CC BY
78
Ш Анализ методов прогнозирования заболеваемости зоонозными инфекциями
О.А. Жигальский (zig@ipae.uran.ru)
Институт экологии растений и животных Уральского отделения РАН, г. Екатеринбург
Резюме
Проведен анализ методов прогнозирования заболеваемости зоонозными инфекциями. Показаны основные достоинства и недостатки используемых методов прогноза. На основании построенных моделей или регрессионных уравнений только специалист-эпидемиолог может сделать окончательный прогноз заболеваемости и предложить профилактические меры по ее снижению.
Ключевые слова: хантавирусы, эпизоотический процесс, вирус клещевого энцефалита, зоонозы, мышевидные грызуны, геморрагическая лихорадка с почечным синдромом, методы прогнозирования, природно-очаговые зоонозы, рыжая полевка, циклы полевок, динамика заболеваемости
The Analysis of Forecasting Methods of Morbidity from Zoonotic Infections
O.A. Zhigalsky (zig@ipae.uran.ru)
Institute of Plant and Animal Ecology, Ural Branch of Russian
Academy of Medical Sciences, Ekaterinburg
Abstract
The analysis of forecasting methods of morbidity from zoonotic infections is implemented. The basic advantages and deficiencies of used forecasting methods are shown. Basing on constructed models or regression equations only an expert-epidemiologist can make the forecast of morbidity and propose the prophylactic actions for its decreasing. Key words: hantaviruses, epizootic diseases, tick-borne encephalitis virus, zoonotic diseases, rodents, hemorrhagic fever with renal syndrome, forecasting techniques, feral zoonoses, the bank vole, cycles of bank vole, the dynamics of disease
Введение
Прогноз заболеваемости природно-очаговыми зоонозными инфекциями, к числу которых относятся, в частности, клещевой боррелиоз, клещевой энцефалит, лептоспироз, туляремия, бруцеллез, геморрагическая лихорадка с почечным синдромом (ГЛПС), представляет несомненный практический интерес. Актуальность данной работы заключается в том, что зоонозные инфекции широко распространены в России и по заболеваемости людей занимают одно из ведущих мест [12].
В связи с этим возникает необходимость разработки опережающего прогноза заболеваемости зоонозными инфекциями, так как предсказание очередного подъема заболеваемости позволит своевременно осуществить предупредительные мероприятия, что значительно эффективнее и дешевле, чем применение экстренных мер по ликвидации внезапных вспышек на вершине волны активности очага.
Разработка адекватной модели прогноза заболеваемости зоонозными инфекциями возможна только в случае всестороннего предварительного изучения всех компонентов паразитарной системы. Например, жизненный процесс возбудителя клещевого энцефалита (КЭ) неразрывно связан с жизнью иксодовых клещей - его долговременных основных хранителей и переносчиков. При этом вертикальная (трансовариальная и трансфазовая) передача вируса неразрывно связана со сложным и длительным циклом развития переносчиков, а го-
ризонтальная передача (через прокормителей клещей) - с обязательной сменой хозяев по ходу метаморфоза и способностью клеща в каждой из трех фаз развития нападать и питаться на позвоночных животных многих видов.
Клещи, развивающиеся из одной яйцекладки, в зависимости от ряда факторов могут проходить последовательность фаз развития в течение одного-двух лет [13]. В природе каждый сезон происходит обмен вирусом между клещами разных генераций. Решающее значение для реализации этого процесса, как и для поддержания эпизоотической цепи в целом, по всей видимости, имеет передача вируса КЭ от клеща клещу при совместном питании. Причем передача может происходить даже при отсутствии или незначительном уровне вирусемии у позвоночных животных - хозяев клещей [17]. Это обеспечивает эффективный путь передачи возбудителя внутри генерации переносчиков, по крайней мере в течение пяти последовательных лет. Для оценки эпизоотической активности и потенциальной опасности природных очагов КЭ необходимо исследовать все рассмотренные процессы [6]. Наиболее важно знать численность клещей и степень их зараженности вирусом.
Несколько иная ситуация в очагах ГЛПС. Природным резервуаром всех патогенных для человека хантавирусов служат некоторые представители семейств мышиных (Muridae) и хомяковых (Cricetidae) [18]. В двучленной паразитарной системе хантавирусных зоонозов основные теплокров-
ные хозяева оказываются непосредственными участниками эстафетной передачи вируса и единственным источником заражения людей. Антитела к вирусу сохраняются у инфицированных особей пожизненно (до 15 месяцев), а наиболее интенсивное размножение возбудителя и выделение его со слюной, мочой и калом происходят в первый месяц после заражения. Именно в этот период зверьки представляют наибольшую эпизоотическую и эпидемическую опасность [2, 3].
Многочисленные экспериментальные и полевые исследования позволили выявить факторы, определяющие динамику эпизоотического и эпидемического процессов. Эти процессы тесно связаны между собой. В число факторов, определяющих заболеваемость, традиционно включают: численность клещей, их прокормителей, уровни их инфицированности, масштабы акарицидных обработок и вакцинации, численность и структуру популяций резервуарных видов млекопитающих, а также климатические и метеорологические условия [3, 5 - 7, 10].
Цель данной работы - разработка краткосрочного прогноза активности очага хантавирус-ной инфекции на основе факторной идеологии.
Основные методы прогнозирования
Прогноз заболеваемости можно проводить несколькими методами. Один из них - экстрополя-ционное прогнозирование. В основе этого метода лежит принцип установления статистических связей между разными временными срезами изучаемого процесса, не вскрывающими при этом механизмы функционирования природно-очаговых зоонозов, с последующим предсказанием поведения системы. Учитывая, что зоонозные инфекции характеризует цикличность, логично для их прогноза использовать полиномы или методы анализа временных рядов, а также экстраполировать данные об одной из фаз цикла на другие, сходные его части [1, 4, 8, 11].
Другой метод разработки прогноза - факторный, который базируется также на выявлении статистических связей, но только между исследуемым процессом (например, числом заболевших) и факторами, воздействующими на исследуемый процесс. В этом, как и в предыдущем, случае не требуется знания механизмов анализируемого процесса, но имеющаяся информация о состоянии тех или иных факторов, оказывающих влияние на заболеваемость, может служить достаточно хорошей основой для прогноза. Для предварительной оценки роли различных факторов можно использовать коэффициенты корреляции. Но при этом следует помнить, что вычисление коэффициентов линейной корреляции не всегда правомерно при малом числе лет наблюдений. В подобных случаях пользуются ранговой корреляцией, которая независима от распределений. Коэффициент корреляции нельзя расценивать как причинно-следственную связь.
Во-первых, значение коэффициента корреляции не может свидетельствовать о том, какая переменная - зависимая (чаще всего - число заболевших), а какие - независимые (различные показатели погодных и кормовых условий), поэтому можно говорить только о взаимосвязях. Во-вторых, значения коэффициентов корреляции могут быть значительными и в тех случаях, когда прямой взаимосвязи между двумя процессами нет, а существует некий третий процесс, который может изменяться параллельно рассматриваемым.
Примером применения факторной идеологии может служить работа Ю.С. Короткова с соавторами, в которой было предложено регрессионное уравнение, описывающее макроциклические изменения заболеваемости КЭ на фоне колебаний климата и численности мелких млекопитающих:
у = 0,484 х 1 - 315 х 2 + 0,169 х 3 + 0,526 х 4 + 1,31 х 5 - 52,13,
где у - расчетная заболеваемость в макроциклах; х 1 - сумма осадков в сентябре предшествующего года;
х 2 - годовая сумма осадков; х 3 - сумма осадков за апрель - сентябрь; х 4 - сумма осадков в холодный период года; х 5 - численность голодных имаго таежного клеща.
В основе третьей группы прогностических методов лежит понимание биологических механизмов функционирования и состояния паразитарной системы в предыдущие и настоящие моменты времени. Для построения прогноза с помощью этой методологии необходимо иметь формализованное представление о механизме функционирования паразитарной системы и данные многолетнего мониторинга всех ее составляющих, а также состояния окружающей среды, включая погодные условия [6, 8].
Каждый из рассмотренных методов имеет ряд достоинств и недостатков, и противопоставлять их друг другу не имеет особого смысла. Однако хотелось бы отметить, что первые два метода основываются только на результатах исследования многолетней динамики заболеваемости. Они достаточно просты для сбора первичной информации и оперируют хорошо разработанным математическим аппаратом, но обладают серьезным ограничением - точность прогноза тем выше, чем продолжительнее наблюдения (не менее 30 лет). Применение полиномиальных моделей или методов анализа временных рядов осложнено тем, что мы не можем предсказать точно время начала новой волны изменения заболеваемости, а также уровень, которого она может достичь в следующем цикле [8, 9, 11].
Использование методов прогноза по информации о предшествующей заболеваемости не требует столь длительных наблюдений (минималь-
но - 10 - 15 лет), но при этом требует детальных исследований в каждой временной точке всех ключевых факторов, включая погодные, климатические и кормовые условия и, что не менее важно, состояние популяций резервуарных видов. Кроме того, методическая и математическая сторона этих методов прогноза пока разработана недостаточно полно.
В двучленной паразитарной системе ГЛПС основные теплокровные хозяева оказываются непосредственными участниками эстафетной передачи вируса и источником заражения людей. Среди них главенствующую роль играет состояние популяции резервуарных хозяев и переносчиков инфекций - мелких млекопитающих и птиц [3, 4, 6].
В данной работе на примере лесных полевок сделана попытка разработки краткосрочного прогноза активности очага хантавирусной инфекции
Таблица 1.
Результаты компонентного анализа заболеваемости в очаге хантавирусной инфекции (Удмуртия, 1973 - 2001 гг.)
на основе факторной идеологии. Длительность периода наблюдений - 29 лет (1973 - 2001 гг.). Суть данного метода состоит в следующем. Выделяются годы, имеющие сходные динамику демографических характеристик и закономерности перехода от одного динамического процесса к другому. А в последующем на основе этих данных прогнозируются состояние популяции и активность природного очага инфекции на следующий год.
Первая задача, которая стоит перед прогнозистом, - выбор наиболее информативных показателей состояния популяции и характеристик среды обитания (погодные и кормовые факторы, хищники и др.). Для популяций грызунов это могут быть: оценки общей численности и половозрастных групп; интенсивность размножения и скорость полового созревания животных разных функциональных группировок; половая, возрастная и этологи-
Два первых собственных вектора корреляционной матрицы и распределение объясняемых долей (%) дисперсии демографических признаков популяции по двум главным компонентам
признак нагрузка, a df = 17 объясняемая доля дисперсии, a2 , ^ = Za2, % коэфф. множеств. детерминации R2, % df (18; 0)
главные компоненты df (2; 16)
1 2 1 2
Апрель Численность 0,83* -0,12 68,2* 1,5 69,7* 83,32
Доля размнож. самок, % 0,20 -0,24 3,9 5,8 9,7 52,04
Доля 1 - 2-мес. животных, % 0,51* -0,42* 26,4* 18,3* 44,6* 79,33
Доля 3 - 6-мес. животных, % 0,46* -0,33 20,9* 11,05 31,9* 72,02
Июнь Численность 0,87* -0,21 75,6* 4,32 79,9* 86,24
Доля размнож. самок, % -0,43* -0,009 18,4* 0,01 18,4* 84,29
Доля неполовозр. самцов, % 0,84* -0,06 70,6* 0,33 70,9* 91,51
Доля 1 - 2-мес. животных, % 0,45* -0,74* 19,8* 55,2* 74,9* 82,25
Доля 3 - 6-мес. животных, % 0,69* -0,31 48,3* 9,8 58,1* 72,92
Август Численность 0,83* -0,02 69,8* 0,03 69,8* 87,44
Доля размнож. самок, % -0,67* -0,14 44,7* 1,91 46,6* 84,83
Доля неполовозр. самцов, % 0,49* 0,111 23,8* 1,24 25,1* 72,29
Доля 1 - 2 мес. животных, % 0,64* 0,55* 40,4* 30,4* 70,8* 87,13
Доля 3 - 6 мес. животных, % -0,58* -0,64* 33,8* 41,4* 75,3* 85,10
Октябрь Численность 0,68* 0,034 45,7* 0,11 45,8* 86,25
Доля размнож. самок, % -0,45* -0,52* 19,8* 27,2* 47,0* 74,62
Доля 1 - 2-мес. животных, % -0,61* -0,02 37,5* 0,05 37,5* 91,27
Доля 3 - 6-мес. животных, % 0,61* 0,040 36,4* 0,16 36,6* 91,17
Выживание за зиму, % -0,39* -0,36 15,5* 13,3 28,8* 73,54
Дисперсия 7,19 2,22 37,87 11,68 49,54 80,92
Примечание: df - степени свободы, а - фактор, h - общность. *Р < 0,05.
ческая структуры популяции (табл. 1). Выделить информативные характеристики может квалифицированный специалист, исходя из биологической целесообразности, но путь этот субъективен. Поэтому для выбора использовались формальные статистические методы - компонентный анализ и метод построения неориентированного дерева (конечно связанного графа) с минимальной длиной ребер.
Для анализа были использованы 23 демографические характеристики популяции рыжей полевки, включающие в себя численность и половозрастную структуру их населения в апреле, июне, августе и октябре каждого года, и около 30 климатических факторов (среднемесячные температуры воздуха, количество осадков и толщина снежного покрова) [4].
Другой примененный способ для формального разделения типов сезонной динамики изменения популяции рыжей полевки в отличие от первого не статистический, а относится к разряду эвристических. Основные преимущества этого метода - результаты не зависят от характера многомерного распределения исходных данных, а полученный граф для каждой совокупности данных может быть построен только однозначно. Принцип, на котором он основан, - отыскание пар, наиболее близких по характеристике лет (во всем многомерном пространстве параметров), с последующим построением неориентированного дерева с минимальной длиной ребер. На первом этапе выстраивается граф по всей совокупности характеристик, а затем их число сокращается и анализируется качество разбиения. Таким образом, сокращается число значимых параметров, до тех пор пока не ухудшится качество разбиения.
Результаты и обсуждение
Результаты обработки методом компонентного анализа показали, что наиболее существенны (для разделения всех лет наблюдения на группы) показатели численности популяции в апреле, июне, августе и октябре, которые образовали обобщенный фактор, определяющий около 37,9% всей изменчивости (см. табл. 1). Изменчивость по первой главной компоненте (ГК) определяется численностью (во все сроки проведения учетов) доли половозрелых самок в июне, августе, октябре, доли неполовозрелых самцов в июне и августе, а также возрастных групп населения во все сроки наблюдений и, кроме того, выживаемостью полевок в зимний период. Динамика первой ГК объясняет от 9,7 до 79,9% (Р < 0,05) изменчивости различных демографических характеристик. Первая ГК является интегральной характеристикой состояния популяции и маркирует фазы популяционного цикла.
Вторая ГК включает 11,7% суммарной дисперсии (табл. 1) и сформирована характеристиками возрастной структуры популяции (долей 1 - 2-месячных зверьков в апреле, июне, августе
и 3 - 6-месячных полевок в августе) и долей половозрелых самок в октябре. Динамика второй ГК интегрально характеризует изменения возрастной структуры популяции в весенне-летний период и объясняет от 27,2 до 55,2% дисперсии демографических признаков.
В результате анализа первых двух ГК во всем многообразии многолетней динамики рыжей полевки было выделено три типа ее сезонных динамик, последовательно проходимых популяцией в течение многолетнего цикла. В первую группу вошли годы (1975, 1978, 1981, 1984, 1986, 1990, 1992, 1995, 1998 гг.), в которые численность рыжей полевки в августе была выше средней (32,5%), во вторую (1974, 1977, 1980, 1983, 1985, 1989, 1991, 1994, 1997, 2001 гг.) - ниже средней (11,9%), в третью группу вошли годы (1973, 1976, 1979, 1982, 1987, 1988, 1993, 1996, 1999, 2000), когда численность рыжей полевки (24,1%) находилась между высоким и низким уровнем.
Результаты эвристического метода совпали с результатами канонического анализа. Годы, характеризующиеся (по результатам компонентного анализа) низкой численностью рыжей полевки, оказались наиболее близкими друг другу и образовали единую группу. Аналогичным образом годы с высокой численностью рыжей полевки образовали другую группу и годы со средней численностью - третью.
Таким образом, наиболее информативными показателями оказались: оценка относительной численности полевок в течение сезона размножения, срок начала и окончания размножения и возрастная структура популяции в октябре. Для каждого из трех выделенных типов динамики изменения популяции характерны свои изменения численности возрастного состава и интенсивности размножения.
На следующем этапе работы выявлены закономерности чередования лет различных динамик численности рыжей полевки. Для этого по многолетним средним значениям оценивали демографическую ситуацию в годы, предшествующие и последующие годам того или иного типа численности рыжей полевки.
После лет низкой численности рыжей полевки во всех рассмотренных случаях следуют годы (промежуточный тип), когда размножение продолжается и в октябре, и поэтому в популяции в это время до 74,1% полевок позднелетних пометов. Осенняя численность полевок низка, осенне-зимний период переживают до 45% животных. Помимо этого, именно после таких лет в весенней популяции присутствуют животные, рожденные в осенне-зимний период.
После лет высокой численности популяции грызунов происходил переход либо в промежуточный тип, либо в тип низкой численности рыжей полевки. В эти годы популяция на 83% состоит из зверьков раннелетних генераций. Выживаемость этих
зверьков низка - до весны следующего года доживают всего 14% особей. Кроме того, после лет, относящихся к высокому типу численности зверьков, полевки приступают к размножению значительно позже и с более низкой интенсивностью. Это и является причиной того, что после лет высокого типа воспроизводства грызунов следуют годы низкой численности.
Достаточно интересным представляется то, что переход в тип низкой численности (как из промежуточного, так и из высокого) сопровождается низкой долей в популяции в октябре предыдущего года зверьков возраста одного-двух месяцев (порядка 30%). Переход в тип промежуточной численности сопровождается возрастанием в популяции зверьков возраста одного-двух месяцев до 50%, а переход в тип высокой численности - еще большим возрастанием (до 70%) доли молодых животных. В таком случае если в октябре в популяции до 30% молодых зверьков позднелетних генераций, то на следующий год следует ожидать низкой численности, если до 50% - средней численности и, наконец, если доля молодых (один-два месяца) начинает превышать 70% - наиболее вероятна высокая численность зверьков на следующий год.
Таким образом, зная возрастную и генерационную структуру популяции в октябре предыдущего года, можно предсказать тип изменения численности в следующем году, а также возможный диапазон ее изменений в следующем году. Однако высокая численность основного хозяина в оптимуме ареала сама по себе не приводит к возникновению вспышек, как это наблюдается в менее продуктивных таежных лесах [15]. Поэтому фазы эпизоотической и эпидемической активности очагов не всегда согласуются с популяционными циклами рыжей полевки, выявленными на этой же территории. В некоторых случаях периоды спада активности очагов приходятся на годы популяционных пиков, если им не предшествовало раннее размножение.
На основании полученных данных и описанного механизма функционирования очага ГЛПС построена статистическая модель. Для прогноза числа случаев заболевания ГЛПС в Удмуртии можно ис-
пользовать несколько различных уравнений. С помощью метода селекции моделей была исследована оптимальность регрессионных моделей для описания динамики заболеваемости и оценена их относительная важность. Мы выбрали простейшую модель экспоненциального роста, которая достаточно хорошо описывает исследуемые процессы [16].
Динамики предсказанных и наблюдаемых значений заболеваемости ГЛПС сходны, коэффициент корреляции между ними г = 0,99 = 0,98, t (6) = 16,5). Удаление из модели численности рыжей полевки в апреле слабо (10%) сказывается на точности прогноза.
МГЛПС = 43 + ехр (5,9 + 0,95Х1 + 0,02Х2),
где Х1 - зимнее размножение (1 - да, 0 - нет); Х2 - численность рыжей полевки в апреле.
Следует отметить, что высокие значения коэффициента детерминации - до 95% - при использовании регрессионной модели, казалось бы, должны гарантировать надежность прогноза заболеваемости. Наличие высоких коэффициентов, с одной стороны, может быть связано с адекватным описанием экспериментальных данных, а с другой - с наличием тесных связей между исследуемыми факторами (мультиколлинеарность и степень обусловленности исходной матрицы). Однако отсутствие в исследуемый момент времени явных биологических и эпидемиологических предпосылок для подобного роста заболеваемости заставляет усомниться в верности подобной модели и качестве ее прогноза. Поэтому окончательное заключение об активности очага может сделать только специалист-эпидемиолог на основании построенных моделей или регрессионных уравнений. ш
Работа выполнена при финансовой поддержке программы научных исследований УрО РАН (№ 12-С-4-1012 и № 12-П-4-1068).
Литература
Бериков В.Б., Лбов Г.С., Полякова Г.Л. и др. Анализ факторов, влияющих на заболеваемость клещевым энцефалитом, с использованием логико-вероятностных и корреляционно-регрессионных моделей // Эпидемиология и Вакцинопрофилактика. 2011. № 6. С. 25 - 34. Бернштейн А.Д., Апекина Н.С., Михайлова Т.В. и др. Хантавирусная инфекция у рыжих полевок в природном очаге ГЛПС. Сообщение 2. Зараженность полевок различных возрастных и функциональных групп // Мед. паразитол. 2001. № 4. С. 55 - 58. Бернштейн А.Д., Гавриловская И.Н., Апекина Н.С. Особенности природной очаговости хантавирусных зоонозов // Эпидемиология и Вак-цинопрофилактика. 2010. № 2. С. 5 - 13.
Жигальский О.А. Структура популяционных циклов рыжей полевки (Myodes glareolus) в центре и на периферии ареала // Известия РАН. Серия биологическая. 2011. № 6. С. 733 - 746 / Zhigalskii O.A. Structure of the bank vole (Myodes glareolus) population cycles in the core and periphery of its species area // Biology Bulletin. 2011. V. 38. №. 6. P. 629 - 641.
Злобин В.И., Данчинова Г.А., Сунцова О.В. и др. Климат как один из факторов, влияющих на уровень заболеваемости клещевым
энцефалитом / В кн.: Изменение климата и здоровье России в XXI веке. - М.: Издательское товарищество «Адамантъ», 2004. С. 121 - 124.
6. Коренберг Э.И. Природная очаговость инфекций: современные проблемы и перспективы исследований // Зоол. журн. 2010. № 89 (1). С. 5 - 18.
7. Коротков Ю.С., Никитин А.Н., Антонова А.М. Роль климатических факторов в многолетней динамике заболеваемости населения г. Иркутска клещевым энцефалитом // Бюллетень ВСНЦ Сибирского отделения РАМН. 2007. № 3 (55). С. 121 - 125.
8. Коротков Ю.С., Шеланова Г.Н., Богданова Н.Г. Динамика заболеваемости клещевым энцефалитом в Удмуртии на протяжении полувека (1957 - 2007 гг.) // Труды Института полиомиелита и вирусных энцефалитов им. М.П. Чумакова РАМН. 2008. Т. 25. С. 80 - 90.
9. Наумов Р.Л., Жигальский О.А., Гутова В.П. и др. Цикличность и прогноз заболеваемости клещевым энцефалитом в Красноярском крае, экспертная и математическая оценки // Мед. паразитол. и паразитар. бол. 1989. № 3. С. 3 - 6.
10. Окулова Н.М. Биологические взаимосвязи в лесных экосистемах (на примере природных очагов клещевого энцефалита). - М.: Наука, 1986. - 246 с.
11. Окулова Н.М., Чунихин С.П., Вавилова В.Е. и др. Подходы к разработке методов долгосрочного прогнозирования динамики заболеваемости клещевым энцефалитом // Актуальные проблемы медицинской вирусологии: Тез. докл. - М., 1985. С. 56 - 60.
12. Прогноз изменения численности мелких млекопитающих и эпизоото-логического состояния по туляремии, геморрагической лихорадке с почечным синдромом (ГЛПС), лептоспирозу и бешенству на 2010 г. / ФГУЗ «Федеральный центр гигиены и эпидемиологии» Роспотребнад-зора. № 09 ФЦ/891 от 27.02.2010 г.
13. Таежный клещ Ixodes persulcatus Schulze (Acarina, Ixodae): Морфология, систематика, экология, медицинское значение / Под ред. Н.А. Филипповой. - Л., 1985. - 416 с.
14. Burnham K.R, Anderson D.R. Model selection and multimodel inference: a practical information-theoretic approach, 2nd ed. - Springer-Verlag, 2002. - 488 p.
15. Kallio E.R., Begon M., Henttonen H. et al. Hantavirus infections in uctuating host populations: the role of maternal antibodies // Proc. R. Soc. B. 2010. V. 277. P 3783 - 3791.
16. Kshnyasev I.A., Bernshtein A.D., Zhigalski O.A. Statistical modeling and prediction of HFRS incidence in the Udmurt Republic, 1973 - 2009 / VI European Congress of Mammalogy, Universite PM. Curie - Museum national d'Histoire naturelle. - Paris, France, 19 to 23 July 2011. P. 20.
17. Labuda M., Nuttal PA., Kozuch O. et al. Non-viraemic transmission of tickborne encephalitis virus: a mechanism for arbovirus survival in nature // Experimentia. 1993. V. 49. P 802 - 805.
18. Plyusnin A., Morzunov S. Virus evolution and genetic diversity of hantaviruses rodent hosts // Curr. Top. Microbiol. Immunol. 2001. V. 256. P. 47 - 75.
Геморрагическая форма ветряной оспы у детей: исходы и возможности профилактики
(По материалам собственных наблюдений)
Е.И. Краснова1 (krasnova-inf@rambler.ru), О.В. Гайнц2, Н.И. Гаврилова1, И.В. Куимова1, А.В. Васюнин1
1 Новосибирский государственный медицинский университет
2 Детская городская клиническая больница № 3, г. Новосибирск
Резюме
Описаны два случая геморрагической формы ветряной оспы у детей, один из которых закончился летальным исходом. Проанализированы трудности диагностики и лечения данной агрессивной формы инфекции. Рассмотрены возможности профилактики.
Ключевые слова: ветряная оспа, геморрагический синдром, дети
Haemorrhagic Form of Chicken Pox in Children and its Outcomes and Possible Prevention (Based on Own Observations)
E.I. Krasnova1 (krasnova-inf@rambler.ru), O.V. Gaynts2, N.I. Gavrilova1, I.V. Kuimova1, A.V. Vasyunin1
1 Novosibirsky State Medical University
2 Children's Clinical Hospital № 3, Novosibirsk Abstract
Described two cases of haemorrhagic forms of chicken pox in children, one of which was fatal. Analyzed the difficulties of diagnosis and treatment of this aggressive form of the infection. Review the possibilities of prevention. Key words: chicken pox, haemorrhagic syndrome, children
Геморрагическая форма ветряной оспы имеет тяжелое течение и, как правило, неблагоприятный исход. Встречается эта форма в современных условиях нечасто, в литературе мало ее описаний. Поэтому, несомненно, представляет интерес для практических врачей разбор двух случаев геморрагической формы ветряной оспы.
В 2011 году в детскую городскую клиническую больницу № 3 поступили два ребенка (8 лет и 5 месяцев) с диагнозом «геморрагическая форма ветряной оспы».
Первый случай
Ребенок Р., 8 лет, доставлен в стационар 21.06.2011 года с диагнозом «ветряная оспа, геморрагическая форма». Заболел 16.06.2011 года, появились ветряночные высыпания на коже
и слизистых оболочках ротовой полости на фоне нормальной температуры. Родители к врачам не обращались, проводили лечение тавегилом, ана-фероном, туширование элементов сыпи раствором бриллиантовой зелени. 21.06 ночью появились боли в костях, головная боль, геморрагическая сыпь, температуру тела не измеряли, «скорую помощь» не вызывали. Утром был сделан вызов участкового педиатра, осмотр ребенка произведен в 13 часов. В 14-05 машиной «Скорой помощи», минуя приемный покой, больной госпитализирован в отделение реанимации и интенсивной терапии.
Анамнез жизни. Ребенок из двойни, первым ветряной оспой заболел брат, заболевание протекало в среднетяжелой форме без осложнений. Больной Р. с 3-х лет болен бронхиальной астмой, получал гормональную терапию, в том числе через рот.
