The Impact of Neglecting Vaccine Unwillingness in Epidemiology Models

Die Studie zeigt, dass das Vernachlässigen der Impfmüdigkeit in epidemiologischen Modellen zu erheblichen Fehlern führt, insbesondere bei der Analyse langfristiger Endemiezustände, während die Fehler auch bei kurzfristigen Epidemiewellen signifikant bleiben können.

Das Wesentliche

🦠 Die Impflücke: Warum es einen Unterschied macht, wer nicht impfen will

Stellen Sie sich vor, Sie planen eine große Party, bei der ein gefährlicher Gast (das Virus) auftauchen könnte. Um alle zu schützen, haben Sie einen Sicherheitsplan: Jeder soll einen Schutzschild (die Impfung) tragen.

In der klassischen Epidemiologie (der Wissenschaft, wie sich Krankheiten ausbreiten) haben Wissenschaftler bisher oft so getan, als ob jeder auf der Party den Schutzschild sofort und bereitwillig annehmen würde. Sie haben einfach gesagt: "Wir impfen 10 % der Leute pro Tag."

Aber in der Realität gibt es immer eine Gruppe von Leuten, die sagen: "Nein danke, ich will das nicht" oder "Ich kann das nicht". Die Studie von Glenn Ledder fragt sich nun: Macht es einen großen Unterschied, wenn wir diese "Nein-Sager" in unseren Rechnungen ignorieren?

Die Antwort ist: Ja, aber es kommt darauf an, wie man die Zeit betrachtet.

1. Der Langzeit-Plan (Die "Endemische" Zeit)

Stellen Sie sich vor, Sie schauen auf die Party nicht nur für ein paar Stunden, sondern über Jahre hinweg. Das Virus ist da, aber es ist nicht mehr in Panik, es ist einfach "da".

• Das Problem: Wenn Sie in Ihrer Rechnung einfach nur die Impfrate etwas heruntersetzen (z. B. sagen "Wir impfen nur 70 % so schnell wie geplant"), um die "Nein-Sager" zu simulieren, funktioniert das nicht.
• Die Analogie: Stellen Sie sich vor, Sie versuchen, ein undichtes Schiff zu reparieren. Wenn Sie nur den Eimer kleiner machen (weniger Impfrate), aber das Loch (die Gruppe der Unwilligen) immer noch offen ist, sinkt das Schiff trotzdem.
• Das Ergebnis: In der Langzeit-Rechnung ist es katastrophal, die Unwilligen zu ignorieren. Wenn man annimmt, alle wollen impfen, glaubt man fälschlicherweise, die Krankheit sei unter Kontrolle. In Wahrheit breitet sie sich weiter aus, weil die "Unwilligen" als Reservoir für das Virus dienen.
• Die Lehre: Für langfristige Pläne (wie: "Können wir die Krankheit ausrotten?") müssen wir die "Nein-Sager" als eigene Gruppe im Modell haben. Man kann sie nicht einfach durch eine langsamere Impfrate simulieren.

2. Der Kurzzeit-Plan (Die "Epidemische" Welle)

Jetzt schauen wir uns nur den ersten großen Ansturm an, wenn das Virus gerade erst die Party erreicht hat. Es ist Chaos, und die Leute rennen durcheinander.

• Das Szenario: Hier hängt alles davon ab, wie schnell das Virus ist und wie schnell wir impfen können.
• Szenario A (Schnelles Virus, langsame Impfung): Wenn das Virus wie ein Blitz ist und die Impfung wie ein alter Schlitten, dann ist es egal, ob wir die "Nein-Sager" genau berechnen oder nicht. Das Virus hat sowieso schon fast alle erwischt, bevor die Impfung überhaupt ankommt. Der Fehler in der Rechnung ist hier klein.
• Szenario B (Langsames Virus, schnelle Impfung): Wenn das Virus langsam kriecht und wir sehr schnell impfen können, dann wird es kritisch. Wenn wir hier die "Nein-Sager" ignorieren und denken, alle werden geimpft, werden wir überrascht sein, wie viele Leute doch noch krank werden.
• Die Analogie: Wenn Sie versuchen, ein Feuer mit einem Eimer Wasser zu löschen (schnelle Impfung), aber 30 % der Leute das Wasser wegwerfen (Unwilligkeit), dann brennt das Haus trotzdem. Wenn Sie aber nur einen Tropfen Wasser haben (langsame Impfung), ist das Wegwerfen des Eimers weniger relevant, weil das Feuer sowieso nicht gelöscht wird.
• Das Ergebnis: Bei schnellen Impfkampagnen gegen weniger aggressive Krankheiten ist es wichtig, die Unwilligen genau zu modellieren. Bei sehr schnellen Ausbrüchen, bei denen die Impfung ohnehin zu langsam ist, macht der Fehler weniger aus.

3. Die große Erkenntnis: Der "Rate-Constant"-Trick funktioniert nicht

Viele Modellierer dachten: "Okay, wir haben keine Lust, das Modell kompliziert zu machen und eine extra Gruppe für 'Unwillige' einzufügen. Wir nehmen einfach das einfache Modell und sagen einfach: 'Die Impfrate ist halt nur 70 % so hoch'."

Die Studie sagt dazu ein klares NEIN.

• Warum? Weil es nicht nur darum geht, wie viele geimpft werden, sondern wer geimpft wird.
• Die Metapher: Stellen Sie sich vor, Sie haben einen Eimer mit Wasser (die Impfung) und zwei Gruppen von Pflanzen: Eine Gruppe, die das Wasser trinkt (Willige), und eine, die es ablehnt (Unwillige).
  • Wenn Sie einfach nur sagen "Wir gießen weniger Wasser", denken Sie, alle Pflanzen bekommen weniger.
  • Aber in Wahrheit bekommen die "Willigen" immer noch genug Wasser, während die "Unwilligen" gar nichts bekommen. Das Virus kann sich genau bei den "Unwilligen" weiter ausbreiten, auch wenn die Gesamtmenge an Wasser (Impfung) in der Rechnung korrekt reduziert wurde.
  • Das Modell muss also wissen, dass es zwei verschiedene Gruppen gibt, nicht nur eine Gruppe, die einfach weniger bekommt.

Zusammenfassung für den Alltag

1. Für langfristige Pläne: Es ist absolut entscheidend, die "Impf-Skeptiker" als eigene Gruppe zu betrachten. Wenn man sie ignoriert, glaubt man, die Welt sei sicher, aber sie ist es nicht. Ein einfacher Trick (weniger Impfrate) reicht hier nicht aus.
2. Für akute Ausbrüche: Es kommt darauf an. Wenn das Virus sehr schnell ist, ist der Fehler kleiner. Wenn wir aber schnell impfen können, ist es gefährlich, die Skeptiker zu ignorieren.
3. Die beste Regel: Egal ob kurz oder langfristig – es ist immer besser, das Modell etwas komplizierter zu machen und die "Nein-Sager" als eigene Gruppe zu haben, als einen simplen Trick zu benutzen, der die Realität verzerrt.

Kurz gesagt: In der Welt der Krankheitsmodelle ist "einfacher" nicht immer "besser". Wenn man die Realität der Menschen (die manche nicht impfen wollen) ignoriert, kann man zu falschen, gefährlichen Schlüssen kommen.

Technische Zusammenfassung

Hier ist eine detaillierte technische Zusammenfassung des Papers „The Impact of Neglecting Vaccine Unwillingness in Epidemiology Models" von Glenn Ledder auf Deutsch:

1. Problemstellung

In der epidemiologischen Modellierung wird die Impfung historisch oft als linearer Prozess behandelt, bei dem die Impfungsrate proportional zur gesamten Population der Suszeptiblen ($S$) angewendet wird. Diese Annahme ignoriert die Realität, dass ein signifikanter Teil der Bevölkerung aus verschiedenen Gründen (z. B. Misstrauen, Ablehnung) nicht geimpft werden möchte oder kann.

Die zentrale Fragestellung des Papers ist:

1. Wie groß ist der Fehler in den Schlüsselergebnissen eines Modells, wenn die Impfskepsis (Unwillingness) vollständig ignoriert wird?
2. Kann dieser Fehler durch eine einfache Anpassung der Impfkonstante (Reduzierung der Rate um den Faktor der willingen Population) kompensiert werden, ohne die Komplexität des Zustandsdiagramms (Rate Diagram) durch zusätzliche Klassen für „willige" und „unwillige" Suszeptible zu erhöhen?

Der Autor untersucht, ob die vereinfachte Annahme, dass alle Suszeptiblen in der Impfqueue sind, zu falschen Vorhersagen führt, insbesondere im Vergleich zu einem realistischeren Modell, das die Impfskepsis explizit als separate Subklasse abbildet.

2. Methodik

Der Autor entwickelt und analysiert ein generisches SVIR-Modell (Susceptible, Vaccinated, Infectious, Removed) mit folgenden Erweiterungen:

• Zustandsklassen: Die Suszeptible werden in willige ($S_W$) und unwillige/unfähige ($S_U$) unterteilt. Auch Infizierte werden differenziert ($I$ für ungeimpft, $I_V$ für geimpft).
• Impfungsparameter: Das Modell berücksichtigt drei mögliche Vorteile einer Impfung (im Vergleich zu Ungeimpften):
  1. Reduzierte Infektionsrate (Faktor $\sigma \le 1$).
  2. Reduzierte Infektiosität (Faktor $\eta \le 1$).
  3. Schnellere Genesung (Faktor $\alpha \ge 1$).
     Diese werden zu einem kombinierten Parameter $\xi = \sigma \eta / \alpha$ zusammengefasst.
• Zeitskalen-Analyse: Das Paper unterscheidet zwei fundamentale Zeitskalen:
  1. Epidemische Zeitskala (Epidemic Time Scale): Kurzfristiges Verhalten, Fokus auf die erste große Infektionswelle. Hier werden numerische Simulationen verwendet. Die Demografie (Geburten/Todesfälle) wird als vernachlässigbar ($O(\epsilon)$) betrachtet.
  2. Endemische Zeitskala (Endemic Time Scale): Langfristiges Verhalten, Fokus auf Gleichgewichtszustände (Disease-Free Equilibrium - DFE und Endemic Equilibrium - EDE). Hier werden asymptotische Analysen und Stabilitätsuntersuchungen (Jacobian-Matrix, Routh-Hurwitz-Kriterien) durchgeführt.

Es werden zwei Modellvarianten verglichen:

• Modell A (Realistisch): Separate Klassen für $S_W$ und $S_U$.
• Modell B (Vereinfacht): Keine separate Klasse, aber die Impfkonstante $\theta$ wird durch $W \cdot \theta$ ersetzt (wobei $W$ der Anteil der Willigen ist), um die Unwilligkeit indirekt zu berücksichtigen.

3. Wichtige Beiträge und Ergebnisse

A. Endemische Zeitskala (Langfristiges Gleichgewicht)

• Fehler bei Vernachlässigung: Das Ignorieren der Impfskepsis führt zu großen Fehlern in der Vorhersage der Stabilität des DFE (Disease-Free Equilibrium) und der Infektionsrate im EDE.
• Unwirksamkeit der Konstanten-Anpassung: Die einfache Reduzierung der Impfkonstante ($\theta \to W\theta$) im vereinfachten Modell korrigiert den Fehler nicht.
  • Begründung: Auf der endemischen Zeitskala laufen demografische Prozesse (Geburten) sehr langsam ab. Willige Suszeptible werden fast sofort geimpft, bevor sie infiziert werden können. Daher hängt das Gleichgewicht primär vom Anteil der Willigen ($W$) und der Wirksamkeit ($\xi$) ab, nicht von der Geschwindigkeit der Impfung ($\theta$).
  • Die Basisreproduktionszahl unter Impfung ($R_v$) hängt linear von $W$ und $\xi$ ab. Eine Anpassung von $\theta$ ändert $R_v$ nicht in führender Ordnung.
• Ergebnis: Für endemische Modelle ist es zwingend notwendig, die Impfskepsis explizit im Zustandsdiagramm (als separate Klasse) zu modellieren. Eine Anpassung der Rate reicht nicht aus.

B. Epidemische Zeitskala (Kurzfristige Welle)

• Fehler bei Vernachlässigung: Der Fehler hängt stark von der Infektiosität des Erregers ($R_0$) und der Impfgeschwindigkeit ($\theta$) ab.
  • Bei hochinfektiösen Krankheiten ($R_0$ groß) und langsamer Impfung ist der Einfluss der Impfung ohnehin gering; das Ignorieren der Skepsis führt zu weniger gravierenden Fehlern.
  • Bei weniger infektiösen Krankheiten und schneller Impfung ist der Fehler signifikant. Wenn 30% der Bevölkerung nicht geimpft werden wollen, infizieren sich deutlich mehr Menschen als in einem Modell mit voller Willigkeit vorhergesagt.
• Wirksamkeit der Konstanten-Anpassung:
  • Bei langsamer Impfung ist der Unterschied zwischen dem realistischen Modell und dem vereinfachten Modell (mit angepasster Rate) geringfügig („noticeable, but not large").
  • Bei schneller Impfung ist der Fehler in der vereinfachten Modellierung signifikant. Die vereinfachte Annahme unterschätzt die Infektionswellen und überschätzt den Schutz, da sie nicht erfasst, dass willige Personen, die noch nicht geimpft sind, während der schnellen Ausbreitung infiziert werden, bevor sie in die geimpfte Klasse wechseln können.

4. Signifikanz und Schlussfolgerung

Die Studie liefert entscheidende Erkenntnisse für die Modellierung von Impfprogrammen:

1. Abhängigkeit von der Zeitskala: Die Art und Weise, wie Impfskepsis modelliert werden muss, hängt davon ab, ob das Modell kurzfristige Ausbrüche oder langfristige Endemien untersucht.
2. Notwendigkeit komplexerer Modelle:
   • Für endemische Szenarien (z. B. Berechnung der Herdenimmunitätsschwelle, Stabilitätsanalysen) ist die explizite Trennung von willigen und unwilligen Gruppen unverzichtbar. Eine Anpassung der Impfkonstante ist mathematisch wirkungslos und führt zu falschen Stabilitätsaussagen.
   • Für epidemische Szenarien (kurzfristige Vorhersagen) ist die explizite Modellierung zwar nicht immer zwingend für grobe Abschätzungen, aber bei schnellen Impfprogrammen und moderaten $R_0$-Werten essenziell für genaue Vorhersagen.
3. Praktische Empfehlung: Da die numerische Integration von Differentialgleichungen durch das Hinzufügen weniger Variablen (für die Subklassen) kaum an Komplexität gewinnt, sollte die korrekte Abbildung der Impfskepsis im Zustandsdiagramm auch für epidemische Modelle bevorzugt werden. Dies vermeidet systematische Fehler, insbesondere bei effektiven Impfstoffen und schnellen Impfprogrammen.

Zusammenfassend warnt das Paper davor, Impfskepsis durch eine simple Skalierung der Impfrate zu kompensieren. Dies führt insbesondere bei langfristigen (endemischen) Betrachtungen zu fundamental falschen Ergebnissen, da es die biologische Realität verfehlt, dass nur ein Teil der Population überhaupt impfungsfähig ist.