Mapping spatial colleague connectivity patterns from individual-level registry data to inform regional pandemic interventions

Dit artikel introduceert een nieuwe methode om ruimtelijke connectiviteit tussen collega's op basis van registerdata te kwantificeren, waarmee regionale uitbraakrisico's beter kunnen worden voorspeld en pandemie-interventies doelgerichter kunnen worden ingezet.

De kern

Titel: Hoe we de 'werkplek-ademhaling' van Nederland hebben gemapt om virussen te stoppen

Stel je voor dat Nederland een enorm, levend wezen is. Net als in ons lichaam waar bloedcellen door aderen stromen, bewegen mensen zich elke dag door ons land. Maar terwijl we vaak denken aan treinen, bussen en auto's, is er een heel belangrijk netwerk dat we vaak vergeten: de collega's.

Deze studie, gemaakt door onderzoekers van Erasmus MC, kijkt niet naar wat mensen zeggen dat ze doen (zoals in dagboeken), maar naar wat ze echt doen, gebaseerd op de belastinggegevens van 8 miljoen Nederlanders. Ze hebben een soort "X-ray" gemaakt van ons land om te zien wie met wie werkt.

Hier is hoe het werkt, vertaald in een simpel verhaal:

1. Het Grote Netwerk van Werkplekken

Stel je voor dat elke werkplek in Nederland een klein dorpje is. In deze dorpjes wonen mensen (hun thuisadres) en werken ze (hun werkadres).

• De oude manier: Onderzoekers vroegen mensen: "Wie heb je vandaag gesproken?" Maar ze wisten vaak niet waar die mensen woonden. Het was alsof je probeert een kaart te tekenen, maar je mist de wegen.
• De nieuwe manier: Deze onderzoekers hebben gekeken naar de belastingregistraties. Ze zagen: "Ah, Jan woont in Rotterdam, Piet in Utrecht, maar ze werken allebei in hetzelfde kantoor in Amsterdam."
• Het resultaat: Ze hebben een enorme kaart getekend met duizenden lijntjes. Sommige lijntjes lopen kort (iemand werkt en woont in dezelfde stad), maar veel lijntjes zijn lang (iemand woont in Groningen en werkt in Eindhoven).

2. Waarom is dit belangrijk? (De Virus-Express)

Stel je voor dat een virus (zoals het Omicron-variant van COVID-19) een snelle trein is. Waar gaat die trein naartoe?

• Als je alleen kijkt naar waar mensen wonen, denk je dat het virus langzaam door het land trekt.
• Maar als je kijkt naar waar mensen werken, zie je dat het virus een express-trein neemt. Als iemand in Noord-Holland (waar Schiphol ligt) besmet raakt, werkt hij misschien in Zuid-Holland. De trein (het virus) springt direct van het ene dorp naar het andere via de werkplek.

De onderzoekers ontdekten dat regio's met veel "werk-lijntjes" naar andere provincies, het virus sneller kregen.

• Vergelijking: Een provincie met veel verbindingen is als een drukke kruising in het verkeer. Als er een ongeluk gebeurt (een besmetting), stroomt het verkeer (het virus) sneller weg naar andere steden dan in een rustig dorpje zonder uitvalswegen.

3. De Proef: Wat als we de bruggen opheffen?

De onderzoekers hebben een simulatie gedaan. Stel je voor dat we een lockdown of een reisverbod invoeren. Wat gebeurt er dan met de "werk-lijntjes"?

• Lockdown (De muur): Als je een hele provincie afsluit, vallen alle lijntjes weg die daar beginnen of eindigen. Het is alsof je een brug opblaast.
  • Verrassing: Het blijkt dat het sluiten van een grote stad (zoals Amsterdam) veel meer effect heeft dan het sluiten van een grote provincie met veel inwoners, maar weinig kantoren. Het gaat om de werkplek, niet om het aantal huizen.
• Reisverbod (De tolpoort): Als je alleen mensen verbiedt om de provinciegrens over te steken, blijven de lijntjes binnen de provincie bestaan.
  • Vergelijking: Dit is alsof je alleen de snelweg afsluit, maar de lokale wegen open laat. Het werkt minder goed om het virus te stoppen dan een volledige lockdown, maar het is minder ingrijpend.

4. De Grote Les: Maatwerk is de sleutel

Vroeger dachten beleidsmakers: "Als we in heel Nederland hetzelfde doen, werkt het wel."
Deze studie zegt: "Nee, dat werkt niet!"

Nederland is niet één groot blok. Het is een lappendeken van verschillende netwerken.

• In sommige gebieden (zoals Flevoland) werken mensen vooral buiten de provincie. Een lockdown daar heeft een ander effect dan in Limburg, waar mensen vooral lokaal werken.
• Door te kijken naar deze fijne netwerken, kunnen politici preciezer ingrijpen. In plaats van de hele stad te sluiten, kun je misschien alleen de specifieke kantoren of regio's raken waar de meeste "virus-lijntjes" samenkomen.

Samenvattend

De onderzoekers hebben een GPS voor werknetwerken gebouwd. Ze laten zien dat virussen niet door de lucht vliegen, maar door de werkplekken reizen. Door te begrijpen wie waar werkt, kunnen we in de toekomst sneller zien waar een uitbraak dreigt en slimme, lokale maatregelen nemen, in plaats van het hele land in de greep te houden.

Het is alsof je een brandbestrijder bent: in plaats van het hele huis af te sluiten, weet je nu precies welke kamer de brand heeft en kun je die specifiek bestrijden.

Technische samenvatting

Titel: Mapping spatial colleague connectivity patterns from individual-level registry data to inform regional pandemic interventions

1. Het Probleem
Bestaande modellen voor infectieziekten kampen met een tekortkoming in het nauwkeurig weergeven van populatiemenging, wat cruciaal is voor het schatten van overdracht en de effectiviteit van interventies.

• Beperkingen van huidige data: Dagboekstudies (zoals POLYMOD en CoMix) bieden informatie over contactfrequentie, maar missen vaak gedetailleerde geografische informatie over woon- en werklocaties. Hierdoor nemen modellen vaak een homogene menging aan of stratificeren ze slechts op leeftijd, wat leidt tot een overschatting van de epidemische groeifactor en een onderschatting van de effectiviteit van regionale ingrepen.
• Beperkingen van mobiliteitsdata: Mobiele telefoondata bieden wel geografische context, maar vertonen ongelijkmatige representativiteit door verschillen in abonnementen en smartphonegebruik per regio.
• Doel: Er is behoefte aan een schaalbaar, gedetailleerd raamwerk om ruimtelijke connectiviteit (specifiek collega-netwerken) te kwantificeren op basis van betrouwbare administratieve data om gerichte regionale pandemie-interventies te ondersteunen.

2. Methodologie
De auteurs ontwikkelden een workflow om individuele registerdata om te zetten in ruimtelijke connectiviteitspatronen, met als focus op collega-netwerken in Nederland (2019-2022).

• Data Bron: Gebruik van hoogwaardige administratieve data van het Centraal Bureau voor de Statistiek (CBS), specifiek loonheffingsregistraties van meer dan 8 miljoen werkende individuen.
• Netwerkbouw (Stap A):
  • Koppeling: Werknemers werden gekoppeld aan hun werkgever en, waar mogelijk, aan specifieke vestigingen (branches) om contacten binnen dezelfde locatie te identificeren.
  • Triplet-telling: Het aantal collega-paren werd geteld per "gemeentetriplet": twee woongemeenten (waar de collega's wonen) en één werkgemeente (waar ze samen werken).
  • Cap op connecties: Om te voorkomen dat werknemers in grote bedrijven met alle collega's in contact worden gebracht (wat onrealistisch is), werd een "degree cap" ingesteld (maximaal 100 collega's per persoon).
  • Aggregatie: De data werden geaggregeerd naar hogere bestuurslagen: gemeenten, veiligheidsregio's en provincies.
• Epidemiologische Analyse (Stap B):
  • Omicron Onset: De startdatum van de Omicron-golf per provincie werd geschat met een tweestaps Bayesiaanse inferentie, gebruikmakend van GISAID-sequentiedata en RIVM-incidentiedata.
  • Associatie: Er werd een Bayesiaanse regressie uitgevoerd om de relatie te leggen tussen de mate van collega-connectiviteit (binnen- en tussenprovincie) en de timing van de Omicron-uitbraak.
• Interventie Simulatie (Stap C):
  • Er werd gesimuleerd hoeveel collega-verbindingen zouden verdwijnen bij twee scenario's: een regionale lockdown (alle verbindingen met inwoners of werkplekken in de regio) en een grensoverschrijdend reisverbod (alleen verbindingen die de regio in of uit gaan).

3. Belangrijkste Resultaten

• Ruimtelijke Heterogeniteit: Collega-connectiviteit vertoont sterke ruimtelijke patronen. Hoewel de meeste verbindingen binnen dezelfde provincie plaatsvinden, zijn er aanzienlijke stromen tussen provincies, met name rondom het Randstad-gebied (Noord-Holland, Zuid-Holland, Utrecht).
  • Provincies als Flevoland hebben een zeer hoog percentage verbindingen met andere provincies (68%), terwijl Limburg juist sterk lokaal verbonden is.
• Verband met Omicron Onset: Er is een significant negatief verband gevonden tussen connectiviteit en de timing van de uitbraak:
  • Een 10-voudige toename in binnenprovinciale collega-verbindingen is geassocieerd met een 12 dagen eerdere Omicron-uitbraak (95% CI: 2-22 dagen).
  • Een 10-voudige toename in tussenprovinciale verbindingen is geassocieerd met een 8 dagen eerdere uitbraak (95% CI: -4 tot 21 dagen).
  • Noord-Holland (met Schiphol) had de vroegste uitbraak, wat de rol van internationale import bevestigt, maar binnenlandse connectiviteit verklaarde de variatie in timing tussen andere provincies.
• Impact van Interventies: De impact van lockdowns is zeer ongelijk verdeeld:
  • Een lockdown van één provincie kan variëren van 2,6% (Zeeland) tot 25,3% (Zuid-Holland) van alle nationale collega-verbindingen verwijderen.
  • Op gemeenteniveau is de impact extreem scherp: een lockdown van Amsterdam alleen verwijdert 10% van alle nationale verbindingen.
  • Bedrijfscentra: Het meenemen van de werklocatie in de analyse maakt het mogelijk "business hubs" te identificeren. Bijvoorbeeld: Haarlemmermeer (met minder inwoners dan Almere) heeft een grotere impact op het totale netwerk als het wordt afgesloten, vanwege de concentratie van werkplekken.
  • Reisverboden zijn minder effectief in het verminderen van totale verbindingen (maximaal ~9,4%) dan volledige lockdowns, maar behouden wel lokale werkplekconnectiviteit.

4. Bijdragen en Significatie

• Nieuw Data-product: De studie levert een reproduceerbaar, fijnmazig data-product op van geografische connectiviteit op gemeentelijk niveau, gebaseerd op volledige populatiedata in plaats van steekproeven.
• Verbeterde Modellering: Het biedt een oplossing voor het gebrek aan ruimtelijke heterogeniteit in bestaande contactmatrices, wat essentieel is voor het voorkomen van bias in epidemische modellen.
• Beleidsondersteuning: De resultaten tonen aan dat regionale interventies (zoals lockdowns of reisbeperkingen) niet uniform werken. Het effect hangt sterk af van de specifieke connectiviteitsstructuur van een regio (woon- vs. werkgebied).
• Generaliseerbaarheid: Het raamwerk is toepasbaar op andere landen met goede administratieve registers (zoals de Scandinavische landen) en kan worden uitgebreid naar andere netwerklagen (bijv. scholieren, huishoudens).
• Beperkingen: De studie erkent dat "collega's" niet altijd fysiek contact impliceert (geen duur/frequentie data) en dat de Bayesiaanse methode enige onzekerheid in de schattingen kan onderschatten. Toekomstig werk moet deze netwerken integreren in transmissiemodellen om de daadwerkelijke epidemiologische impact te kwantificeren.

Conclusie
Het artikel demonstreert dat het gebruik van individuele registerdata om ruimtelijke collega-netwerken te modelleren, cruciale inzichten biedt voor het begrijpen van de verspreiding van virussen en het ontwerpen van gerichte, regionaal afgestemde pandemie-interventies die effectiever zijn dan uniforme landelijke maatregelen.