Sample size in social contact surveys for epidemic modelling

Oorspronkelijke auteurs: Danon, L., Brooks-Pollock, E.

Gepubliceerd 2026-03-31

📖 4 min leestijd☕ Koffiepauze-leesvoer

Oorspronkelijke auteurs: Danon, L., Brooks-Pollock, E.

Oorspronkelijk artikel gelicentieerd onder CC BY 4.0 (https://creativecommons.org/licenses/by/4.0/). ⚕️ Dit is een AI-gegenereerde uitleg van een preprint die niet peer-reviewed is. Dit is geen medisch advies. Neem geen gezondheidsbeslissingen op basis van deze inhoud. Lees de volledige disclaimer

Stel je voor dat je een enorme, levende stad probeert te begrijpen. Je wilt weten hoe snel een ziekte zich daar zou kunnen verspreiden. Maar je kunt niet elke persoon op straat vangen en vragen: "Met wie heb je vandaag gepraat?" Dat is onmogelijk.

In plaats daarvan doen onderzoekers een steekproef. Ze vragen een groep mensen om een dagboek bij te houden van wie ze hebben gezien. Dit noemen ze een "sociaal contacten-enquête".

Het probleem is: Hoe groot moet die groep zijn om een betrouwbaar antwoord te krijgen?

Dit artikel van Ellen Brooks-Pollock en Leon Danon is als het ware een recept voor de perfecte steekproef. Hier is wat ze hebben ontdekt, vertaald in alledaags taal:

1. Het probleem: De "Gok"

Vroeger deden onderzoekers vaak een gok. Ze namen een groepje van 500 mensen, of misschien 2.000, afhankelijk van hun budget. Ze dachten: "Dat is wel genoeg, toch?"
Maar het bleek dat ze vaak te klein waren. Het is alsof je probeert het weer te voorspellen door slechts naar één wolk te kijken. Je ziet misschien een regenbui, maar het kan ook zonnig zijn. De voorspelling is te onzeker.

2. De experimenten: Het "Kippenhok" en de "Grote Stad"

De auteurs hebben twee grote bestaande datasets gebruikt om te testen wat er gebeurt als je de groep groter of kleiner maakt:

POLYMOD: Een grote enquête in Europa (zoals een grote, georganiseerde stad).
UKSCS: Een enquête in het VK (waar mensen ook groepen mensen konden melden, zoals een hele klas).

Ze hebben een computer-simulatie gedaan. Ze hebben alsof ze uit die grote datasets steeds willekeurige stukjes hebben geknipt: eerst 200 mensen, dan 500, dan 1.000, enzovoort. Voor elke groep berekenden ze hoe snel een ziekte zich zou verspreiden (de zogenaamde reproductiegetal of R).

3. De ontdekking: De "Zwevende Brug"

Hier is het belangrijkste wat ze vonden, met een analogie:

Stel je voor dat je een brug bouwt over een rivier.

Kleine groepen (minder dan 200 mensen): De brug is heel wankel. Als je erop loopt, wiebel je van links naar rechts. De voorspelling over de ziekte verspreiding schommelt enorm. Soms denk je dat de ziekte uitsterft, soms dat hij de hele stad platlegt. Dat is gevaarlijk voor beslissingen.
Middelgrote groepen (rond de 1.000 - 1.300 mensen): De brug wordt stevig. De wiebelbeweging stopt. Je krijgt een heel betrouwbaar beeld.
Grote groepen (meer dan 3.000 mensen): De brug is nu een betonnen viaduct. Het is supersterk, maar het maakt voor de veiligheid van de brug eigenlijk niet meer uit of je er nog 2.000 mensen bijzet. Je bouwt alleen maar extra weg voor niets.

4. De conclusie: Het "Sweet Spot"

De auteurs zeggen: "Stop bij ongeveer 1.200 tot 1.300 mensen."

Als je minder dan 1.000 mensen hebt, is je data te onzeker om er goede plannen op te maken.
Als je meer dan 3.000 mensen hebt, ben je waarschijnlijk geld en tijd aan het verspillen zonder dat je veel meer leert.
De magische getal is dus ongeveer 1.300. Dat is het punt waar je genoeg zekerheid hebt, zonder onnodig veel mensen te belasten.

Waarom is dit belangrijk?

Tijdens een pandemie (zoals Corona) moeten politici beslissingen nemen: "Moeten scholen sluiten?" of "Moeten we lockdowns invoeren?". Ze kijken naar deze enquêtes om te zien hoe snel het virus gaat.

Als de enquête te klein is, is het alsof ze beslissingen nemen op basis van een gerucht. Als de enquête groot genoeg is (rond de 1.300), hebben ze een heldere foto van de situatie.

Kortom:
Deze studie zegt tegen onderzoekers en beleidsmakers: "Hou op met gokken. Als je wilt weten hoe een ziekte zich verspreidt, vraag dan aan minstens 1.300 mensen hoe ze hun dag hebben doorgebracht. Dan heb je een betrouwbaar kompas. Alles minder is een gok, en alles meer is vaak een verspilling."

Titel: Steekproefomvang in sociale contactenonderzoeken voor epidemische modellering

Auteurs: Ellen Brooks-Pollock en Leon Danon
Publicatie: MedRxiv Preprint (2026)

1. Het Probleem

Sociale contactenonderzoeken (waarbij wordt gemeten wie wie ontmoet) zijn een cruciale databron voor het schatten van het reproductiegetal ( $R$ ) en het modelleren van de verspreiding van infectieziekten. Ondanks hun wijdverbreide gebruik, wordt de steekproefomvang in deze onderzoeken zelden gebaseerd op formele statistische berekeningen.

Huidige praktijk: Steekproefgroottes worden vaak bepaald door pragmatische beperkingen (budget, wervingskanalen, logistiek) in plaats van power-berekeningen.
Het risico: Te kleine steekproeven kunnen leiden tot onnauwkeurige schattingen van $R$ , wat op zijn beurt de betrouwbaarheid van epidemische voorspellingen en beleidsbeslissingen ondermijnt.
De uitdaging: Traditionele steekproefbepalingen (gebaseerd op effectgrootte en significantieniveau) zijn niet direct toepasbaar op contactonderzoeken, omdat deze vaak observationeel zijn en complexe contactpatronen moeten karakteriseren in plaats van één specifieke hypothese te testen.

2. Methodologie

De auteurs hanteerden een tweeledige aanpak om de impact van steekproefomvang te kwantificeren:

A. Snelle review van huidige praktijken (2008-2025)

Zoekopdracht: PubMed-search voor Engelstalige artikelen over sociale contactenonderzoeken en infectieziekten.
Selectiecriteria: Primaire rapporten van menselijke contactdata met focus op infectieziekten.
Resultaat: Uit 57 studies werden 107 unieke contactonderzoeken geïdentificeerd.

B. Simulatie van steekproefomvang en impact op $R$
De auteurs gebruikten twee grote bestaande datasets om de sensitiviteit van epidemische metrics te testen:

POLYMOD: Een Europees onderzoek (8 landen, $N=7.290$ ) met leeftijdsgebonden contactmatrijzen.
UK Social Contact Survey (UKSCS): Een Brits onderzoek ( $N=5.861$ ) dat ook groepen van contacten rapporteerde.

Analyse-methode:

Er werden herhaalde substeekproeven getrokken uit de volledige datasets (van 100 tot de maximale omvang).
Per steekproefomvang werden 200 willekeurige steekproeven zonder teruglegging gegenereerd.
Berekeningen: Voor elke steekproef werden twee methoden toegepast om het reproductiegetal te schatten:
1. Dominante eigenwaarde: Afgeleid van de leeftijdsgebonden contactmatrijs (POLYMOD-methode).
2. Som van gekwadrateerde individuele $R$ ( $R^2$ ): Gebruikt voor UKSCS-data (zonder leeftijdsinformatie van contacten).
Statistieken: Er werden gemiddelden, standaardafwijkingen (S.D.), bereiken en de Kolmogorov-Smirnov (KS) statistiek berekend om de distributieverschillen te meten ten opzichte van een referentiesteekproef van 5.000 personen.

3. Belangrijkste Resultaten

A. Huidige steekproefgroottes

De steekproefgroottes in de geanalyseerde studies varieerden enorm: van 30 tot meer dan 10.000 deelnemers.
De mediaan steekproefomvang was 1.438 deelnemers.
Een kwart van alle onderzoeken had minder dan 1.000 deelnemers.

B. Impact op de precisie van $R$
De simulaties toonden aan dat de precisie van de schattingen sterk afhankelijk is van de steekproefomvang:

Onder de 200 deelnemers: Er is sprake van extreme variabiliteit.
- Bij de eigenwaarde-methode varieerde $R$ tussen 0,87 en 1,3.
- Bij de $R^2$ -methode varieerde $R$ extreem (0 tot 6,8).
De "knie" in de curve: De grootste winst in precisie (vermindering van standaardafwijking) wordt behaald tot ongeveer 1.300 deelnemers.
Boven de 3.000 deelnemers: De toename in precisie is marginaal; er worden slechts kleine verbeteringen behaald ten opzichte van de 1.300-grens.
KS-statistiek: De verschillen in distributies ten opzichte van de volledige dataset bleven significant tot ongeveer 1.100–1.200 deelnemers.

C. Vergelijking methoden

De eigenwaarde-methode (POLYMOD) leverde consistent lagere onzekerheid op dan de $R^2$ -methode (UKSCS), waarschijnlijk door de gebruikte leeftijdsgebonden matrijzen die variatie "gladstrijken".
Voor fijnmazigere modellen (kleinere leeftijdsgroepen dan 10 jaar) zijn grotere steekproeven nodig dan voor de 10-jaarsbanden.

4. Kernbijdragen en Aanbevelingen

Praktische richtlijn: De auteurs stellen een minimale steekproefomvang van ongeveer 1.200 tot 1.300 deelnemers voor als voldoende voor algemeen gebruik in epidemische modellering.
Kostenefficiëntie: Het verhogen van de steekproefomvang boven de 3.000 is vaak niet kosteneffectief gezien de geringe extra winst in precisie.
Rapportage: Het is essentieel dat steekproefomvang en de bijbehorende onzekerheid standaard worden gerapporteerd in publicaties over contactonderzoeken.
Interpretatie: Epidemische voorspellingen gebaseerd op onderzoeken met minder dan 1.000 deelnemers moeten met grote voorzichtigheid worden geïnterpreteerd.

5. Betekenis en Implicaties

Deze studie vult een cruciale lacune in de epidemiologische literatuur op door een kwantitatieve basis te bieden voor het ontwerp van sociale contactenonderzoeken.

Beleidsondersteuning: Het helpt beleidsmakers en onderzoekers om de betrouwbaarheid van vroege indicatoren (zoals $R$ ) tijdens pandemieën beter in te schatten.
Voorbereiding: Het stelt landen in staat om hun surveillance-systemen te optimaliseren: genoeg deelnemers werven voor betrouwbare data, maar niet meer dan nodig om respondentenlast en kosten te beperken.
Kwaliteit: Het benadrukt dat meer data niet altijd beter is als de steekproefomvang onder de kritische drempel ligt, en dat de kwaliteit van de data (bijv. onderrepresentatie van specifieke groepen) niet alleen door grotere aantallen kan worden opgelost.

Conclusie: Voor betrouwbare epidemische modellering en publieke gezondheidsbeslissingen is een gestandaardiseerde minimumsteekproefomvang van ca. 1.300 personen noodzakelijk om de onzekerheid in het reproductiegetal acceptabel laag te houden.