Sample size in social contact surveys for epidemic modelling

Die Studie empfiehlt eine Mindeststichprobengröße von etwa 1.200 bis 1.300 Teilnehmern für soziale Kontakterhebungen, um zuverlässige Schätzungen des Reproduktionsfaktors (R) für die Epidemie-Modellierung zu gewährleisten und die Unsicherheit zu minimieren.

Das Wesentliche

Titel: Wie viele Leute muss man fragen, um eine Seuche zu verstehen? (Eine einfache Erklärung)

Stellen Sie sich vor, Sie wollen herausfinden, wie schnell sich ein Virus in einer Stadt ausbreitet. Das ist wie ein riesiges, unsichtbares Netz aus unsichtbaren Fäden, die Menschen miteinander verbinden. Wenn jemand niest, kann das Virus über diese Fäden zu anderen springen. Um zu verstehen, wie stark dieses Netz ist, müssen wir wissen: Wer trifft wen? Und wie oft?

Genau das tun sogenannte „Sozialkontakterhebungen". Forscher fragen tausende Menschen: „Mit wem haben Sie gestern gesprochen oder Händeschütteln?"

Aber hier liegt das Problem: Wie viele Menschen muss man eigentlich fragen, damit die Antwort zuverlässig ist?

Die Autoren dieses Papers (Ellen Brooks-Pollock und Leon Danon) haben sich genau diese Frage gestellt. Hier ist die Geschichte ihrer Entdeckungen, einfach erklärt:

1. Das Problem: Zu viele Vermutungen, zu wenig Plan

Bisher haben Forscher oft einfach so viele Leute befragt, wie ihr Budget zuließ oder wie viele sie gerade finden konnten. Das ist wie beim Kochen: Man wirft einfach eine Handvoll Gewürze in den Topf, ohne zu wissen, ob es schmeckt oder ob man zu viel Salz genommen hat.

• Manche Studien fragten nur 30 Leute (zu wenig!).
• Andere fragten über 10.000 (vielleicht zu viel und zu teuer?).
• Die meisten lagen irgendwo dazwischen, oft ohne zu wissen, ob die Zahl ausreicht.

2. Die Methode: Der „Zufalls-Test"

Die Forscher haben einen cleveren Trick angewendet. Sie hatten zwei riesige Datensätze (einen aus Großbritannien und einen aus ganz Europa), in denen sie die Kontakte von fast 13.000 Menschen kannten. Das war ihr „perfektes Bild" der Realität.

Dann haben sie im Computer gespielt:

• Sie haben sich vorgestellt, sie hätten nur 100 Leute befragt.
• Dann 500.
• Dann 1.000.
• Und so weiter bis zur vollen Zahl.

Für jede dieser fiktiven Gruppen haben sie berechnet: „Wie hoch wäre die Gefahr einer Epidemie (die sogenannte Reproduktionszahl R)?"

3. Die Entdeckung: Der „Goldene Mittelweg"

Das Ergebnis war sehr klar und hat eine wichtige Regel aufgestellt:

• Zu wenig Leute (unter 200): Das Ergebnis ist wie ein Wackelbild. Wenn man nur 100 Leute fragt, kann das Ergebnis völlig daneben liegen. Man könnte denken, die Gefahr ist riesig, dabei ist sie klein – oder umgekehrt. Das ist wie wenn man das Wetter vorhersagt, indem man nur einen Baum im Garten beobachtet.
• Der „Sweet Spot" (ca. 1.200 bis 1.300 Leute): Hier wird es interessant. Sobald man etwa 1.300 Menschen befragt, stabilisiert sich das Bild. Die Unsicherheit sinkt drastisch. Man bekommt ein sehr genaues Bild davon, wie das Virus wandert.
• Mehr ist nicht immer besser: Wenn man auf 3.000 oder 5.000 Leute geht, verbessert sich die Genauigkeit nur noch minimal. Es ist wie beim Fotografieren: Wenn das Bild schon scharf ist, bringt es nichts, noch mehr Megapixel zu kaufen. Man gibt nur mehr Geld für nichts aus.

4. Die Metapher: Der Fischzug

Stellen Sie sich vor, Sie wollen wissen, wie viele verschiedene Fischarten in einem riesigen See sind.

• Wenn Sie nur mit einem kleinen Löffel (200 Leute) schöpfen, fangen Sie vielleicht nur ein paar kleine Fische und verpassen die großen Raubfische. Ihr Bild vom See ist verzerrt.
• Wenn Sie ein riesiges Netz (1.300 Leute) auswerfen, fangen Sie ein repräsentatives Muster. Sie sehen, welche Fische es gibt und wie sie sich verhalten.
• Wenn Sie ein Netz auswerfen, das so groß ist wie der ganze See (5.000 Leute), fangen Sie zwar alle Fische, aber Sie haben für den Rest des Sees kaum noch etwas Neues gelernt. Der Aufwand war enorm, der Gewinn aber gering.

5. Was bedeutet das für uns?

Die Forscher sagen: Wir brauchen eine neue Regel.
Wenn Behörden oder Wissenschaftler in Zukunft planen, wie sich eine Grippe oder ein neues Virus ausbreiten könnte, sollten sie nicht einfach „irgendeine" Zahl an Befragten wählen. Sie sollten mindestens 1.200 bis 1.300 Menschen befragen.

Das ist wichtig, weil:

1. Geld gespart wird: Man muss nicht unnötig 10.000 Leute befragen.
2. Leben gerettet werden: Wenn die Zahlen falsch sind (weil zu wenige Leute befragt wurden), könnten Politiker die falschen Entscheidungen treffen (z. B. Schulen zu früh öffnen oder zu lange schließen).
3. Vergleichbarkeit: Wenn alle Länder ähnlich viele Leute befragen, kann man die Ergebnisse besser miteinander vergleichen.

Fazit:
Dieses Papier ist wie ein Maßband für die Wissenschaft. Es sagt uns: „Hör auf zu raten, wie groß deine Stichprobe sein muss. Nimm etwa 1.300 Leute, dann hast du ein verlässliches Bild, ohne die Welt zu überfordern."

Technische Zusammenfassung

Titel: Stichprobengröße in sozialen Kontaktsurveys für die Epidemiemodellierung

Autoren: Ellen Brooks-Pollock und Leon Danon (Universität Bristol, UK)

---

1. Problemstellung

Soziale Kontaktsurveys sind eine fundamentale Datenquelle zur Schätzung des Reproduktionsfaktors ($R$) und zur Informierung von Modellen zur Ausbreitung von Infektionskrankheiten. Trotz ihrer weit verbreiteten Nutzung fehlt es in der Praxis jedoch an routinemäßigen Berechnungen der erforderlichen Stichprobengröße.

• Herausforderung: Herkömmliche stichprobengrößenbasierte Berechnungen in der Epidemiologie (basierend auf Effektstärken und Signifikanzniveaus) sind auf Kontaktsurveys oft nicht direkt anwendbar, da diese meist beobachtend sind und komplexe Muster erfassen sollen, die in Modellparameter münden.
• Praxis: Die Größe der Stichproben wird derzeit oft pragmatisch durch Budget, Rekrutierungsmöglichkeiten und Logistik bestimmt, nicht durch formale statistische Power-Analysen. Dies führt zu einer großen Variabilität in der Qualität und Zuverlässigkeit der daraus abgeleiteten epidemiologischen Metriken.

2. Methodik

Die Studie verfolgte einen zweigleisigen Ansatz: eine systematische Überprüfung der aktuellen Praxis und eine Simulation zur Quantifizierung der Unsicherheit.

• Rapid Review (Literaturübersicht):

  • Es wurde eine Suche in PubMed nach englischsprachigen Artikeln zwischen 2008 und März 2025 durchgeführt.
  • Einschlusskriterien: Primärberichte über soziale Kontaktdaten bei Menschen mit Fokus auf Infektionskrankheiten.
  • Ergebnis: 57 Studien wurden identifiziert, die insgesamt 107 einzigartige Kontaktsurveys umfassten.

• Simulationsstudie zur Stichprobengröße:

  • Datengrundlage: Zwei große Datensätze wurden verwendet:
    1. POLYMOD: Eine europäische Studie (8 Länder, $N=7.290$) mit altersspezifischen Kontaktdaten.
    2. UK Social Contact Survey (UKSCS): Eine britische Studie ($N=5.861$), die auch Gruppenkontakte erfasst.
  • Methoden zur Schätzung von $R$:
    1. POLYMOD: Berechnung des Reproduktionsfaktors als proportional zum dominanten Eigenwert der altersspezifischen Kontaktmatrix.
    2. UKSCS: Berechnung der Summe der quadrierten individuellen Reproduktionsfaktoren ($R^2$), um Heterogenität zu erfassen (da Altersdaten der Kontakte hier nicht vollständig vorlagen).
  • Simulationsprozess: Aus den vollständigen Datensätzen wurden wiederholt Zufallsstichproben (ohne Zurücklegen) in Größen von 100 bis zum Maximum gezogen (jeweils 200 Wiederholungen pro Größe).
  • Metriken: Es wurden Mittelwert, Standardabweichung (S.D.), Bereich und der Kolmogorov-Smirnov (KS)-Statistik (als Maß für die Abweichung der Verteilung von der Referenzstichprobe von 5.000 Personen) analysiert.

3. Schlüsselergebnisse

• Aktuelle Praxis:

  • Die Stichprobengrößen in den 107 untersuchten Surveys reichten von 30 bis über 10.000 Teilnehmern.
  • Der Median lag bei 1.438 Teilnehmern.
  • Ein Viertel der Surveys umfasste weniger als 1.000 Teilnehmer; drei Viertel hatten weniger als 2.500.

• Einfluss der Stichprobengröße auf die Präzision:

  • Unter 200 Teilnehmer: Es kam zu extrem hoher Variabilität in den Schätzungen von $R$. Bei der $R^2$-Methode (UKSCS) schwankte $R$ zwischen 0 und 6,8; beim Eigenwert-Ansatz (POLYMOD) zwischen 0,87 und 1,3.
  • Bis ca. 1.300 Teilnehmer: Hier wurden die größten Gewinne an Präzision erzielt. Die Standardabweichung nahm signifikant ab.
  • Über 3.000 Teilnehmer: Die zusätzlichen Gewinne an Präzision waren marginal. Die Unterschiede in den Schätzwerten wurden sehr klein.
  • Statistische Signifikanz: Der KS-Statistik-Wert (Abweichung von der wahren Verteilung) fiel unter 0,3 erst bei Stichprobengrößen über 1.100 (Eigenwert-Methode) bzw. 1.200 ($R^2$-Methode).

• Vergleich der Methoden:

  • Der Eigenwert-Ansatz (POLYMOD) zeigte generell eine geringere Unsicherheit als die $R^2$-Methode (UKSCS), was auf die Aggregation in Altersgruppen und die Natur der Daten zurückzuführen ist.
  • Für feinere Altersgruppen (als 10-Jahres-Bänder) wären größere Stichprobengrößen erforderlich, um die Heterogenität (insbesondere bei "heavy-tailed" Verteilungen mit hoch vernetzten Individuen) korrekt abzubilden.

4. Hauptbeiträge und Empfehlungen

• Empfehlung zur Mindeststichprobengröße: Die Autoren schlagen eine Mindeststichprobengröße von ca. 1.200 bis 1.300 Teilnehmern für den allgemeinen Einsatz in der Epidemiemodellierung vor.
  • Unterhalb dieser Schwelle sind die Schätzungen von $R$ zu ungenau für verlässliche politische Entscheidungen.
  • Deutlich über 3.000 Teilnehmern sind die zusätzlichen Kosten und der Aufwand für die Teilnehmer oft nicht mehr durch signifikante Verbesserungen der Modellgüte gerechtfertigt.
• Standardisierung: Die Studie fordert, dass die Stichprobengröße zukünftig als Standardelement in der Berichterstattung von Kontaktsurveys angegeben werden muss, um die Interpretation der Unsicherheit zu ermöglichen.

5. Bedeutung und Implikationen

• Pandemievorsorge: Soziale Kontaktdaten dienen als Frühindikator für $R$, oft bevor klinische Daten (Diagnosen, Hospitalisierungen) vorliegen. Eine unzureichende Stichprobengröße gefährdet die Genauigkeit dieser Frühwarnsysteme.
• Ressourcenoptimierung: Die Ergebnisse helfen, den Trade-off zwischen Kosten/Belastung der Teilnehmer und der statistischen Genauigkeit zu optimieren.
• Vergleichbarkeit: Die Festlegung eines Mindeststandards verbessert die Vergleichbarkeit von Daten zwischen verschiedenen Settings und Ländern, was für koordinierte öffentliche Gesundheitsmaßnahmen entscheidend ist.
• Limitationen: Die Studie weist darauf hin, dass eine reine Erhöhung der Stichprobengröße systematische Fehler (wie Survey-Fatigue, Untererfassung bestimmter Demografien oder Verzerrungen bei der Meldung von Kontakten) nicht beheben kann. Die Datenqualität bleibt ein unabhängiger Faktor.

Fazit: Die Studie liefert den ersten quantitativen Beleg dafür, dass die Stichprobengröße in Kontaktsurveys einen kritischen Einfluss auf die Unsicherheit von Reproduktionsfaktoren hat, und etabliert einen evidenzbasierten Richtwert von ~1.300 Teilnehmern für robuste epidemiologische Modellierungen.