The Impact of Neglecting Vaccine Unwillingness in Epidemiology Models

Dit onderzoek toont aan dat het negeren van vaccinatie-weigering in epidemiologische modellen leidt tot aanzienlijke fouten, vooral bij het bestuderen van langdurig endemisch gedrag, en dat het aanpassen van de vaccinatieconstante deze fouten niet volledig kan oplossen.

De kern

Titel: Waarom "Iedereen wil vaccineren" een gevaarlijke leugen is in ziektemodellen

Stel je voor dat epidemiologen (ziektedeskundigen) een voorspellingsmachine bouwen. Deze machine probeert te berekenen hoe een ziekte zich verspreidt en hoeveel mensen er ziek worden. Om dit te doen, gebruiken ze wiskundige modellen.

In dit artikel onderzoekt de auteur, Glenn Ledder, een groot probleem in deze machines: de "weigerders".

Het Probleem: De Verkeerde Aannames

Stel je een grote zaal voor met duizenden mensen. Sommigen zijn gezond (kwetsbaar), sommigen zijn ziek, en sommigen zijn al hersteld. De meeste modellen gaan er tot nu toe van uit dat iedereen die gezond is, ook willen en kunnen vaccineren.

Maar in het echte leven is dat niet zo. Een deel van de mensen zegt: "Nee, bedankt." Of ze hebben een medische reden waarom ze niet kunnen.

• De oude manier: De machine telt alle gezonde mensen mee en zegt: "Oké, we vaccineren 10% van de zaal per dag."
• De nieuwe manier: De machine telt alleen de mensen mee die wel willen. Als 30% weigert, vaccineren we maar 70% van de groep die we dachten dat we konden bereiken.

De vraag is: Maakt dat verschil uit? En kunnen we het probleem oplossen door gewoon de "snelheid" van vaccineren in de formule wat lager te zetten, zonder de hele machine te herbouwen?

De Twee Werelden: De "Storm" en de "Stilte"

De auteur laat zien dat het antwoord afhangt van hoe je naar de tijd kijkt. Hij maakt een onderscheid tussen twee scenario's, die hij vergelijkt met een storm en een langzame winter.

1. De Epidemie (De Storm)

Dit is het moment waarop de ziekte net losbarst. Het is een snelle, wilde golf.

• De Analogie: Stel je voor dat er een vloedgolf aankomt. Je hebt een emmer water (de vaccinatie) om de golf te stoppen.
• Wat gebeurt er? Als de golf (de ziekte) heel snel en sterk is (hoge besmettelijkheid), is het niet zo belangrijk of je de emmer iets langzamer leegt. De golf is al voorbij voordat je de emmer hebt geleegd. In dit geval maakt het niet heel veel uit of je de "weigerders" apart telt of niet; de uitkomst is ongeveer hetzelfde.
• Maar... Als de golf langzamer is en je emmertje werkt heel snel, dan telt elke seconde. Als je denkt dat je iedereen kunt bereiken, maar 30% weigert, dan mis je een groot deel van je bescherming. Hier is het groot verschil tussen de oude en nieuwe manier van rekenen.

2. De Endemie (De Stilte)

Dit is de lange termijn, waar de ziekte blijft rondwaren, net als een constante lichte regen of een winter die nooit echt voorbij gaat.

• De Analogie: Stel je voor dat je een badkamer hebt waar er een klein lek is (de ziekte) en je moet constant water bijvullen (geboortes) en lekken dichten (vaccinatie). Uiteindelijk wil je weten: "Zal het bad vollopen of droog blijven?"
• Het verrassende resultaat: In deze lange termijn is het enorm belangrijk om de weigerders apart te tellen.
  • Als je denkt dat iedereen meewerkt, denk je dat je het lek goed kunt dichten.
  • In werkelijkheid, als 30% weigert, blijft het lek open.
  • De valstrik: Je kunt niet gewoon zeggen: "Oké, we doen het wat langzamer" (de snelheid van vaccineren verlagen). Dat helpt niet. In de lange termijn is het verschil tussen "iedereen wil" en "slechts een deel wil" zo groot dat je de hele berekening verkeerd hebt. Je kunt de fout niet "repareren" door de snelheid aan te passen; je moet de structuur van de machine aanpassen.

De Grote Les: Waarom de "Snelle Oplossing" Faalt

Veel mensen denken: "Waarom maken we het model niet ingewikkelder met aparte groepen? Laten we gewoon de vaccinatiesnelheid in de formule wat verlagen om rekening te houden met de weigerders."

De auteur zegt: Nee, dat werkt niet.

• In de lange termijn (Endemie): Het is alsof je probeert een gat in een dam te dichten door te zeggen "we werken iets langzamer". Als er mensen zijn die weigeren om het gat te dichten, maakt het niet uit hoe snel of langzaam je werkt; het gat blijft open. Je moet de groep die niet werkt, echt apart zien.
• In de korte termijn (Epidemie): Als de ziekte heel snel is, maakt het minder uit. Maar als de ziekte langzamer is en je vaccinatiesnelheid hoog is, dan is die "snelle oplossing" weer fout. Je denkt dat je veilig bent, maar je bent het niet.

Conclusie in Eenvoudige Woorden

Dit artikel is een waarschuwing voor wetenschappers en beleidsmakers:

1. Vergeet niet dat mensen "nee" zeggen. Als je modellen maakt die aannemen dat iedereen zich laat vaccineren, krijg je een heel verkeerd beeld van de toekomst.
2. Korte termijn vs. Lange termijn:
   • Bij een snelle uitbraak is het verschil soms klein, maar bij langzamere ziektes met snelle vaccinaties is het groot.
   • Bij lange termijn (waar de ziekte blijft bestaan) is het cruciaal. Als je de weigerders negeert, denk je dat je de ziekte kunt uitroeien, terwijl je dat in werkelijkheid nooit zult bereiken.
3. Geen makkelijke trucjes: Je kunt de fout niet oplossen door gewoon de "snelheid" van vaccineren in je formule lager te zetten. Je moet de modellen echt aanpassen om rekening te houden met de twee groepen mensen: diegene die wel willen en diegene die niet willen.

Kortom: In de wereld van ziektemodellen is realisme geen luxe, het is noodzaak. Als je de menselijke wilskracht negeert, mis je de echte oorzaak van waarom een ziekte blijft bestaan.

Technische samenvatting

Hier is een gedetailleerde technische samenvatting van het artikel "The Impact of Neglecting Vaccine Unwillingness in Epidemiology Models" van Glenn Ledder, vertaald en samengevat in het Nederlands.

Titel: De Impact van het Verwaarlozen van Vaccinatieweerstand in Epidemiologische Modellen

1. Probleemstelling

In veel samenlevingen weigert een aanzienlijk deel van de bevolking vaccinatie. Traditionele epidemiologische modellen (zoals SIR- of SVIR-modellen) nemen vaak aan dat de vaccinatiegraad evenredig is met de totale populatie van vatbare individuen ($S$). Dit negeert de realiteit dat slechts een subgroep van vatbaren bereid (en in staat) is om zich te laten vaccineren.

De kernvraag van dit onderzoek is: Hoe groot is de fout in de modeluitkomsten als men vaccinatie-weerstand (unwillingness) volledig negeert, en kan deze fout worden gecompenseerd door simpelweg de vaccinatieconstante te verlagen in plaats van het modelcomplexer te maken door een aparte klasse voor "onwillige" vatbaren toe te voegen?

2. Methodologie

De auteur gebruikt een generiek SVIR-model (Susceptible, Vaccinated, Infectious, Removed) met demografische processen (geboorte en dood) om twee verschillende tijdschalen te analyseren:

1. Endemische tijdschaal: Lange termijn gedrag, geanalyseerd via evenwichtspunten (equilibrium analysis).
2. Epidemische tijdschaal: Korte termijn, specifiek de eerste grote golf van een epidemie, geanalyseerd via numerieke simulaties.

Modelopbouw:

• De vatbare populatie wordt gesplitst in $S_W$ (willende vatbaren) en $S_U$ (onwillige/onbekwame vatbaren).
• Er worden drie mogelijke voordelen van vaccinatie gemodelleerd: lagere infectiekans, lagere besmettelijkheid, en snellere herstel.
• De parameters worden genormaliseerd en geschaald. Belangrijke parameters zijn:
  • $R_0$: Basisreproductiegetal.
  • $W$: Fractie van de bevolking die bereid is om zich te laten vaccineren.
  • $\theta$: Vaccinatieconstante (geschaald ten opzichte van de ziekteduur).
  • $\sigma, \eta, \alpha$: Relatieve effectiviteit van vaccinatie (infectie, besmettelijkheid, herstel).
  • $\xi$: Een gecombineerde parameter voor de relatieve ziekte-last van gevaccineerden.

Vergelijkingsscenarios:

1. Gecorrigeerd model: Een model met aparte compartimenten voor $S_W$ en $S_U$.
2. Naief model: Een model met één $S$-compartiment, waarbij de vaccinatieconstante wordt verlaagd met de factor $W$ (dus $\phi \to W\phi$) om weerstand te simuleren zonder de structuur te veranderen.

3. Belangrijkste Resultaten

A. Endemische Tijdschaal (Lange Termijn)

• Grootte van de fout: Het verwaarlozen van vaccinatie-weerstand leidt tot grote fouten in de voorspelling van het basisreproductiegetal ($R_v$) en de stabiliteit van het ziektevrije evenwicht (DFE).
• Invloed van de constante: Het is onmogelijk om deze fout te corrigeren door simpelweg de vaccinatieconstante te verlagen. In de endemische analyse (waar $\epsilon \to 0$) is de vaccinatieconstante $\theta$ niet dominant in de formules voor $R_v$ of het evenwichtspunt. De structuur van het model (wie er in de rij staat) is cruciaal, niet de snelheid.
• Conclusie: Voor endemische modellen is het absoluut noodzakelijk om weerstand in het diagram op te nemen. Een verlaagde constante geeft een verkeerde inschatting van de stabiliteit van de ziektevrije toestand en de evenwichtsinfectiegraad.

B. Epidemische Tijdschaal (Korte Termijn / Eerste Golf)

• Afhankelijkheid van parameters: De impact van het negeren van weerstand hangt sterk af van de verhouding tussen de snelheid van infectie ($R_0$) en de snelheid van vaccinatie ($\theta$).
• Situatie 1 (Hoge $R_0$, Langzame vaccinatie): Als de ziekte zeer besmettelijk is en vaccinatie traag verloopt, heeft vaccinatie weinig impact op de totale golfgrootte. In dit geval is de fout door het negeren van weerstand klein.
• Situatie 2 (Lage $R_0$, Snelle vaccinatie): Als de ziekte minder besmettelijk is en vaccinatie snel verloopt, wordt de fout significant. In deze scenario's wordt een aanzienlijk deel van de "willende" vatbaren al geïnfecteerd voordat ze gevaccineerd kunnen worden. Het simpele verlagen van de constante ($W\theta$) onderschat de impact van weerstand en geeft onnauwkeurige voorspellingen over het aantal besmettingen en de grootte van de gevaccineerde populatie.
• Conclusie: Voor snelle vaccinatieprogramma's tegen minder besmettelijke ziekten is het verwaarlozen van de aparte klasse voor onwilligen problematisch.

4. Kernbijdragen

1. Analytische bewijzen: De auteur levert wiskundige bewijzen (via Jacobian-matrices en Routh-Hurwitz criteria) dat voor endemische modellen het verlagen van de vaccinatieconstante geen enkele correctie biedt voor het negeren van weerstand.
2. Tijdschaal-onderzoek: Het artikel maakt een cruciaal onderscheid tussen endemische en epidemische tijdschalen, waarbij de noodzaak van modelcomplexiteit verschilt per tijdschaal.
3. Praktische richtlijn: Het biedt een duidelijke leidraad voor modelleerders:
   • Voor langetermijnbeleid (uitroeiing, endemische stabiliteit): Moet een apart compartiment voor onwilligen worden gebruikt.
   • Voor kortetermijnvoorspellingen (eerste golf): Kan het verlagen van de constante soms volstaan, maar alleen bij hoge $R_0$ en lage vaccinatie-snelheid. Bij snelle vaccinatie is een complexer model vereist voor nauwkeurigheid.

5. Significatie en Implicaties

De studie waarschuwt dat de standaardpraktijk in de epidemiologie om vaccinatie toe te passen op de totale vatbare populatie, of om weerstand te simuleren door alleen de snelheid te verlagen, leidt tot gevaarlijk optimistische voorspellingen.

• Beleidvorming: Voor het plannen van vaccinatiecampagnes om een ziekte uit te roeien (endemisch doel), kan het negeren van weerstand leiden tot het overschatten van de effectiviteit van een campagne. Zelfs een kleine weerstand (bijv. 30%) kan het verschil maken tussen het bereiken van een ziektevrije toestand en het behouden van een endemische toestand.
• Modelcomplexiteit: De studie rechtvaardigt de extra complexiteit van het toevoegen van extra compartimenten. Hoewel dit de analyse theoretisch ingewikkelder maakt, heeft het voor numerieke integratie (simulaties) geen nadelig effect op de rekentijd, terwijl het de nauwkeurigheid aanzienlijk verbetert.

Kortom: Vaccinatie-weerstand is geen louter "snelheidsprobleem" (constante), maar een structureel probleem (populatiestructuur) dat in de modeldiagrammen moet worden weerspiegeld, vooral voor langetermijnanalyses.