmato tra gli altri ancora da Neil Ferguson. Quali sono i risultati principali di questa indagine?

I. In questo report stimiamo il numero riproduttivo (Rt) in funzione dei dati di mobilità. Dal punto di vista metodologico, la novità sta proprio nell’aver presentato un metodo che permette di stimare la trasmissibilità di COVID-19 attraverso i dati di mobilità. La nostra analisi mostra che durante il lockdown la mobilità è diminuita sensibilmente e con questa anche Rt. Al 1 maggio stimavamo che Rt fosse sotto il valore soglia 1 in tutte le regioni d’ Italia. Questo dimostra che il lockdown è riuscito a controllare l’epidemia. Abbiamo poi utilizzato il modello per esplorare scenari futuri. Assumendo un aumento della mobilità anche solo del 20% e senza considerare le misure attualmente raccomandate (come ad esempio l’uso corretto di mascherine e il mantenimento della distanza fisica tra le persone) troviamo che ci potrebbe essere una seconda ondata epidemica. Questo è dovuto al fatto che in Italia il virus sta ancora circolando nella popolazione e non è stata raggiunta l’ immunità di gregge. Le differenze a livello regionale sono dettate dal numero di infezioni stimate nella popolazione e dalla mobilità regionale.

R. Che indicazioni se ne possono trarre per i futuri sviluppi a livello nazionale?

I. Le conclusioni che abbiamo tratto è che il comportamento della popolazione è fondamentale nel determinare se ci sarà una seconda ondata. Inoltre, dal punto di vista epidemiologico, in questa fase 2 è importante tracciare le variazioni in Rt in tempo reale. Queste si possono ottenere con una sorveglianza epidemiologica intensificata, ad esempio con una strategia di “test and trace”. Ci sono infatti dei ritardi tra i vari eventi epidemiologici. Ad esempio, possono passare dalle 3 alle 4 settimane tra l’infezione e il decesso e questo significa che un eventuale aumento nel numero di infezioni nella popolazione verrebbe a manifestarsi nel numero di decessi settimane dopo l’infezione. In altre parole, se guardassimo solo ai decessi (o ai casi ospedalizzati), ci accorgeremmo di variazioni nella trasmissibilità con settimane di ritardo rispetto a quando il reale incremento nell’intensità di trasmissione è avvenuto. È questo il motivo per cui è necessario intensificare la sorveglianza a livello di comunità e riuscire a identificare le nuovi infezioni e i casi (non necessariamente gravi, idealmente anche asintomatici) a livello di comunità. Questa strategia permette anche di identificare eventuali focolai sui quali è possibile intervenire precocemente per evitare che ci sia una nuova ondata simile a quella da cui è stata investita l’Italia in febbraio.

Le conclusioni che abbiamo tratto è che il comportamento della popolazione è fondamentale nel determinare se ci sarà una seconda ondata. Inoltre, dal punto di vista epidemiologico, in questa fase 2 è importante tracciare le variazioni in Rt in tempo reale. Queste si possono ottenere con una sorveglianza epidemiologica intensificata, ad esempio con una strategia di “test and trace”.
.

R. Ho visto che sul sito Scienza in Rete hanno pubblicato un articolo abbastanza critico di Donato Greco (link) a proposito delle metodologie usate nel vostro report. Secondo te queste critiche sono giustificate? Hai dei commenti da fare?

I. I risultati del nostro report sono riportati in maniera errata. Una copia quasi uguale dello stesso articolo è apparsa sul Quotidiano Sanità (link) che ha pubblicato la richiesta dell’Imperial College di correggere le affermazioni errate (link). Le critiche si basano su un confronto tra il numero di decessi osservato con il lockdown e le stime ottenute con un modello senza il lockdown. Ovviamente non è corretto paragonare stime osservate con il lockdown con stime ottenute con scenari che non considerano il lockdown, così come non è corretto dedurre che il modello non assume eterogeneità spaziale solo perché il report non discute questo aspetto.

R. Più in generale si notano grandi differenze nei risultati ottenuti dalle analisi fatte dai vari gruppi. Addirittura il sito americano FiveThirtyEight, guidato da Nate Silver e specializzato in analisi statistiche a carattare politico, ha pubblicato un’articolo dal titolo eloquente “Why It’s So Freaking Hard To Make A Good COVID-19 Model” (link). Secondo te, è veramente così difficile fare previsioni affidabili e perché in altri casi, come per esempio per la Sars o la H1n1 i modelli sono sembrati più affidabili?

I. I modelli sono come un laboratorio nel quale è possibile fare esperimenti, nello specifico esplorare l’evoluzione di un’epidemia e simulare l’impatto di interventi, senza che questi vengano testati nella popolazione reale. In questo senso i modelli portano razionalità e rigore scientifico nelle decisioni politiche perché offrono scenari. Qualsiasi previsione dipende da molti fattori, incluse le ipotesi (esplicite e implicite) sulle quali il modello è basato, la parametrizzazione (ovvero i valori dei parametri utilizzati nel produrre previsioni) e la quantità e qualità dei dati disponibili. Non c’è da meravigliarsi se le previsioni prodotte da modelli diversi producono previsioni diverse. È però fondamentale capire che cosa produce eventuali differenze e analizzare criticamente e alla luce della letteratura i risultati di qualsiasi modello, che sia stato sottoposto, o meno, a peer-review. Non penso che COVID sia, in linea di principio, più difficile da modellizzare rispetto alla SARS o all’H1N1. COVID ha caratteristiche diverse da SARS e H1N1 che lo rendono molto meno controllabile e ad oggi ci sono ancora ampi margini di incertezza su alcuni aspetti della trasmissione – come ad esempio il ruolo dei bambini– che rendono le previsioni future incerte.

R. Da matematica, quale pensi sia la strategia più efficace da seguire in questa fase di riapertura? Quali indicatori credi siano più efficaci per misurare l’andamento del contagio che siano decisivi per far scattare eventuali provvedimenti restrittivi?

I. Penso che la cosa fondamentale sia monitorare da vicino ed in tempo reale l’intensità di trasmissione di COVID attraverso il numero di riproduzione Rt. Valori di Rt sopra al valore soglia (uguale ad 1) implicano ci sia trasmissione a livello di popolazione e che quindi ci sia una seconda ondata. Più alto è il valore di Rt, più rapida è la trasmissione e quindi più stringenti potranno essere gli interventi necessari per fare in modo che il sistema sanitario nazionale riesca a rispondere alla richiesta di assistenza medica della popolazione.

R. Parlando di te. Come va la vita di tutti giorni, in famiglia, con i figli? È difficile lavorare in queste condizioni?

I. Da quando le scuole sono chiuse con mio marito lavoriamo a turni durante la giornata per poi continuare a lavorare la sera e spesso la notte. Diciamo che è un modo diverso di lavorare e manca ovviamente l’interazione sociale con i colleghi.

R. Dove vorresti passare la prossima vacanza con la tua famiglia quando l’emergenza sarà finita?

I. Per prima cosa non vedo l’ora di tornare dalla mia famiglia in Trentino. Poi sarà bello tornare piano piano a viaggiare!

Roberto Natalini [coordinatore del sito] Matematico applicato. Dirigo l’Istituto per le Applicazioni del Calcolo del Cnr e faccio comunicazione con MaddMaths! e Comics&Science.

Twitter 

Pin It
This website uses the awesome plugin.