A model to predict SARS-CoV-2 infection based on the first three-month surveillance data in Brazil.

OBJECTIVE: COVID-19 diagnosis is a critical problem, mainly due to the lack or delay in the test results. We aimed to obtain a model to predict SARS-CoV-2 infection in suspected patients reported to the Brazilian surveillance system. METHODS: We analysed suspected patients reported to the National Surveillance System that corresponded to the following case definition: patients with respiratory symptoms and fever, who travelled to regions with local or community transmission or who had close contact with a suspected or confirmed case. Based on variables routinely collected, we obtained a multiple model using logistic regression. The area under the receiver operating characteristic curve (AUC) and accuracy indicators were used for validation. RESULTS: We described 1468 COVID-19 cases (confirmed by RT-PCR) and 4271 patients with other illnesses. With a data subset including 80% of patients from Sao Paulo (SP) and Rio Janeiro (RJ), we obtained a function which reached an AUC of 95.54% (95% CI: 94.41-96.67%) for the diagnosis of COVID-19 and accuracy of 90.1% (sensitivity 87.62% and specificity 92.02%). In a validation dataset including the other 20% of patients from SP and RJ, this model exhibited an AUC of 95.01% (92.51-97.5%) and accuracy of 89.47% (sensitivity 87.32% and specificity 91.36%). CONCLUSION: We obtained a model suitable for the clinical diagnosis of COVID-19 based on routinely collected surveillance data. Applications of this tool include early identification for specific treatment and isolation, rational use of laboratory tests, and input for modelling epidemiological trends.

OBJECTIF: Le diagnostic du COVID-19 est un problème critique, principalement dû au manque ou au retard dans les résultats du test. Nous visions à obtenir un modèle pour prédire l'infection par le SRAS-CoV-2 chez les patients suspects signalés au système de surveillance brésilien. MÉTHODES: Nous avons analysé les patients suspects signalés au Système National de Surveillance qui correspondaient à la définition de cas suivante: patients présentant des symptômes respiratoires et de la fièvre, qui se sont rendus dans des régions à transmission locale ou communautaire ou qui ont eu des contacts étroits avec un cas suspect ou confirmé. Sur la base de variables collectées en routine, nous avons obtenu un modèle multiple en utilisant la régression logistique. L'aire sous la courbe caractéristique de fonctionnement du récepteur (AUC) et les indicateurs de précision ont été utilisés pour la validation. RÉSULTATS: Nous avons décrit 1.468 cas de COVID-19 (confirmés par RT-PCR) et 4.271 patients atteints d'autres maladies. Avec un sous-ensemble de données comprenant 80% de patients de Sao Paulo (SP) et de Rio de Janeiro (RJ), nous avons obtenu une fonction qui atteignait une AUC de 95,54% (IC95%: 94,41% - 96,67%) pour le diagnostic de COVID- 19 et une précision de 90,1% (sensibilité 87,62% et spécificité 92,02%). Dans un ensemble de données de validation incluant les 20% restants de patients de SP et de RJ, ce modèle présentait une AUC de 95,01% (92,51% - 97,5%) et une précision de 89,47% (sensibilité 87,32% et spécificité 91,36%). CONCLUSION: Nous avons obtenu un modèle adapté au diagnostic clinique du COVID-19 sur la base des données de surveillance collectées en routine. Les applications de cet outil comprennent l'identification précoce pour un traitement et un isolement spécifiques, l'utilisation rationnelle des tests de laboratoire et des données pour modéliser les tendances épidémiologiques.

Metodología para seleccionar zonas de intervención con cultivos biofortificados / Methodology for selecting areas for biofortified crop intervention

OBJETIVO: Identificar zonas geográficas de América Latina y el Caribe para la biofortificación de cultivos básicos como frijol, maíz, arroz, yuca y batata, contribuyendo así a reducir las deficiencias nutricionales en la Región. MÉTODO: Se generó un sistema de información geográfica (SIG) que incluyó registros sobre riesgos nutricionales, producción de cultivos, consumos alimenticios, y datos demográficos y socioeconómicos para 11 países de la Región. Se realizaron cuatro estudios de caso (en Guatemala, México, Bolivia y Colombia) basados en un análisis exploratorio y descriptivo de mapas temáticos, y su superposición y comparación para buscar patrones espaciales e identificar zonas candidatas de intervención. RESULTADOS: En Guatemala, las mayores tasas de riesgos nutricionales, producción de frijol y densidad poblacional coincidieron en las regiones Nororiental y Suroriental. En México, la distribución espacial de los niveles más altos de riesgos nutricionales, pobreza y producción de maíz se concentraron en los municipios del centro y sur. En Bolivia la producción de frijol tendió a situarse en el este del país, y el riesgo nutricional en el oeste. En Colombia, tanto los riesgos nutricionales como la producción de yuca mostraron una gran dispersión geográfica. CONCLUSIONES: Para Guatemala se propone la biofortificación con hierro del frijol en el sur de la región Nororiental y en la Suroriental, en México, la biofortificación del maíz con aminoácidos en los municipios productores del centro y sur del país; para Bolivia, una intervención con frijol biofortificado con hierro y zinc en zonas productoras de Santa Cruz, Chuquisaca y Tarija; y en Colombia, la biofortificación de yuca con β-caroteno en los departamentos de Córdoba y Cundinamarca.

OBJECTIVE: To identify geographical areas in Latin America and the Caribbean where biofortification of staple crops, such as beans, corn, rice, cassava, and sweet potatoes, might help reduce nutritional deficiencies in the Region. METHODS: A geographic information system (GIS) was produced with records on nutritional risks, crop production, food consumption, and demographic and socioeconomic data, for 11 countries in the Region. Four case studies were conducted (in Bolivia, Colombia, Guatemala, and Mexico) using exploratory and descriptive analysis of thematic maps that were superimposed and compared to reveal overlapping and spatial patterns, thereby identifying areas suited to intervention. RESULTS: In Guatemala, the highest rates of nutritional risk, bean production, and population density overlapped in the northeast and southeast areas. In Mexico, spatial distribution of the highest risk levels for nutrition, poverty, and corn production were concentrated in the central and southern municipalities. In Bolivia, bean production tended to be in the eastern part of the country, and nutritional risk, in the west. In Colombia, both nutritional risk and cassava production showed wide geographic dispersion. CONCLUSIONS: For Guatemala, we propose iron biofortification of beans in the southern parts of the northeast and southeast; for Mexico, amino-acid biofortification of corn in the central and southern municipalities that produce it; for Bolivia, iron and zinc biofortification of beans in the bean-producing areas of Santa Cruz, Chuquisaca, and Tarija; and for Colombia, β-carotene biofortification of cassava in the Cordoba and Cundinamarca departments.