Population Attributable Mortality Associated with Respiratory Viruses in Ontario

Deze studie toont aan dat SARS-CoV-2 in Ontario tussen 2020 en 2025 een drie- tot viervoudig hogere sterfte veroorzaakte dan seizoensgebonden influenza A, waarbij de virusgebonden sterfte na het einde van de internationale noodsituatie niet terugkeerde naar pre-pandemische niveaus.

De kern

Stel je voor dat het menselijk lichaam een grote stad is en virussen als onzichtbare stormen die door die stad waaien. Soms zijn het lichte buien (zoals een verkoudheid), maar soms zijn het orkanen die huizen vernielen en mensen het leven kosten.

Deze studie, uitgevoerd door onderzoekers in Ontario (Canada), probeerde een heel lastige vraag te beantwoorden: Hoeveel mensen sterven er echt door deze virale stormen, en hoeveel van die sterfgevallen hadden we kunnen voorkomen als die stormen nooit hadden gewaaid?

Hier is de uitleg in simpele taal, met een paar creatieve vergelijkingen:

1. Het probleem: De "verkeerde naam" op het doodscertificaat

Vaak schrijven artsen op een doodscertificaat "hartfalen" of "longontsteking", maar vergeten ze te vermelden dat de echte boosdoener een virus was (zoals griep of corona). Het is alsof je een auto-ongeluk hebt gehad omdat de weg glad was door ijs, maar op het politierapport staat alleen "de auto is kapot". Je ziet het ongeluk, maar je mist de oorzaak (het ijs).

De onderzoekers wilden de "ijs" vinden. Ze keken niet naar de doodscertificaten, maar keken naar de grootte van de storm (hoeveel mensen besmet waren) en hoeveel mensen er overleden in dezelfde maand. Als er veel besmettingen zijn en tegelijkertijd veel sterfgevallen, weten ze: "Aha, dit virus heeft hier een groot deel van de schade veroorzaakt."

2. De twee tijdperken: Vóór en tijdens de grote orkaan

De onderzoekers keken naar twee verschillende tijdperken:

• De "normale" tijd (1993-2020): Hier was de Griep (Influenza A) de grootste storm. Hij zorgde ervoor dat ongeveer 2% van alle sterfgevallen in Ontario te maken had met griep.
• De "pandemie-tijd" (2020-2025): Toen kwam Corona (SARS-CoV-2) als een enorme orkaan. Zelfs met vaccins, medicijnen en voorzorgsmaatregelen, bleek Corona verantwoordelijk voor ongeveer 6% tot 8% van alle sterfgevallen.

De vergelijking: Corona was ongeveer 3 tot 4 keer zo dodelijk voor de bevolking als de normale seizoensgriep, zelfs nadat we alles hadden geprobeerd om het te stoppen.

3. De verrassende ontdekking: De "Muziek" van de statistiek

Dit is het meest interessante deel van het verhaal. De onderzoekers gebruikten een wiskundig model om de "seizoenen" uit de data te filteren. Denk hierbij aan het luisteren naar een radiozender waar je de achtergrondmuziek (de seizoenen) wilt uitschakelen om alleen de zanger (het virus) te horen.

• Met de achtergrondmuziek aan (Seizoensaanpassing): Als je de normale seizoenspatronen (zoals dat mensen in de winter vaker sterven aan hartproblemen) eruit filtert, lijkt het alsof het RSV-virus (een virus dat vooral gevaarlijk is voor baby's en ouderen) geen schade doet. Het lijkt zelfs alsof het een beetje helpt!
• Zonder de achtergrondmuziek: Toen de onderzoekers de "muziek" uitzetten en alleen naar de ruwe data keken, zagen ze dat RSV wel degelijk voor ongeveer 2% van de sterfgevallen zorgt.

De les: Het is heel lastig om te zeggen hoeveel schade een virus doet als je niet weet hoe je moet luisteren. Soms "verstoppen" de normale seizoenspatronen de echte schade van een virus.

4. Wat gebeurt er nu? (Na de noodtoestand)

De wereld heeft de "noodtoestand" voor Corona officieel beëindigd. Maar de cijfers vertellen een ander verhaal. Zelfs nu, in de periode na de officiële noodtoestand (2023-2025), zorgt Corona nog steeds voor een aanzienlijk aantal sterfgevallen (ongeveer 10% in hun berekeningen voor die specifieke periode).

Het is alsof de orkaan is gestopt, maar de overstroming is nog steeds hoog. De griep is weer terug op zijn oude niveau, maar Corona blijft een zware last voor de bevolking.

Samenvatting in één zin

Deze studie laat zien dat Corona een veel dodelijker "storm" is geweest dan de normale griep, en dat we heel slim moeten kijken naar de data om te zien hoeveel schade RSV en andere virussen echt aanrichten, omdat ze zich soms verstoppen in de normale seizoenspatronen.

Wat betekent dit voor ons?
Het betekent dat we niet mogen stoppen met voorzorgsmaatregelen, vaccinaties en surveillance. Zelfs als de "noodtoestand" voorbij is, blijven deze virussen een groot risico voor de gezondheid van de bevolking, vooral voor de kwetsbaren.

Technische samenvatting

Titel: Populatie-attribuut sterfte geassocieerd met respiratoire virussen in Ontario

Auteurs: David N. Fisman et al. (Dalla Lana School of Public Health, University of Toronto)
Studieperiode: Januari 1993 – Februari 2025
Locatie: Ontario, Canada

---

1. Het Probleem en de Doelstelling

Respiratoire virussen vormen een aanzienlijke last voor de volksgezondheid, maar hun impact op de sterftecijfers wordt vaak onderschat door onnauwkeurigheden in de codering van de doodsoorzaak op sterftecijfers. Traditionele methoden die vertrouwen op specifieke doodsoorzaken missen vaak indirecte sterfte of misclassificaties.

Doelstelling:
Het doel van deze studie was om de populatie-attribuut fractie (PAF) van de sterfte te kwantificeren die toegeschreven kan worden aan influenza A, influenza B, respiratoir syncytieel virus (RSV) en SARS-CoV-2 in Ontario. De studie beslaat een periode van meer dan drie decennia, inclusief de pre-pandemische periode en de volledige pandemieperiode tot februari 2025. Een specifiek aandachtspunt was het evalueren van hoe modelleringkeuzes, met name de inclusie of uitsluiting van seizoensgebonden aanpassingen, de schattingen van virus-geassocieerde sterfte beïnvloeden.

2. Methodologie

De auteurs gebruikten een ecologische regressiebenadering om de relatie tussen virale circulatie en maandelijkse sterftecijfers te modelleren.

• Data Bronnen:
  • Sterftecijfers: Maandelijkse data over alle-oorzaken-sterfte uit het Ontario Deaths Registry en Statistics Canada (1993–2025).
  • Virologische Surveillance: Laboratoriumdata van FluWatch (positiviteitspercentages voor influenza A/B en RSV) en aangepaste casestellingen voor SARS-CoV-2 (via het Case and Contact Management System en later FluWatch).
• Statistische Modellen:
  • Regressie: Negatief-binomiale regressiemodellen werden gebruikt om maandelijkse sterftecijfers te analyseren, aangezien Poisson-modellen overdispersie vertoonden.
  • Covariaten: Het model omvatte indicatoren voor virale circulatie, lineaire en kwadratische termen voor seculiere trends, en populatie als log-offset.
  • Seizoensaanpassing: De primaire modellen gebruikten Fast Fourier Transforms (FFT) (sinus- en cosinistermen) om periodieke seizoenspatronen te corrigeren.
  • Sensitiviteitsanalyses: Er werden modellen zonder FFT-termen gefit om te testen of seizoensgebonden termen de virale voorspellers "wegconcurreerden" voor verklarende variantie.
• Berekening PAF:
  • De PAF werd berekend als het verschil tussen de voorspelde sterfte onder waargenomen omstandigheden en een contrafactual scenario waarin de regressiecoëfficiënten voor het virus op nul werden gezet.
  • Tijdperken: De analyse was gestratificeerd in een pre-pandemische periode (januari 1993 – februari 2020) en een pandemieperiode (maart 2020 – februari 2025). De pandemieperiode werd verder onderverdeeld in de PHEIC-periode (tot april 2023) en de post-PHEIC-periode (mei 2023 – februari 2025).
• Meta-analyse: Random-effects meta-analyses werden uitgevoerd om gepoolde schattingen te genereren en heterogeniteit tussen verschillende modelleringbenaderingen te beoordelen.

3. Belangrijkste Resultaten

Pre-pandemische periode (1993–2020)

• Influenza A: Was de enige virus die een consistent positief verband toonde met alle-oorzaken-sterfte. De geschatte PAF was 1,8% (95% BI 1,4–2,3%) in modellen met seizoensaanpassing.
• Influenza B: Toonde geen significant verband met sterfte.
• RSV: In modellen met seizoensaanpassing toonde RSV een tegenstrijdige, niet-significante inverse associatie (PAF -0,45%). Echter, in modellen zonder seizoensaanpassing verschuift dit naar een positieve associatie met een PAF van 1,9% (95% BI 1,3–2,4%). Dit suggereert dat de negatieve coëfficiënt in de primaire modellen waarschijnlijk het gevolg was van concurrentie tussen seizoens- en virale covariaten in plaats van een echt beschermend effect.

Pandemieperiode (2020–2025)

• SARS-CoV-2: Was de dominante drijvende kracht achter sterfte. De PAF bedroeg 6,1% (95% BI 4,2–8,0%) in de gecombineerde pandemieperiode. Dit is ongeveer 4 keer hoger dan de pre-pandemische last van influenza A, ondanks de aanwezigheid van vaccins, antivirale middelen en niet-farmaceutische interventies (NPI's).
  • De modelgeschatte sterftecijfers door SARS-CoV-2 kwamen nauw overeen met de gerapporteerde COVID-19-sterftecijfers van Public Health Ontario, wat de validiteit van de methode bevestigt.
  • In de post-PHEIC-periode (na april 2023) bleef SARS-CoV-2 een significant voorspeller van sterfte met een geschatte PAF van 9,8% (95% BI 1,1–17,7%), hoewel de steekproefomvang kleiner was.
• Andere Virussen: Influenza A, B en RSV toonden tijdens de pandemie geen significante associaties met sterfte in de primaire modellen, wat consistent is met de onderdrukking van seizoensgebonden virussen door NPI's en SARS-CoV-2-dominantie.

Invloed van Modelleringkeuzes

• De keuze om seizoensaanpassing (FFT) toe te passen of niet, had een aanzienlijk effect op de schattingen voor influenza A en RSV.
• Zonder seizoensaanpassing steeg de geschatte PAF voor influenza A naar 2,9% en voor RSV naar 1,9% in de pre-pandemische periode.
• Voor SARS-CoV-2 was de heterogeniteit tussen de modellen echter minimaal (I² = 5,5%), wat aangeeft dat de schattingen voor SARS-CoV-2 robuust zijn ongeacht de modelleringkeuze.

4. Belangrijkste Bijdragen

1. Uitgebreide Tijdslijn: De studie biedt een unieke, continue analyse van virus-geassocieerde sterfte over meer dan 30 jaar, inclusief de volledige pandemie en de overgang naar de post-pandemische (post-PHEIC) fase.
2. Methodologische Validatie: Het paper demonstreert kritisch hoe de keuze voor seizoensaanpassing de interpretatie van virus-geassocieerde sterfte kan veranderen, met name voor virussen met sterke seizoenspatronen zoals RSV. Het toont aan dat negatieve associaties in sommige modellen statistische artefacten kunnen zijn.
3. Post-PHEIC Inzichten: Het is een van de eerste studies die aantoont dat SARS-CoV-2 ook na het officiële einde van de internationale volksgezondheidsemergentie (PHEIC) een aanzienlijke en aanhoudende last voor de sterfte blijft vormen, terwijl de last van influenza is teruggekeerd naar pre-pandemische niveaus.
4. Validatie: De sterke correlatie tussen de modelgeschatte SARS-CoV-2-sterfte en de gerapporteerde COVID-19-sterfte bevestigt de nauwkeurigheid van de regressiebenadering voor het kwantificeren van virus-geassocieerde sterfte.

5. Betekenis en Conclusie

De studie concludeert dat SARS-CoV-2, ondanks de beschikbaarheid van geavanceerde tegenmaatregelen (vaccins, medicijnen), een 3 tot 4 keer hogere populatiesterfte veroorzaakte dan seizoensgebonden influenza A. Dit onderstreept de unieke en aanhoudende bedreiging van SARS-CoV-2 voor de volksgezondheid.

De bevindingen benadrukken dat:

• De last van respiratoire virussen niet volledig is teruggekeerd naar pre-pandemische niveaus, met name voor SARS-CoV-2.
• Preventiestrategieën (zoals vaccinatie en surveillance) voor SARS-CoV-2 en influenza A ook na de formele einde van de pandemie moeten worden gehandhaafd.
• De kwantificering van virus-geassocieerde sterfte sterk afhankelijk is van modelleringkeuzes; het negeren van seizoenspatronen kan leiden tot overschattingen, terwijl het strikt corrigeren voor seizoenen de bijdrage van virussen met sterke seizoenspatronen (zoals RSV) kan maskeren.

De auteurs pleiten voor continue investeringen in surveillancesystemen en geavanceerde analytische methoden om de verschuivingen in virale circulatie en de vermijdbare sterftebelasting nauwkeurig te monitoren.