Skip to main content

Free Content Predictive indicators for Ross River virus infection in the Darwin area of tropical northern Australia, using long-term mosquito trapping data

Download Article:

You have access to the full text article on a website external to Ingenta Connect.

Please click here to view this article on Wiley Online Library.

You may be required to register and activate access on Wiley Online Library before you can obtain the full text. If you have any queries please visit Wiley Online Library

Abstract:

Summary Objectives  To describe the epidemiology of Ross River virus (RRV) infection in the endemic Darwin region of tropical northern Australia and to develop a predictive model for RRV infections. Methods  Analysis of laboratory confirmed cases of RRV infection between 01 January 1991 and 30 June 2006, together with climate, tidal and mosquito data collected weekly over the study period from 11 trap sites around Darwin. The epidemiology was described, correlations with various lag times were performed, followed by Poisson modelling to determine the best main effects model to predict RRV infection. Results  Ross River virus infection was reported equally in males and females in 1256 people over the 15.5 years. Average annual incidence was 113/100 000 people. Infections peaked in the 30–34 age-group for both sexes. Correlations revealed strong associations between monthly RRV infections and climatic variables and also each of the four implicated mosquito species populations. Three models were created to identify the best predictors of RRV infections for the Darwin area. The climate-only model included total rainfall, average daily minimum temperature and maximum tide. This model explained 44.3% deviance. Using vector-only variables, the best fit was obtained with average monthly trap numbers of , and This model explained 59.5% deviance. The best global model included rainfall, minimum temperature and three mosquito species. This model explained 63.5% deviance, and predicted disease accurately. Conclusions  We have produced a model that accurately predicts RRV infections throughout the year, in the Darwin region. Our model also indicates that predicted anthropogenic global climatic changes may result in an increase in RRV infections. Further research needs to target other high-risk areas elsewhere in tropical Australia to ascertain the best local climatic and vector predictive RRV infection models for each region. This methodology can also be tested for assessing utility of predictive models for other mosquito-borne diseases endemic to locations outside Australia.

French
Objectifs: 

Décrire l’épidémiologie de l’infection par le virus de la rivière Ross (VRR) dans la région endémique de Darwin dans le nord tropical de l’Australie et développer un modèle prédictif des infections par le VRR. Méthodes: 

Analyse de cas d’infections par le VRR, confirmés au laboratoire entre le 01 janvier 1991 et le 30 juin 2006, de concert avec le climat, les marées et les données sur les moustiques, recueillies hebdomadairement durant la période de l’étude dans 11 sites de pièges autour de Darwin. L’épidémiologie a été décrite, les corrélations avec différents décalages de temps ont été effectuées, suivies par une modélisation de Poisson pour déterminer le meilleur modèle des principaux effets prédisant l’infection par le VRR. Résultats: 

l’infection par le VRR a été rapportée de façon égale chez les hommes et les femmes pour 1256 personnes durant les 15,5 années. L’incidence moyenne annuelle était de 113/100.000 personnes. Les infections culminaient dans le groupe d’âge 30-34 ans pour les deux sexes. Les corrélations ont révélé de fortes associations entre les mois d’infections VRR et les variables climatiques, ainsi que chacune des quatre populations d’espèces de moustiques impliquées. Trois modèles ont été créés pour identifier les meilleurs prédicteurs des infections par le VRR dans la région de Darwin. Le modèle uniquement basé sur le climat incluait les précipitations totales, la température minimale moyenne journalière et la marée maximale. Ce modèle expliquait 44,3% de la déviance. Par le modèle basé uniquement sur les variables des vecteurs, le meilleur ajustement était obtenu avec la moyenne mensuelle du nombre de Culex annulirostris, Aedes phaecasiatus, Ae. Notoscriptus et Ae. Vigilax par piège. Ce modèle expliquait 59,5% de la déviance. Le meilleur modèle global incluait la pluviométrie, la température minimale et trois espèces de moustiques. Ce modèle expliquait 63,5% de la déviance, et prédisait la maladie avec précision. Conclusions: 

Nous avons conçu un modèle qui prédit avec précision les infections par le VRR durant toute l’année dans la région de Darwin. Notre modèle prédit également que les changements climatiques anthropogéniques globaux peuvent mener à une augmentation des infections par le VRR. Des recherches supplémentaires afin de cibler d’autres zones à haut risque ailleurs en Australie tropicale sont nécessaires pour déterminer les meilleurs modèles prédictifs vectoriels et climatiques locaux de l’infection par le VRR pour chaque région. Cette méthodologie peut également être testée pour évaluer l’utilité des modèles prédictifs pour d’autres maladies endémiques transmises par des moustiques dans des endroits hors de l’Australie.

Keywords: Arbovirus; Ross River virus; arbovirus; cambio climático; changement climatique; climate change; enfermedades transmitidas por mosquitos; epidemiology; epidemiología; maladies transmises par les moustiques; mosquito-borne disease; tropical; virus de Ross River; virus de la rivière Ross; épidémiologie

Document Type: Research Article

DOI: https://doi.org/10.1111/j.1365-3156.2008.02095.x

Affiliations: 1:  Medical Entomology Branch, Centre for Disease Control, Darwin, Australia 2:  Disease Surveillance, Centre for Disease Control, Darwin, Australia 3:  Northern Territory Regional Office Bureau of Meteorology, Darwin, Australia 4:  School for Environmental Research, Charles Darwin University, Darwin, Australia

Publication date: 2008-07-01

  • Access Key
  • Free content
  • Partial Free content
  • New content
  • Open access content
  • Partial Open access content
  • Subscribed content
  • Partial Subscribed content
  • Free trial content
Cookie Policy
X
Cookie Policy
Ingenta Connect website makes use of cookies so as to keep track of data that you have filled in. I am Happy with this Find out more