Impact of climate and acquired immunity on malaria burden in Senegal and The Gambia: an agent-based modeling study

Malaria is een ziekte die niet iedereen op dezelfde manier behandelt. Wanneer een mug die de parasiet draagt een mens bijt, hangt de uitkomst sterk af van hoe vaak die persoon eerder is gebeten. Gedurende een leven leert herhaalde blootstelling het lichaam om de infectie te bestrijden, maar deze bescherming wordt langzaam opgebouwd en is nooit perfect. Een jong kind, met weinig geschiedenis van blootstelling, zal waarschijnlijk ziek worden van een beet die een volwassene, die vele seizoenen van de ziekte heeft overleefd, misschien zou negeren. Deze bescherming is geen vast kenmerk; het is een verslag van een persoonlijke geschiedenis die gevormd wordt door de lokale omgeving. Omdat de muggen die malaria dragen water nodig hebben om zich voort te planten, bepaalt de hoeveelheid regen in een regio hoeveel muggen er zijn, wat op zijn beurt bepaalt hoe vaak mensen worden gebeten en hoe snel ze hun verdediging opbouwen.

Wetenschappers die deze ziekten bestuderen, gebruiken vaak computermodellen om te voorspellen hoeveel mensen ziek zullen worden en om te plannen hoe de verspreiding te stoppen. Lange tijd hebben deze modellen vertrouwd op een simplificerende aanname: ze behandelen de gehele populatie alsof iedereen precies hetzelfde gemiddelde niveau van bescherming heeft. In dit beeld krijgt een kind en een volwassene in hetzelfde dorp dezelfde immuunverdediging toegewezen, berekend als een middenweg voor de hele gemeenschap. Hoewel dit de wiskunde eenvoudiger maakt, negeert het de realiteit dat immuniteit een persoonlijke reis is. Als de modellen er niet over liegen wie wel en wie niet beschermd is, kunnen de plannen die erop gebaseerd zijn, de mensen missen die de meeste hulp nodig hebben.

Een team van onderzoekers zette zich in om te testen of deze veelvoorkomende simplificatie leidt tot significante fouten in het begrip van de ziektelast in Senegal en de Gambië. Hiervoor bouwden zij een nieuw soort computersimulatie genaamd VECTRI-ABM. In tegenstelling tot oudere modellen die de populatie als één blok behandelen, is dit nieuwe raamwerk een op een raster gebaseerd systeem dat een door klimaat gestuurde vectorcomponent koppelt aan een agent-gebaseerde representatie van de menselijke populatie, waarbij immuniteit op individueel niveau wordt opgelost. Het model volgt muggen aan de hand van klimaatgegevens en werd geëvalueerd tegen gerapporteerde entomologische inoculatiegraden, schattingen van de parasietgraad van het Malaria Atlas Project en bevestigde gevallen van het Nationaal Malaria Controle Programma van Senegal. De onderzoekers draaiden de simulatie over een groot gebied dat zich uitstrekt van de droge Sahel tot de nattere tropische zones, waardoor het volledige bereik van de klimaten die in Senegal en de Gambië voorkomen, werd gevangen.

Het team controleerde eerst hun nieuwe model tegen real-world data verzameld uit twee dorpen, Dielmo en Ndiop, waar wetenschappers meer dan een decennium lang zorgvuldig muggenbeten en malaria gevallen hebben geregistreerd. Zodra de simulatie overeenkwam met deze praktijkobservaties, draaiden de onderzoekers het tweemaal over de gehele regio. In de eerste run ontwikkelde elke virtuele persoon immuniteit op basis van hun eigen persoonlijke geschiedenis van beten. In de tweede run dwongen ze elke persoon om hetzelfde gemiddelde niveau van immuniteit te delen dat de hele gemeenschap bezit, wat de standaardbenadering nabootst die in de meeste huidige modellen wordt gebruikt. Door de twee runs te vergelijken, konden ze precies zien wat er verloren ging wanneer de individuele geschiedenissen werden gewist.

De resultaten toonden aan dat de standaardbenadering van het middelen van immuniteit een vertekend beeld van de ziekte creëert. Wanneer de onderzoekers het vereenvoudigde model gebruikten, onderschatten zij consequent hoeveel kinderen ziek werden, met name in de natste gebieden waar de muggen het meest talrijk zijn. Tegelijkertijd overschatte het vereenvoudigde model het aantal volwassenen die de parasiet bij zich droegen zonder symptomen te vertonen. Dit doet ertoe omdat publieke gezondheidsstrategieën vaak gericht zijn op specifieke groepen; als een model suggereert dat kinderen minder ziek zijn dan ze in werkelijkheid zijn, kunnen middelen worden weggeleid van de mensen die ze het hardst nodig hebben. De studie vond dat de fout die wordt geïntroduceerd door het middelen van immuniteit niet overal hetzelfde is; het hangt af van het lokale klimaat. In de regio's met de hoogste neerslag en de meest intense transmissie was de fout in het voorspellen van de last voor kinderen het grootst.

De studie identificeerde echter ook waar het eenvoudigere model nog goed werkt. Voor mensen ouder dan vijftien jaar kwamen de twee versies van de simulatie grotendeels overeen wat betreft het aantal klinische gevallen. Tegen die tijd hebben de meeste mensen in deze regio's voldoende immuniteit opgebouwd dat hun individuele geschiedenis er minder toe doet voor de voorspelling of ze ziek zullen worden. Het belangrijkste verschil bleef in de jongere populatie, waar de opbouw van bescherming nog in volle gang is. De onderzoekers concludeerden dat hoewel de eenvoudige, gemiddelde benadering voldoende kan zijn voor het begrijpen van de ziekte bij oudere volwassenen, het er niet in slaagt de werkelijke last voor kinderen te vatten, vooral in de natste delen van de regio. Dit suggereert dat om interventies nauwkeurig te plannen en de verspreiding van malaria te begrijpen, modellen rekening moeten houden met het feit dat immuniteit een persoonlijk verhaal is, en geen gemeenschappelijk gemiddelde.