Automated outbreak detection systems in the EU: Requirements and challenges for its implementation, 2023/2024

Dit artikel schetst op basis van een enquête en workshops dat, hoewel er in de EU en het VK een duidelijke vraag is naar geautomatiseerde uitbraakdetectiesystemen, de implementatie vaak wordt beperkt door gebrek aan financiering en IT-capaciteit, wat samenwerking en capaciteitsopbouw via EU-projecten noodzakelijk maakt.

De kern

🚨 De Digitale Brandweerman: Hoe Europa ziektes sneller opspoort

Stel je voor dat het continent Europa een enorm, drukke stad is. In deze stad wonen miljoenen mensen en er zijn duizenden kleine winkeltjes (de ziekenhuizen en laboratoria) die elke dag verslag uitbrengen als er iets raars gebeurt. Soms is het een kleine ongelukje, maar soms is het een groot vuur (een uitbraak van een ziekte).

Het probleem:
Vroeger moesten de brandweerlieden (de epidemiologen bij de gezondheidsinstanties) zelf alle meldingen op papier doorlezen, één voor één. Ze moesten handmatig tellen: "Hm, gisteren hadden we 5 mensen met buikgriep, vandaag 6, en morgen 7..." Als ze pas na een paar dagen merkten dat er een brand was, kon het al te laat zijn.

De oplossing (Automatische Uitbraakdetectie):
Dit artikel gaat over het bouwen van slimme, automatische brandmelders. Dit zijn computersystemen die 24 uur per dag kijken naar alle meldingen. Ze weten precies hoeveel mensen er normaal ziek zijn (bijvoorbeeld in de winter meer griep, in de zomer minder). Zodra er plotseling 20 mensen met buikgriep binnenkomen in plaats van de gebruikelijke 5, slaat de melder direct alarm.

Wat hebben de onderzoekers ontdekt?

De auteurs (Paulina, Ann, Inessa, Michaela en Alexander) hebben met 21 landen in de EU en het Verenigd Koninkrijk gekeken hoe het ervoor staat met deze slimme melders. Ze hebben een enquête gestuurd, een workshop gehouden en met experts gepraat.

Hier zijn de belangrijkste bevindingen, vertaald naar alledaagse taal:

1. Wie heeft al zo'n systeem? (De "Brandweerkazerne")

Slechts 7 landen hebben al een werkende, automatische brandmelder.

• De pioniers: Oostenrijk, Denemarken, Finland, Duitsland, Nederland, Frankrijk en het VK hebben al zo'n systeem.
• De rest: Veel andere landen hebben wel de gegevens (de telefoonlijnen van de winkeltjes), maar geen automatische melder. Ze zitten nog steeds met de papieren lijstjes.

2. Waarom bouwen ze het niet allemaal? (De "Geldkist en Gereedschapskist")

Je zou denken: "Waarom heeft niet iedereen zo'n slimme melder?" Het antwoord is simpel, maar vervelend: Geld en mensen.

• De budget-knopen: Veel landen zeggen: "We hebben wel geld om de telefoonlijnen te houden, maar geen geld om de software te bouwen en te onderhouden."
• De gebrek aan specialisten: Het bouwen van zo'n systeem vereist programmeurs en data-experts. Veel gezondheidsinstanties hebben deze mensen niet in dienst. Het is alsof je een dure auto wilt kopen, maar geen benzine of een chauffeur hebt.

3. Is het mogelijk om één systeem voor iedereen te maken? (De "Universele Sleutel")

Dit is het mooiste nieuws uit het artikel. Hoewel elk land zijn eigen manier heeft om de data te bekijken, bleek dat ze allemaal dezelfde wensen hebben.

• Ze willen allemaal weten: Waar gebeurt het? Wat voor ziekte is het? En is het erger dan normaal?
• De onderzoekers concluderen: Ja! Er kan één groot, flexibel systeem worden gebouwd dat voor bijna alle landen werkt. Het is alsof je één universele sleutel maakt die in bijna alle deuren van Europa past, in plaats dat elke land een eigen slot moet laten maken.

4. Wat is er nodig om het te laten werken? (De "Brandblusmiddelen")

Om deze systemen goed te laten werken, hebben landen drie dingen nodig:

1. Goede data: De winkeltjes moeten hun meldingen snel en correct doorgeven.
2. Historische kennis: Het systeem moet weten hoe het er "normaal" uitziet. Gelukkig hebben bijna alle landen al jaren aan data in hun archief (zoals een oud dagboek).
3. Ondersteuning: Er moet geld en tijd zijn voor IT-experts om het systeem te bouwen en te onderhouden.

De conclusie in één zin

Het artikel zegt eigenlijk: "We hebben allemaal de bouwstenen (de data) en we willen allemaal hetzelfde (veiligheid), maar we hebben te weinig geld en bouwvakkers (IT-experts) om de huizen te bouwen. Als we samenwerken en één groot, slim systeem delen, kunnen we branden (ziektes) veel sneller blussen dan nu."

Het project waar dit artikel over gaat (UNITED4Surveillance) probeert precies dat te doen: samenwerken, een openbare "bouwset" (software) maken en landen helpen om hun eigen brandweerkazerne te bemanden.

Technische samenvatting

Probleemstelling

Het tijdig detecteren van uitbraken van infectieziekten is een kernonderdeel van de volksgezondheid. Hoewel geautomatiseerde uitbraakdetectie (AODS - *Automated Outbreak Detection Systems) het potentieel heeft om surveillance te verbeteren door vroege signalen te genereren, is er beperkte informatie beschikbaar over de daadwerkelijke implementatie en het gebruik ervan door nationale volksgezondheidsinstituten (NPHI's) in de Europese Unie (EU) en het Verenigd Koninkrijk (VK). Een eerdere overzichtsartikel uit 2010 toonde slechts beperkte adoptie. Er is behoefte aan een actueel beeld van de vraag, de beschikbaarheid van benodigde infrastructuur (data, IT) en de specifieke uitdagingen die landen tegenkomen bij het implementeren van deze systemen.

Methodologie

De auteurs hanteerden een mixed-method benadering als onderdeel van het EU4Health-project "UNITED4Surveillance" (U4S):

1. Enquête: Een online vragenlijst met 33 vragen (22 verplicht) werd verspreid onder 25 EU-landen en het VK. Doel was het in kaart brengen van surveillance-systemen, data-kwaliteit, bestaande capaciteiten en behoeften. 21 landen vulden de enquête in (responspercentage 84%).
2. Workshop: Een fysieke workshop in mei 2023 in Berlijn met 30 experts (epidemiologen en data scientists) uit 16 landen. Hier werden survey-resultaten besproken, use-cases geïdentificeerd en requirements voor een pilot-tool uitgewerkt.
3. Persoonlijke gesprekken: One-on-one meetings en calls in januari 2024 met tien pilot-landen om gedetailleerde functionele en administratieve eisen te verzamelen.
4. Literatuurstudie: Voor Frankrijk en het VK (die niet aan de enquête deelnamen) werden bestaande systemen geanalyseerd op basis van literatuur en eerdere studies.
5. Data-analyse: Beschrijvende statistiek uitgevoerd in R (versie 4.4.0).

Belangrijkste Bijdragen

• Actuele Inventarisatie: Dit artikel biedt de meest recente en uitgebreide overzichtsstudie van AODS in de EU en het VK, actualiserend de situatie sinds 2010.
• Identificatie van Kruispunten: Het toont aan dat ondanks methodologische verschillen, de operationele behoeften en outputs van landen sterk overeenkomen, wat suggereert dat één flexibel, open-source tool meerdere landen kan bedienen.
• Pilot-uitrol: Het documenteert de overgang van theorie naar praktijk door de ontwikkeling en pilot-uitrol van een open-source R Shiny-applicatie voor uitbraakdetectie.
• Barrière-analyse: Het biedt een gedetailleerde analyse van de niet-technische barrières (financiering, personeel) die de implementatie belemmeren, evenals de technische prerequisites.

Resultaten

1. Huidige Status van AODS:

• Slechts 7 landen hebben momenteel een operationeel AODS (Oostenrijk, Denemarken, Finland, Duitsland, Nederland, Frankrijk en het VK).
• 10 landen namen deel aan de pilot van de nieuwe U4S-tool.
• 4 landen hebben plannen voor implementatie, 4 landen hebben geen plannen, en voor 3 landen zijn geen gegevens beschikbaar.
• Methoden: Bestaande systemen gebruiken diverse statistische methoden, waaronder FarringtonFlexible, CUSUM, Moving Epidemic Method (MEM), Hidden Markov Models en RAMMIE. De meeste systemen zijn gebaseerd op R-scripts.

2. Data en Infrastructuur:

• Datakwaliteit: Bijna alle respondenten (20/21) rapporteren dat data op dagbasis en geval-voor-geval (case-based) wordt gerapporteerd. Alle landen hebben historische data van minimaal 3 jaar (8 landen >20 jaar).
• Stratificatie: Alle landen hebben data over leeftijd, regio, pathogeen en geslacht. Veel landen hebben ook data over uitkomst (hospitalisatie, overlijden), symptoomstartdatum en vaccinatiestatus.
• Gebruiksgemak: De meeste landen hebben voldoende data voor geautomatiseerde detectie, maar de integratie in de workflow varieert.

3. Uitdagingen en Belemmeringen:

• Financiering en Personeel: De belangrijkste barrière is gebrek aan duurzame financiering (15 landen) en IT-capaciteit. Er is een groot tekort aan personeel met kennis van data science, software engineering en tijd voor onderzoek (12 landen).
• Data en Wetgeving: Data-kwaliteit (9 landen) en juridische mandaten (5 landen) worden als secundaire uitdagingen genoemd.
• Systeemintegratie: In sommige landen (bijv. Zweden) zijn systemen tijdelijk gestopt na systeem-upgrades vanwege compatibiliteitsproblemen.

4. Gebruiksscenario's en Behoeften:

• Prioriteiten: Voedsel- en wateroverdraagbare ziekten, luchtwegaandoeningen en vector- en zoönose ziekten zijn de belangrijkste doelgroepen. Gastro-enteritis en respiratoire ziekten zijn de meest genoemde use-cases.
• Functionele Eisen: Landen vragen om flexibele outputformaten, aanpasbare filters, ondersteuning voor verschillende tijdsaggregaties (dag, week, maand), meertaligheid en de mogelijkheid om lijsten met individuele gevallen (line lists) te extraheren.
• Signaalrespons: Alle 21 landen bevestigden dat ze handelen op signalen (zowel manueel als automatisch), maar de feedbackloops variëren sterk.

Betekenis en Conclusie

De studie concludeert dat er een grote kloof bestaat tussen de technische mogelijkheden (beschikbare data, bewezen methoden) en de daadwerkelijke implementatie van AODS in de EU. Hoewel er een duidelijke vraag is en de data-voorwaarden vaak aanwezig zijn, worden implementaties gehinderd door structurele tekorten aan middelen (financiering, IT-expertise).

De auteurs benadrukken dat:

1. Samenwerking cruciaal is: Projecten zoals U4S kunnen de kloof overbruggen door gezamenlijke, open-source tools te ontwikkelen die aan de behoeften van meerdere landen voldoen, in plaats dat elk land een eigen systeem bouwt.
2. Standaardisatie mogelijk is: Ondanks verschillende statistische methoden zijn de outputs (signalen, visualisaties, rapporten) vergelijkbaar, wat standaardisatie mogelijk maakt.
3. Toekomstperspectief: De focus moet liggen op het integreren van deze tools in lokale systemen, het oplossen van de personele en financiële knelpunten, en het systematisch evalueren van de tools in de praktijk om de specificiteit te verhogen en de werklast van verificatie te verlagen.

Kortom, geautomatiseerde uitbraakdetectie is technisch haalbaar en noodzakelijk, maar vereist een strategische aanpak op EU-niveau om de huidige resource-tekorten te overwinnen.