Türkiye de HIV/AIDS Insidans ve Prevelansının Matematiksel Modelleme ile Tahmini Emine Yaylali a, Zikriye Melisa Erdoğan a a Istanbul Teknik Üniversitesi Endüstri Mühendisliği Bölümü HIV/AIDS Kongresi 2018 18/11/2018
Teşekkürler Prof. Dr. Fehmi Tabak Dr. Ülkü Üser Cerrahpaşa Tıp Fakültesi, Enfeksiyon Hastalıkları ve Klinik Mikrobiyoloji Ana Bilim Dalı Antalya Eğitim ve Araştırma Hastanesi
Matematik Modelleme MODEL: Gerçek yapının bire bir aynı olmayan gösterimi Neden yapılmalı? Maliyet ve yararları belirleyebilir. Alternatifleri denemeden sonuçlarını görmemizi sağlar. Deneme yapmaya göre daha ucuz, hızlı ve kolaydır. Çeşitli koruma ve tedavi yöntemlerini kantatif olarak karşılaştırabilir. All models are wrong, some are useful. -- George Box Modeller, sistemleri anlamamızı, açıklamamızı, tahmin etmemizi ve karar vermemizi sağlar. Nelere dikkat edilmeli? Kompleks ve detaylı gerçekliğin daha basitleştirilmiş versiyonu. Çeşitli kalitede veri ve varsayımlar içerir. Sonuçlar birebir alınmaktan öte karar veren birimlerde ve uygulayanlarda diyalog oluşturmalı.
Literatür Çalışmalar Model Tipi Ülke Bulgular Pinkerton ve Abrahamson (1996) Yaylalı (2016) Juusola (2012) Jacobson (2018) Khurana, Yaylalı et al. (2018) Bernoulli Süreç Modeli Dinamik Kompartıman Modeli (SIR, SIS modeli) ABD Statik yıllık insidans hesaplar. Çeşitli koruma metotlarının maliyet-etkililik karşılaştırılmasında kullanılır. Bütçe verileri varsa optimal kaynak ayırma sağlar. ABD HIV insidans ve prevalansını 10-30 yıllık hesaplar. Risk popülasyonları ve kaskadı göze alır. PrEP maliyet analizi, kaskad için belirlenen ulusal hedeflere erişilmesi gibi soruları cevaplar. Sanders (2005) Sayan (2017) Markov modeli Dinamik Kompartıman Modeli ABD Düzenli HIV taraması yapmanın maliyet-etkililiği incelenmiş. Örn. Tarama 1% prevalans için taranan kişi başına $194 karşılığında 4.7 QALD sağlamıştır. Türkiye 1985 2016 arası HIV+ ve AIDS vaka sayılarının tahmini ve gerçek verilerle karşılaştırılması Reproduction number belirlenmesi
Motivasyon ve Araştırma Sorusu Motivasyon Türkiye de hızla artan vaka sayıları Yetersiz sürveyans > Gerçek hasta sayısının bilinmemesi Risk popülasyonları arası dağılım (%40-50 belirsiz) HIV kaskadı ne durumda? Tanı oranı Tedavi oranı Viral supresyon oranı Türkiye de HIV ve AIDS insidans ve prevalansı nedir? 2005-2016 arası model tahminleri ve gerçek veriler 2017-2030 arası gelecek vaka sayılarının tahminleri Aynı zaman aralığında AIDS e bağlı ölüm oranı nedir? Vakaların risk popülasyonları arası dağılımı (MSM, PWID, HET) nedir? HIV kaskadı nasıldır?
Model Türkiye de HIV yayılımı ve ilerlemesini gösteren dinamik kompartıman modeli 18-65 yaş arası 3 risk grubu MSM, PWID, HET HIV durumuna göre 2 grup CD4>200 CD4<200 veya AIDS tanısı almış Model süresi: 2005 2012 Isınma periyodu 2013 2015 Kalibrasyon periyodu 2016 2030 Tahmin periyodu 30 dan fazla model parametresi Demografik veriler TUİK HIV beklenen yaşam süresi CDC Risk popülasyonları ile ilgili veriler Yayınlar ve uzman görüşü
Model Diagramı Hastalığın ilerlemesi Tanı alma AIDS e bağlı ölüm Bulaşma GÖRSEL ALANI Tedaviye başlama > CD4 200 < CD4 200 veya AIDS
2005 2006 2007 2008 2009 2010 2011 2012 2013 2014 2015 2016 2017 2018 2019 2020 2021 2022 2023 2024 2025 2026 2027 2028 2029 2030 Tanı Sayısı Model Sonuçları I SB VERİLERİ MODEL TAHMİNİ 2013 2014 2015 HIV AIDS HIV AIDS HIV AIDS 4000 1309 102 1894 137 2151 119 2013 3000 2014 2015 1774 284 1921 316 2082 HIV 351 AIDS HIV 1000 AIDS HIV AIDS SB VERİLERİ 8000 7000 6000 5000 2000 0 1309 102 1894 137 2151 119 Yıl MODEL TAHMİNİ Tanı alan HIV+ Model 1774 284 1921 316 2082 351 SB tanı alan HIV+ Tanı alan AIDS Model SB tanı alan AIDS
2013 2014 2015 2016 2017 2018 2019 2020 2021 2022 2023 2024 2025 2026 2027 2028 2029 2030 Ölüm Sayıları Model Sonuçları II 800 700 600 500 400 300 200 100 0 Model kümül atif öl üm sayıl arı Model yıllık ölüm sayıları Sağlık Bakanlığı Yıllık Öl üm Sayıları
Limitasyon ve gelecek adımlar Veri kalitesi ve eksikliği: Model çok sayıda veri almakla bu verilerin kalitesi model sonuçlarını etkilemektedir. Örn. MSM popülasyonun boyutu ve HIV prevalasyonu Çözüm: Duyarlılık ve belirsizlik analizleri yapmak Dinamik ama deterministik model yapısı Model bazı parametrelerin zaman boyunca değişmediğini varsaymaktadır. Örn: bulaşma riski Model birey değil popülasyon bazlı 90-90-90 a ulaşma için senaryo analizleri Çeşitli korunma metotları (test, PrEP vs.) için maliyet-etkililik hesaplanması Daha detaylı kaskadın ve ya hastalık aşamalarının modele eklenmesi
Teşekkürler Emine Yaylali, PhD Emineyaylali@itu.edu.tr