Framework to estimate the cost-effectiveness of the Genome Sequencing-based surveillance network: an integrated operational model-epidemiological model approach

Stellen Sie sich vor, die Viren der Welt wären wie ein riesiges, chaotisches Spiel von „Musical Chairs“ (Stuhlkreis), das von unsichtbaren Spielern gespielt wird. Manchmal schleicht sich ein neuer Spieler ein, der ein völlig anderes Kostüm trägt (eine neue Variante), mit dem er den Regeln, denen alle anderen folgen, ausweichen kann. Um diesen neuen Spieler zu fangen, benutzen Wissenschaftler ein superstarkes Vergrößerungsglas namens Genomsequenzierung. Aber hier ist der Clou: Nur das Vergrößerungsglas zu haben, reicht nicht aus. Man braucht auch einen superschnellen Lieferdienst, um die Proben zum Glas zu bringen, und genug Hände, um hindurchzusehen, bevor das Spiel außer Kontrolle gerät.

Diese Arbeit baut einen riesigen, digitalen „Was-wäre-wenn“-Simulator, um das perfekte Rezept für das Erraten dieser viralen Spieler in Indien zu finden. Die Forscher haben nicht einfach nur geraten; sie haben ein komplexes Videospiel gebaut, das zwei Welten vermischt: das epidemiologische Modell (wie sich das Virus durch die Menge verbreitet) und das operationale Modell (wie das Labor die Proben tatsächlich verarbeitet).

Die große Entdeckung: Es ist ein Balanceakt, kein Zauberstab

Das Hauptergebnis ist, dass man nicht einfach mehr Geld in das Problem werfen kann und erwarten kann, dass es funktioniert. Die Geschwindigkeit, mit der man ein neues Virus erwischt, hängt von einem feinen Tanz zwischen der Anzahl der Proben, die man sendet, und der Geschwindigkeit ab, mit der das Labor diese verarbeiten kann.

Stellen Sie sich das Sequenzierlabor wie ein geschäftiges Café mit einem einzelnen Barista (der Maschine) vor.

• Die Falle: Wenn Sie einen langsamen Barista haben (geringe Kapazität), aber eine riesige Schlange von Kunden zu Ihnen schicken (hohe Stichprobenrate), wird die Schlange so lang, dass der erste Kunde (die Probe des neuen Virus) ganz hinten feststeckt. Der Barista verbringt den ganzen Tag damit, Kaffee für die alten Kunden (Variante 1) zu machen, und der neue, gefährliche Kunde (Variante 2) wartet ewig. In den Simulationen der Arbeit führte diese „Verstopfung“ (Congestion) dazu, dass es tatsächlich langsamer war, das neue Virus zu finden, wenn das Labor bereits überlastet war.
• Der Sweet Spot: Die Forscher fanden heraus, dass es hilft, das neue Virus schneller zu finden, wenn man genug Baristas hat (hohe Kapazität) und dann mehr Kunden schickt (höhere Stichprobenahme). Aber wenn man nicht genug Baristas hat, erzeugt das Versenden von mehr Kunden einfach einen Verkehrsstau.

Das Rennen gegen die Zeit

Das Team simulierte 54 verschiedene Szenarien, um zu sehen, wie lange es dauern würde, eine neue „Variante“ zu entdecken und damit zu beginnen, Leben zu retten.

• Die Uhr: In ihren Simulationen reichte die Zeit von dem Moment, als eine neue Variante zum ersten Mal auftauchte, bis zu dem Moment, in dem die Regierung tatsächlich Maßnahmen ergriff (wie etwa das Isolieren kranker Menschen oder verstärktes Testen), von 73 Tagen bis zu 351 Tagen. Das ist ein riesiger Unterschied!
• Der „Frühaufsteher“-Bonus: Wenn das neue Virus früh in der Pandemie auftaucht (wenn es weniger alte Fälle gibt), wird es viel schneller entdeckt. Aber wenn es auftaucht, wenn das alte Virus bereits überall ist, geht es in der Menge unter.
• Der „Supervirus“-Faktor: Sie testeten zwei Arten von neuen Viren:
  1. Die „HH“-Variante: Hohe Schweregrad, hohe Immunflucht (ein gruseliges, schwer zu stoppendes Monster).
  2. Die „LL“-Variante: Niedriger Schweregrad, niedrige Immunflucht (ein milder, leichter zu entdeckender Bug).
     Die gruselige „HH“-Variante wurde in den Simulationen tatsächlich früher gefunden, weil sie mehr Menschen krank machte und hospitalisierte, was bedeutete, dass natürlich mehr Proben in das System gelangten. Die mildere „LL“-Variante versteckte sich besser und dauerte länger, bis sie entdeckt wurde.

Die Kosten der Lebensrettung

Die Arbeit fragte auch: „Ist das teuer?“ Sie rechneten die Zahlen durch, um die Kosten pro gerettetem Lebensjahr zu ermitteln.

• Die Kosten lagen zwischen 9.137 INR und 326.714 INR.
• Um dies einzuordnen, merken die Autoren an, dass dies deutlich unter dem Eins- bis Dreifachen des indischen BIP pro Kopf liegt, was der Standardmaßstab für ein „gutes Geschäft“ im Bereich der öffentlichen Gesundheit ist.
• Das Urteil: In diesen Simulationen ist das System eine großartige Investition. Jedes Mal, wenn sie das Virus früh erwischt haben, haben sie Leben gerettet. Je früher sie es erwischt haben, desto mehr Leben wurden gerettet. Für die gefährlichsten Szenarien konnten sie bis zu 14,49 % der potenziellen Todesfälle verhindern. Wenn sie langsam waren, könnten sie nur 0,06 % verhindern.

Was sie explizit ausschlossen

Die Arbeit ist sich sehr sicher darüber, was nicht funktioniert:

• Mehr Proben allein ist nicht die Antwort. Wenn man ein langsames Labor hat, macht das Versenden von 30 % der Proben statt 5 % die Erkennung tatsächlich langsamer, weil es zu einem Rückstau kommt. Man kann sich der Sicherheit nicht einfach durch „mehr Probenahme“ nähern, ohne vorher den Engpass zu beheben.
• Größere Labore sind nicht immer besser. Sobald man ein „nominales“ Niveau an Maschinen erreichte (60 Maschinen in ihrem Modell), half das Hinzufügen von noch mehr (bis zu 90) nicht viel. Die zusätzliche Geschwindigkeit war den zusätzlichen Kosten nicht wert, da das Labor bereits schnell genug war, um den Fluss zu bewältigen.

Wie sicher sind sie sich?

Es ist wichtig zu wissen, dass diese Arbeit eine Simulation ist und kein Bericht über ein reales Ereignis, das bereits stattgefunden hat. Die Autoren bauten ein digitales Modell basierend auf echten Daten aus Indien (wie etwa wie viele Menschen 2021 krank waren) und echten Laborabläufen, die sie untersucht haben.

• Sie simulierten 100 Durchläufe für jedes Szenario, um die Zufälligkeit zu berücksichtigen.
• Sie schätzten die Kosten basierend auf Interviews und Preislisten aus anderen Ländern (wie Kenia), angepasst an Indien.
• Sie schlagen vor, dass das System kosteneffizient ist, behaupten aber nicht, es in einer echten Pandemie bewiesen zu haben. Sie sagen: „Wenn wir es auf diese Weise aufbauen, sagt die Mathematik, dass es funktionieren wird.“

Das Fazit für den neugierigen Teenager

Stellen Sie sich vor, Sie sind der Kapitän eines Schiffes, der versucht, einen Hai im Ozean aufzuspüren.

• Wenn Sie ein kleines Teleskop haben (geringe Kapazität) und den ganzen Ozean scannen (hohe Stichprobenrate), werden Sie so müde und verwirrt von all den Wellen sein, dass Sie den Hai übersehen werden.
• Wenn Sie ein leistungsstarkes Teleskop haben (hohe Kapazität) und den ganzen Ozean scannen, werden Sie den Hai sofort entdecken.
• Aber wenn Sie ein leistungsstarkes Teleskop haben und nur eine winzige Pfütze scannen (geringe Stichprobenahme), werden Sie den Hai vielleicht übersehen, selbst wenn er direkt vor Ihnen ist.

Die Arbeit sagt uns, dass wir, um den nächsten viralen „Hai“ zu fangen, sicherstellen müssen, dass unser Teleskop stark genug ist, um den ganzen Ozean zu scannen, den wir beobachten wollen. Wenn wir das tun, können wir die Bösewichte frühzeitig fassen, die Ausbreitung stoppen und viele Leben retten. Es geht nicht darum, das größte Netz zu haben; es geht darum, das richtige Netz für die Größe des Ozeans zu haben.