ABSTRACT Background Leptospirosis is an important public health problem affecting vulnerable urban slum populations in developing country settings. However, the complex interaction of meteorological factors driving the temporal trends of leptospirosis remain incompletely understood. Methods and findings From 1996 to 2010, we investigated the association between the weekly incidence of leptospirosis and climatic variables in the city of Salvador, Brazil by using a dynamic generalized linear model that accounted for time lags, overall trend and seasonal variation. Our model showed an increase of leptospirosis cases associated with rainfall, lower temperature and higher humidity. There was a lag of one-to-two weeks between weekly values for significant meteorological variables and leptospirosis incidence. Independent of the season, a weekly cumulative rainfall of 20 mm increased the risk of the leptospirosis by 10% compared to a week without rain. Finally, over the 14 year study period the incidence of leptospirosis decreased significantly by four fold (12.8 versus 3.6 per 100,000 people), independently of variations in climate. Conclusions Strategies to control leptospirosis should focus on avoiding contact with contaminated sources of Leptospira as well as on increasing awareness in the population and health professionals within the short time window after both low-level and extreme rainfall events. Increased leptospirosis incidence was restricted to one-to-two weeks after those events suggesting that infectious Leptospira survival may be limited to short time intervals. Author Summary To determine the role of meteorological variables, seasonal variation and temporal trends in the incidence of leptospirosis, we investigated the time series of leptospirosis incidence amongst residents of Salvador, Brazil, from 1996 to 2010. Exploratory and confirmatory statistical methods detected associations between meteorological factors and disease incidence. Results showed the importance of extreme meteorological conditions, particularly rainfall, as short-term predictors of leptospirosis incidence. In addition, we found a long-term decreasing trend of in disease incidence over the observation period.

ABSTRACT Leptospirosis is the leading zoonotic disease in terms of morbidity and mortality worldwide with a great health and economic impact in both humans and animals. Effective prevention is urgently needed as rapid urbanization, climate change and drivers of disease transmission continue to intensify. The key challenge has been developing a widely-applicable vaccine that protects against the 13 different pathogenic species and >300 serovars that can cause leptospirosis, providing a major public health benefit and opportunity to leverage One Health approaches. Live attenuated mutants that can boost immunity and induce protection are enticing vaccine candidates and poorly explored in the field. We evaluated a recently characterized motility-deficient mutant lacking the expression of a flagellar protein, FcpA. Although the fcpA - mutant has lost its ability to penetrate mucous membranes and cause disease, a transient bacteremia prior to clearance by the host immune response was observed. In two animal models, immunization with a single dose of the fcpA - mutant was sufficient to induce robust anti-protein antibodies response that promoted protection against infection with different Leptospira spp. species. Furthermore, characterization of the immune response identified a small repertoire of biologically relevant proteins that are highly conserved among pathogenic Leptospira species and potential correlates of cross-protective immunity.

Abstract Over the last century, outbreaks and pandemics have occurred with disturbing regularity, necessitating advance preparation and large-scale, coordinated response. Here, we developed a machine learning predictive model of disease severity and length of hospitalization for COVID-19, which can be utilized as a platform for future unknown viral outbreaks. We combined untargeted metabolomics on plasma data obtained from COVID-19 patients (n = 111) during hospitalization and healthy controls (n = 342), clinical and comorbidity data (n = 508) to build this patient triage platform, which consists of three parts: (i) the clinical decision tree, which amongst other biomarkers showed that patients with increased eosinophils have worse disease prognosis and can serve as a new potential biomarker with high accuracy (AUC = 0.974), (ii) the estimation of patient hospitalization length with ± 5 days error (R 2 = 0.9765) and (iii) the prediction of the disease severity and the need of patient transfer to the intensive care unit. We report a significant decrease in serotonin levels in patients who needed positive airway pressure oxygen and/or were intubated. Furthermore, 5-hydroxy tryptophan, allantoin, and glucuronic acid metabolites were increased in COVID-19 patients and collectively they can serve as biomarkers to predict disease progression. The ability to quickly identify which patients will develop life-threatening illness would allow the efficient allocation of medical resources and implementation of the most effective medical interventions. We would advocate that the same approach could be utilized in future viral outbreaks to help hospitals triage patients more effectively and improve patient outcomes while optimizing healthcare resources.