Epidemic indicators do not determine intervention performance

Dit artikel toont aan dat standaard epidemische indicatoren, zoals groeitempo's en het reproductiegetal, de effectiviteit van ingrijpende maatregelen niet betrouwbaar kunnen voorspellen vanwege structurele onzekerheden die de interactie tussen transmissie en interventie beïnvloeden.

De kern

Titel: Waarom de thermometer niet altijd vertelt hoe je een ziekte moet bestrijden

Stel je voor dat je een brand in je huis hebt. Je kijkt naar de rook (het aantal nieuwe gevallen) en de temperatuur (de groeicijfers). Normaal gesproken denk je: "Hoe meer rook en hoe heter het is, hoe harder we moeten blussen." En als twee branden precies evenveel rook en dezelfde temperatuur hebben, denk je dat ze ook even makkelijk te blussen zijn.

Deze nieuwe studie van Kris Parag zegt echter: "Nee, dat is niet altijd waar."

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

1. Het probleem: De "Open Deur" vs. de "Gesloten Lijf"

In de wereld van epidemiologie (het bestuderen van ziektes) kijken experts vaak naar cijfers zoals het reproductiegetal (R) of de groeisnelheid. Dit zijn cijfers die je meet voordat je iets doet.

• De Open Deur (Open Loop): Stel je voor dat je een auto bestuurt zonder te kijken naar de weg. Je draait het stuur op basis van wat je denkt dat er gaat gebeuren, maar je ziet niet hoe de auto reageert op je draaiing. Dat is hoe we nu vaak ziektes bestrijden: we kijken naar de cijfers en zeggen "We moeten strengere maatregelen nemen", zonder te kijken hoe de ziekte daarop reageert.
• De Gesloten Lijf (Closed Loop): Dit is als een moderne auto met cruise control en een camera. De auto ziet de weg, ziet hoe snel hij rijdt, en past zijn snelheid continu aan. In de echte wereld is een ziektebestrijding altijd een gesprek tussen de maatregelen (zoals quarantaine) en de ziekte zelf. De ziekte "reageert" op de maatregelen.

2. De Twee Verrassende Paradoxen

De auteur toont aan dat de cijfers die we nu gebruiken, ons kunnen bedriegen. Hij laat twee vreemde situaties zien:

Situatie A: Twee identieke branden, één blust, één woedt

Stel je hebt twee branden. Ze hebben exact dezelfde temperatuur, dezelfde hoeveelheid rook en groeien even snel. Je zou denken dat ze allebei even makkelijk te blussen zijn.

• Wat er gebeurt: Je gooit precies hetzelfde blusmiddel op beide.
• Het resultaat: Brand A dooft direct. Brand B explodeert juist nog harder!
• De reden: Het gaat niet om de temperatuur, maar om de structuur van de brand. Brand A brandt op droog hout (makkelijk te blussen), terwijl Brand B brandt op een chemische vloeistof die juist heftiger reageert op water. De thermometer (de cijfers) zag alleen de hitte, maar niet het soort brandstof. In de wetenschap noemen ze dit structurele onzekerheid. We weten niet precies hoe de ziekte zich gedraagt, alleen dat het er "heet" uitziet.

Situatie B: Een enorme brand en een klein vuurtje, allebei even makkelijk te blussen

Nu het tegenovergestelde. Je hebt een enorme, woedende brand (veel rook, hoge temperatuur) en een klein, rustig vuurtje.

• Wat er gebeurt: Je gooit hetzelfde blusmiddel op beide.
• Het resultaat: Het grote vuur wordt net zo snel gedoofd als het kleine vuurtje.
• De reden: Het grote vuur had misschien een structuur die heel gevoelig is voor jouw specifieke blusmiddel, terwijl het kleine vuurtje juist weerbarstig was. De cijfers zeiden: "Het grote vuur is gevaarlijker, we moeten harder werken!" Maar in werkelijkheid was het juist makkelijker om te stoppen dan het kleine vuurtje.

3. Waarom is dit belangrijk?

Deze studie waarschuwt beleidsmakers (zoals ministers van Volksgezondheid) voor een valkuil:

• We vertrouwen te veel op de thermometer: We denken dat als de cijfers hoog zijn, we strengere maatregelen moeten nemen, en als de cijfers laag zijn, we veilig zijn.
• De realiteit is complexer: Twee landen kunnen exact dezelfde cijfers hebben, maar door onbekende factoren (zoals hoe mensen zich gedragen, of hoe het virus zich precies verspreidt) kan één land de ziekte snel stoppen en het andere land juist niet, zelfs met dezelfde maatregelen.

4. De Les voor de Toekomst

De auteur zegt niet dat we moeten stoppen met meten. Maar hij zegt wel: "Kijk niet alleen naar de cijfers, kijk ook naar hoe de ziekte reageert op wat je doet."

Het is alsof je een danspartner hebt. Je kunt niet alleen naar je eigen bewegingen kijken; je moet voelen hoe je partner reageert op je stappen. Als je dat niet doet, kun je denken dat je een perfecte dans leidt, terwijl je partner juist struikelt.

Kortom:
De cijfers die we nu gebruiken (het aantal nieuwe besmettingen, de groeisnelheid) zijn nuttig, maar ze vertellen ons niet het hele verhaal over of een maatregel gaat werken. We moeten leren om maatregelen te ontwerpen die robuust zijn, ongeacht welke "verborgen structuur" de ziekte heeft. Anders kunnen we maatregelen nemen die in theorie perfect lijken, maar in de praktijk falen of juist averechts werken.

Technische samenvatting

Probleemstelling

In de huidige volksgezondheidspraktijk worden epidemische indicatoren zoals de groeicijfers ($r$), het reproductiegetal ($R$) en het aantal nieuwe infecties ($i(t)$) universeel gebruikt om beslissingen over interventies te sturen. De heersende intuïtie is dat hogere waarden voor deze indicatoren noodzaken tot dringender of strengere maatregelen, en dat epidemieën die ononderscheidbaar zijn op basis van deze indicatoren ook even goed beheersbaar zouden moeten zijn.

Het artikel identificeert twee fundamentele tekortkomingen in deze benadering:

1. Open-Loop (OL) vs. Closed-Loop (CL) dynamiek: De meeste modellen behandelen interventies als statische, vooraf ingestelde reducties (open-loop), waarbij de feedbacklus tussen de controlemaatregelen en de transmissiedynamiek wordt genegeerd.
2. Structurele onzekerheid: Verschillen in modelvormgeving, complexiteit en parametrisatie betekenen dat dezelfde epidemische indicatoren kunnen voortkomen uit fundamenteel verschillende transmissiemechanismen (bijvoorbeeld verschillende vormen van de generatietijddistributie $w(s)$).

De kernvraag is of deze open-loop indicatoren betrouwbaar voorspellen hoe een epidemie zal reageren op een interventie in een realistische, feedback-gedreven (closed-loop) omgeving.

Methodologie

De auteur hanteert een wiskundig kader gebaseerd op vernieuwingsprocessen (renewal processes) en gestructureerde populatiemodellen (Structured Population Models - SPM).

• Modelbasis: Nieuwe infecties $i(t)$ worden gemodelleerd als afhankelijk van eerdere infecties en een generatietijddistributie $w(s)$, waarbij $s$ de tijd sinds infectie is. De transmissie wordt bepaald door het reproductiegetal $R$ en de vorm van $w(s)$.
• Interventie-modellering: Interventies worden gemodelleerd als leeftijdsafhankelijke onderbrekingen van de transmissielus. Een fractie $e(s)$ van secundaire infecties wordt verwijderd door maatregelen (zoals quarantaine, tracing of lockdowns).
• Feedback-mechanisme: Wanneer een interventie wordt toegepast, verandert de effectieve infectiviteit van een cohort van $R \cdot w(s)$ naar $R \cdot w(s) \cdot (1 - e(s))$. Dit creëert een closed-loop (CL) systeem waarbij de dynamiek wordt bepaald door de eigenwaarden van de gemodificeerde transitiematrix.
• Experimenteel ontwerp: De auteur construeert paren van epidemieën met behulp van optimalisatieproblemen:
  1. Scenario A: Twee modellen met identieke OL-indicatoren ($R, r, i(t)$) maar verschillende structuren van $w(s)$.
  2. Scenario B: Twee modellen met zeer verschillende OL-indicatoren (waarbij het ene model drie keer zo zwaar is) maar vergelijkbare structuren van $w(s)$.
  • Parameters zijn gebaseerd op COVID-19 en Ebola-uitbraken.

Belangrijkste Bijdragen

Het artikel introduceert het concept dat epidemische beheersbaarheid niet kan worden afgeleid uit statische indicatoren zonder expliciete modellering van de feedback tussen transmissie en interventie. De auteur toont aan dat structurele onzekerheid, die onzichtbaar is voor standaard indicatoren, beslissend wordt onder feedback-controle.

De paper levert twee tegenintuïtieve fenomenen aan het licht:

1. Identieke epidemieën, divergente respons: Epidemieën die ononderscheidbaar zijn in hun groei en infectiecurve kunnen fundamenteel verschillend reageren op dezelfde interventie.
2. Divergente epidemieën, identieke beheersbaarheid: Epidemieën die er op papier veel erger uitzien (hoge $R$ en $r$) kunnen even makkelijk onder controle worden gebracht als mildere epidemieën.

Resultaten

De simulaties tonen twee paradoxale uitkomsten aan:

1. Figuur 1 (Identieke indicatoren, divergente uitkomsten):

   • Er werden twee modellen gegenereerd met exact dezelfde $R$, $r$ en infectiecurve $i(t)$ voor de interventie.
   • Na toepassing van dezelfde controlemaatregel (vergelijkbaar met test-trace-isolate) bleek het ene model stabiel te worden (de infecties namen af), terwijl het andere model exponentieel bleef groeien.
   • Oorzaak: De kleine verschillen in de vorm van de generatietijddistributie $w(s)$, die in de open-loop fase onzichtbaar waren, werden door de feedbacklus versterkt, wat leidde tot een volledig verschillende stabiliteit.

2. Figuur 2 (Divergente indicatoren, identieke uitkomsten):

   • Er werden twee modellen vergeleken waarbij het ene model een $R$ en $r$ had die drie keer zo hoog waren als het andere, en een piek in infecties van drie keer zo hoog.
   • Volgens alle open-loop indicatoren vereiste dit model veel strengere maatregelen.
   • Echter, na toepassing van dezelfde interventie bleken beide modellen even effectief onder controle te worden gebracht. Ze bereikten dezelfde stabiele $R$ en $r$ waarden en de infectiecurves daalden met dezelfde snelheid.
   • Oorzaak: De structurele verschillen die verantwoordelijk waren voor de initiële divergentie werden geneutraliseerd door de feedback van de interventie.

Betekenis en Conclusie

De bevindingen hebben grote implicaties voor de volksgezondheid en epidemische modellering:

• Misleiding van indicatoren: Het gebruik van open-loop indicatoren ($R, r$) als proxy voor de prestaties van interventies kan kwalitatief misleidend zijn. Wat eruitziet als een beheersbare epidemie kan onbeheersbaar blijken, en vice versa.
• Rol van structurele onzekerheid: De onzekerheid over de exacte vorm van transmissiepatronen ($w(s)$) is onvermijdelijk in realistische uitbraken. Deze onzekerheid wordt door feedback-mechanismen versterkt of geminimaliseerd, wat de uitkomst van interventies onvoorspelbaar maakt op basis van huidige indicatoren.
• Nieuwe aanpak: De auteur pleit voor een verschuiving van open-loop naar closed-loop modellering. In plaats van te proberen structurele onzekerheid op te lossen door steeds complexere modellen te bouwen, zou men interventies moeten ontwerpen die robust zijn tegen plausibele structurele verstoringen.
• Beleid: Dit inzicht is cruciaal voor het vergelijken van beleid tussen verschillende regio's of bevolkingsgroepen, waar structurele heterogeniteit onvermijdelijk is. Het artikel concludeert dat huidige indicatoren weliswaar noodzakelijk, maar onvoldoende zijn om de uitkomst van epidemische controle te beschrijven.