A model with exposure in the epidemiological sense. Part 1 -- Base model

Die unsichtbare Linie zwischen „Beinahe“ und „Infiziert“

Stellen Sie sich eine Welt vor, in der man sich nicht einfach nur an einer Erkältung ansteckt, als gäbe es einen An/Aus-Schalter, sondern in der es ein gefährlicher Abhang ist. In der Wissenschaft der Epidemiologie – der Lehre davon, wie sich Krankheiten durch Menschenmengen bewegen – nutzen Wissenschaftler seit langem Karten, um Ausbrüche vorherzusagen. Diese Karten unterteilen Menschen meist in ordentliche Boxen: jene, die krank werden können (Anfällig/Suszeptibel), jene, die krank sind und das Virus verbreiten (Infiziert), und jene, die genesen sind. Aber es gibt einen kniffligen Mittelweg. Über Jahrzehnte hinweg verwendeten viele Modelle eine Box namens „Exponiert“ (E). In der alten mathematischen Welt bedeutete das Befinden in dieser Box, dass man das Keimchen definitiv eingefangen hatte, man wartete nur noch auf das Auftreten der Symptome. Es war wie in einem Warteraum, in dem das Ticket bereits entwertet wurde.

Das wahre Leben ist jedoch chaotischer. In der realen Welt der öffentlichen Gesundheit bedeutet „Exposition“ lediglich, dass man mit jemandem in Kontakt gekommen ist, der krank war. Man könnte das Keimchen eingefangen haben, oder man könnte einfach nur dieselbe Luft geatmet haben und das Immunsystem hat es bekämpft, bevor es Fuß fassen konnte. Dieses Paper befasst sich mit einer sehr spezifischen Verwirrung: Was passiert, wenn wir aufhören, „Exposition“ als eine garantierte Infektion zu behandeln, und stattdan als eine Chance betrachten? Die Autoren fragen: Wenn wir unsere Krankheitskarten so bauen, dass sie alle Menschen berücksichtigen, die ein „Beinahe-Treffer“ waren (exponiert, aber nicht infiziert), verändert das die Vorhersage über die Größe eines Ausbruchs, darüber, wie viele Menschen wir isolieren müssen oder wie viele sterben könnten? Es stellt sich heraus: Der Unterschied zwischen einem „Vielleicht“ und einem „Definitiv“ verändert die gesamte Geschichte.

---

Die „Vielleicht“-Zone: Eine neue Art von Karte

Die Autoren dieses Papers, CI Hameni Nkwayep, Julien Arino und PM Tchepmo Djomegni, beschlossen, die Karte neu zu zeichnen. Sie entwickelten ein neues Computermodell, das „Exposition“ so behandelt, wie es ein echter Arzt tun würde: als einen Kontakt, der vielleicht zu einer Infektion führt, aber nicht muss.

Stellen Sie sich die alten Modelle wie einen Türsteher in einem Club vor, der davon ausgeht, dass man definitiv reinkommt, wenn man das Samtseil berührt. In ihrer Version wird man, sobald man das Seil berührt (exponiert wird), sofort in eine „Latenz“-Linie geschickt, in der man garantiert irgendwann in den Club eintritt (infiziert wird). Das neue Modell hingegen agiert wie ein Türsteher, der den Ausweis kontrolliert. Sie berühren das Seil und treten in eine „Vielleicht“-Linie ein. Einige von Ihnen lassen sich den Ausweis zeigen, bestehen die Prüfung und treten in den Club ein. Aber ein großer Teil von Ihnen? Bei Ihnen wird der Ausweis kontrolliert, festgestellt, dass Sie nicht den richtigen Pass haben, und Sie werden direkt wieder auf die Straße zurückgeschickt (in den Pool der Anfälligen), ohne jemals den Club betreten zu haben.

Diese „Vielleicht“-Linie ist die große Innovation des Papers. Die Autoren nennen es das SEIARS-Modell (Susceptible, Exposed, Infected, Asymptomatic, Recoverer, Susceptible). In ihrer Version ist das Kompartiment „Exponiert“ ein Aufenthaltsraum für Menschen, die Kontakt mit dem Virus hatten, aber nicht zwangsläufig infiziert wurden. Sie verfolgen, woher diese Menschen kamen – trafen sie auf eine hustende Person (symptomatisch) oder auf einen heimlichen, lautlosen Überträger (asymptomatisch)? – und berechnen dann die Wahrscheinlichkeit, dass sie tatsächlich krank werden, basierend auf diesem spezifischen Kontakt.

Der „Puffer“-Effekt: Warum die alten Karten falsch lagen

Als die Autoren ihre Simulationen durchführten, fanden sie etwas Überraschendes. Die alten Modelle (die davon ausgehen, dass Exposition gleich Infektion ist) sind wie ein Feueralarm, der sofort losgeht, wenn jemand das Gebäude betritt, selbst wenn er kein Streichholz dabei hat. Das neue Modell ist klüger; es wartet ab, ob die Person tatsächlich ein Feuer legt.

Weil das neue Modell viele Menschen zurück in den „Anfälligen“-Pool schickt, nachdem sie keine Infektion erlitten haben, erzeugt es einen Puffer. Stellen Sie sich eine Menge vor, die versucht, durch eine Tür zu stürmen. Das alte Modell geht davon aus, dass jeder, der den Türrahmen berührt, in der Schlange stecken bleibt. Das neue Modell erkennt, dass die Hälfte der Leute, die den Rahmen berühren, sich einfach wieder umdreht und geht. Das bedeutet, dass die „infizierte“ Menge langsamer und kleiner wächst.

In ihren Simulationen fanden die Autoren heraus, dass die alten Modelle die Spitze eines Ausbruchs konsequent überschätzen. Sie sagen größere, erschreckendere Spitzen bei den Fallzahlen voraus, als tatsächlich stattfinden. Umgekehrt deutet das neue Modell darauf hin, dass Ausbrüche etwas schneller abflachen könnten, weil die „anfälligen“ Menschen nicht alle so schnell in die Infektionslinie gesaugt werden.

Die verborgenen Kosten von „Fehlalarmen“

Hier wird die Geschichte für die öffentliche Gesundheit besonders interessant. Die Autoren argumentieren, dass die alten Modelle sehr schlecht darin sind, die Kosten für Isolation und Kontaktnachverfolgung zu berechnen.

Stellen Sie sich einen Detektiv vor, der versucht, einen Kriminellen zu fassen. Das alte Modell verfolgt nur die Menschen, die definitiv Kriminelle sind (die Infizierten). Wenn der Detektiv also ein Team aussendet, um jeden zu verhaften, der den Kriminellen vielleicht gesehen hat, denkt das alte Modell: „Großartig, wir müssen nur die Leute verhaften, die definitiv schuldig sind.“

Aber das neue Modell sagt: „Moment mal. Wir müssen jeden verhaften, der den Kriminellen gesehen hat, selbst wenn er nichts Unrechtmäßiges getan hat.“ In der realen Welt wird man oft gebeten, sich zu isolieren (zu Hause zu bleiben), nur um sicherzugehen, selbst wenn man nie krank wird. Die alten Modelle ignorieren diese massive Gruppe von „falsch Positiven“ – Menschen, die exponiert waren, aber nie infiziert wurden.

Die Simulationen des Papers zeigen, dass die alten Modelle die soziale und wirtschaftliche Belastung dieser Sicherheitsmaßnahmen drastisch unterschätzen. Sie übersehen die Millionen von „Personentagen“, die Menschen in Isolation verbringen, die eigentlich nie krank geworden wären. Das neue Modell zeigt, dass es für jede infizierte Person möglicherweise zehn exponierte Personen gibt, die isoliert wurden und dann wieder ein normales Leben führen. Dieser „Haltedienst“ ist ein riesiger, unsichtbarer Kostenfaktor, den die alten Karten komplett gelöscht haben.

Die Viruslast und das „Alter“ der Infektion

Um ihr Modell noch realistischer zu gestalten, fügten die Autoren eine Ebene der Detailtiefe hinzu, die sie „Infektionsalter“ nannten. Sie sagten nicht nur „du bist krank“; sie verfolgten, wie lange man schon krank ist. Sie stellten sich die Infektion als eine Reise durch eine Reihe von Räumen vor. Während man von Raum zu Raum zieht, verändert sich die „Viruslast“ (wie viel Virus man in sich trägt).

Sie nutzten einen cleveren Trick namens Erlang-Kette (eine schicke Art, eine Serie verbundener Räume zu beschreiben), um dies zu simulieren. Am Anfang der Reise trägt man vielleicht wenig Virus. In der Mitte ist man vielleicht ein Super-Spreader. Am Ende räumt man ihn vielleicht gerade aus dem System. Dies ermöglichte es ihnen zu sehen, dass das Risiko, jemanden zu infizieren, nicht an jedem Tag gleich ist; es hängt genau davon ab, wo sich die kranke Person gerade auf ihrer Reise befindet.

Was das für die Zukunft bedeutet

Die Autoren betonen vorsichtig, dass dies eine Simulation ist und kein endgültiger Beweis dafür, was in der realen Welt passieren wird. Sie haben ihre Zahlen am Computer laufen lassen, um zu sehen, wie sich die Mathematik verhält. Sie fanden heraus, dass wir zwei große Fehler machen könnten, wenn wir weiterhin die alten Modelle verwenden, in denen „Exposition gleich Infektion“ gilt:

1. Wir könnten panisch wegen der Größe des Ausbruchs werden (in der Annahme, er sei größer, als er tatsächlich ist).
2. Wir könnten völlig unvorbereitet auf die Kosten der Bekämpfung sein (indem wir unterschätzen, wie viele Menschen isoliert werden müssen und wie viel das die Gesellschaft kosten wird).

Sie merkten auch an, dass ihr Modell Grenzen hat. Es geht davon aus, dass der erste Kontakt mit einer kranken Person das Schicksal bestimmt, aber im echten Leben trifft man sie vielleicht zehnmal, und dieser wiederholte Kontakt könnte die Chancen verändern. Sie nahmen in dieser spezifischen Version auch keine Impfstoffe auf, planen aber, dies in einem zukünftigen Teil ihrer Arbeit zu ergänzen.

Letztendlich ist dieses Paper ein Aufruf zu mehr Präzision in unserer Sprache und unserer Mathematik. Es legt nahe, dass wir durch die Anerkennung des Unterschieds zwischen „Ich habe ein Keimchen getroffen“ und „Ich habe ein Keimchen eingefangen“ bessere Karten erstellen können. Diese neuen Karten werden uns nicht nur sagen, wie viele Menschen krank werden; sie werden uns sagen, wie viele Menschen wir schützen müssen, wie viele zu Hause bleiben müssen und wie wir den Kampf gegen das Virus mit den Kosten des Kampfes selbst in Einklang bringen können.