RESUMEN
RESUMEN Introducción: Durante enfermedades infecciosas emergentes en curso como la COVID-19, la vigilancia espacio-temporal es fundamental para identificar áreas prioritarias para intervenciones específicas, diferenciar intensidad diagnóstica y asignación de recursos. Objetivo: Modelar la evolución del riesgo relativo de presentación de casos de COVID-19 e identificar conglomerados en municipios donde la enfermedad se mantuvo en el periodo posterior al descenso de la curva epidémica en Cuba. Métodos: El periodo mencionado comprendió entre el 26/05/2020 hasta el 4/09/2020. Se realizaron corridas cíclicas del modelo prospectivo espacio-temporal de Poisson, con incrementos progresivos de 14 días, mediante la aplicación SaTScan™ 9.6. Resultados: Se identificaron 15 conglomerados significativos (p ≤ 0,0001) cuya extensión involucró desde uno hasta trece municipios, con distribución en seis provincias (Pinar del Río, Artemisa, La Habana, Mayabeque, Matanzas, Villa Clara y Ciego de Ávila). En los conglomerados todos los municipios mostraron riesgo relativo alto, entre ellos, La Palma en la provincia de Pinar del Río y Ciego de Ávila en la provincia del mismo nombre, con los valores más altos, 119,95 y 121,04, respectivamente. Conclusión: El modelo empleado pudo identificar los conglomerados en territorios con significativa probabilidad de ocurrencia de COVID-19, así como periodos de evolución del riesgo relativo. Además, reconoce los municipios que merecen prioridad para intensificar en ellos intervenciones de contención y control sanitario y evitar la reemergencia de la enfermedad con mayor dispersión espacial.
ABSTRACT Introduction: During the occurrence of ongoing emerging infectious diseases such as COVID-19, spatiotemporal surveillance is crucial to identify priority areas for specific interventions, differentiate diagnostic intensity and assign resources. Objective: To model the evolution of the relative risk of presentation of COVID-19 cases and to identify clusters in municipalities where the disease remains at the stage following the descent of the epidemic curve in Cuba. Methods: The period mentioned was from 26/05/2020 to 4/09/2020. Cyclic runs of Poisson's prospective spatiotemporal model were performed, with progressive 14-day increases, using the software SaTScan™ 9.6. Results: A total 15 significant clusters were identified (p ≤ 0.0001) extending over one to thirteen municipalities and distributed in six provinces (Pinar del Río, Artemisa, Havana, Mayabeque, Matanzas, Villa Clara and Ciego de Ávila). In the clusters, all municipalities showed a high relative risk among them, La Palma in Pinar del Rio province and Ciego de Avila in the province of the same name, with the highest values, 119.95 and 121.04, respectively. Conclusion: The model was able to identify territories with a significant likelihood of COVID-19 occurrence, as well as periods in the evolution of relative risk. It also showed that surveillance and early warning strategies may facilitate prioritization of health control and containment interventions aimed at preventing the reemergence of the disease with greater spatial coverage.
RESUMEN
Las proteínas de tipo barril-beta desempeñan un importante papel tanto en medicina humana como veterinaria. Su localización en la superficie bacteriana y su participación en los mecanismos de virulencia de los patógenos, hacen que se hayan convertido en un interesante blanco en los estudios de búsqueda de candidatos vacunales. Freeman y Wimley desarrollaron un algoritmo de predicción basado en las propiedades físico-químicas de proteínas barriles beta transmembrana (BBTMs). Basado en el mismo y utilizando Grails, se implementó una aplicación web. Este sistema (Beta Predictor), procesa hasta 10.000 proteínas, con un tiempo de respuesta aproximado de 0,019 s por proteína de 500 residuos y permite un análisis gráfico para cada proteína. La aplicación se evaluó con un conjunto de validación de 535 proteínas no redundantes, 102 BBTMs y 433 no-BBTMs. Se calculó la sensibilidad, especificidad, coeficiente de correlación de Matthews, valor predictivo positivo y la exactitud, siendo estos 85,29 por ciento, 95,15 por ciento, 78,72 por ciento, 80,56 por ciento y 93,27 por ciento, respectivamente. El rendimiento de este sistema se comparó con el de los predictores de BBTMs, BOMP y TMBHunt y se utilizó el mismo conjunto de validación. Se obtuvieron los siguientes resultados en el orden anterior: 76,47 por ciento, 99,31 por ciento, 83,05 por ciento, 96,30 por ciento y 94,95 por ciento para el BOMP y 78,43 por ciento, 92,38 por ciento, 67,90 por ciento, 70,17 por ciento y 89,78 por ciento para el TMBHunt. El predictor BOMP superó al Beta Predictor, pero este último mostró mejor comportamiento que el TMBHunt(AU)
Beta-barrel type proteins play an important role in both, human and veterinary medicine. In particular, their localization on the bacterial surface, and their involvement in virulence mechanisms of pathogens, have turned them into an interesting target in studies to search for vaccine candidates. Recently, Freeman and Wimley developed a prediction algorithm based on the physicochemical properties of transmembrane beta-barrels proteins (TMBBs). Based on that algorithm, and using Grails, a web-based application was implemented. This system, named Beta Predictor, is capable of processing from one protein sequence to complete predicted proteomes up to 10000 proteins with a runtime of about 0.019 seconds per 500-residue protein, and it allows graphical analyses for each protein. The application was evaluated with a validation set of 535 non-redundant proteins, 102 TMBBs and 433 non-TMBBs. The sensitivity, specificity, Matthews correlation coefficient, positive predictive value and accuracy were calculated, being 85.29 percent, 95.15 percent, 78.72 percent, 80.56 percent and 93.27 percent, respectively. The performance of this system was compared with TMBBs predictors, BOMP and TMBHunt, using the same validation set. Taking into account the order mentioned above, the following results were obtained: 76.47 percent, 99.31 percent, 83.05 percent, 96.30 percent and 94.95 percent for BOMP, and 78.43 percent, 92.38 percent, 67.90 percent, 70.17 percent and 89.78 percent for TMBHunt. Beta Predictor was outperformed by BOMP but the latter showed better behavior than TMBHunt(AU)
