Developing Estimating Incidences of Foodborne Diseases: Probabilistic Profiling Modelling
Deze studie heeft een robuust probabilistisch modelleringskader ontwikkeld en gevalideerd, aangepast naar de principes van de WHO-enveloppe, om de incidentie van belangrijke door voedsel overgedragen ziekten in Saoedi-Arabië nauwkeurig te schatten met behulp van beperkte surveillancegegevens, om zo op bewijs gebaseerde besluitvorming in de publieke gezondheidszorg te ondersteunen.
Oorspronkelijk artikel gelicentieerd onder CC BY 4.0 (https://creativecommons.org/licenses/by/4.0/). Dit is een AI-gegenereerde uitleg van het onderstaande artikel. Het is niet geschreven of goedgekeurd door de auteurs. Raadpleeg het oorspronkelijke artikel voor technische nauwkeurigheid. Lees de volledige disclaimer
Stel je de wereld van voedselveiligheid voor als een enorme, drukke keuken waar elke dag miljoenen maaltijden worden geserveerd. Soms sluipen onzichtbare boefjes, zoals minuscule bacteriën, het eten binnen, waardoor mensen ziek worden. Wat wetenschappers "voedselgerelateerde ziekten" noemen. Lange tijd hadden gezondheidsfunctionarissen een lastig probleem: ze kunnen alleen de mensen tellen die daadwerkelijk naar een ziekenhuis lopen of een arts vertellen dat ze ziek zijn. Maar hoe zit het met de miljoenen die buikpijn krijgen, thuisblijven, wat soep eten en het nooit melden? Het is alsof je probeert te raden hoeveel vissen er in een meer zitten door alleen de vissen te tellen die op de steiger springen. Om dit op te lossen, gebruiken wetenschappers "modellen", wat in feite slimme computersimulaties zijn die fungeren als een kristallen bol. Ze nemen de weinige vissen die ze kunnen zien en gebruiken wiskunde om te raden hoeveel er onder water schuilgaan. Dit artikel gaat over het bouwen van een betere, nauwkeurigere kristallen bol voor Saoedi-Arabië om het werkelijke aantal mensen te achterhalen die ziek worden van slecht voedsel, zelfs als ze nooit iets laten horen.
Het team achter dit onderzoek, onder leiding van onderzoekers van de Saudi Food and Drug Authority (SFDA) en de Princess Nourah bint Abdulrahman Universiteit, besloot een nieuw soort "probabilistisch profileringsmodel" te bouwen. Denk aan dit model als een super slimme detective die niet alleen naar de plaats delict kijkt (de gerapporteerde gevallen), maar ook probeert het hele verhaal van het misdrijf te begrijpen, inclusief de delen die niemand heeft gezien. Ze gebruikten een methode genaamd de "envelope approach", wat zoiets is als het trekken van een enorme doos rondom alle mogelijke gevallen. Binnen deze doos combineerden ze twee soorten aanwijzingen: het werkelijke aantal zieke mensen dat tussen 2015 en 2018 in Riyad werd gerapporteerd, en grote wereldwijde schattingen van de Wereldgezondheidsorganisatie (WHO) over hoe vaak verschillende bacteriën problemen veroorzaken.
De onderzoekers richtten zich op vier specifieke "daders": Salmonella, Shigella, Staphylococcus aureus en Bacillus cereus. Ze lieten hun computersimulatie 10.000 keer draaien (een proces dat Monte Carlo-simulatie wordt genoemd) om te zien hoe de cijfers zouden wiebelen en veranderen. Het is als het 10.000 keer gooien van een dobbelsteen om de meest waarschijnlijke uitkomst te zien, in plaats van slechts één keer te gokken. Het doel was om het totale aantal zieke mensen te schatten, inclusief de "stille" gevallen die nooit gerapporteerd zijn.
De resultaten waren zeer veelbelovend. Het model suggereerde dat er in Saoedi-Arabië eigenlijk ongeveer 2,63 miljoen gevallen van voedselgerelateerde ziekten zijn per jaar. Dat is een enorm aantal! De officiële rapporten vatten echter slechts een fractie daarvan op. Bijvoorbeeld, in de stad Riyad voorspelde het model dat Salmonella ongeveer 62 gerapporteerde gevallen per jaar zou veroorzaken, terwijl de werkelijke registers 70 lieten zien. Voor Shigella voorspelde het model 36 gevallen, terwijl de registers er 37 lieten zien. Voor Staphylococcus aureus kwamen zowel het model als de registers perfect overeen met 3 gevallen. De enige die een beetje lastiger was, was Bacillus cereus, waarbij het model 0,3 gevallen voorspelde (wat betekent dat er minder dan één geval per jaar gemiddeld is) vergeleken met de geregistreerde 0,25. Het verschil tussen de gok van het model en de werkelijke registers was erg klein—meestal minder dan 11% voor de belangrijkste bacteriën.
De auteurs suggereren dat hun nieuwe model een betrouwbaar hulpmiddel is voor het schatten van de werkelijke last van voedselgerelateerde ziekten, zelfs wanneer gegevens schaars zijn. Ze ontdekten dat de voorspellingen van het model heel dicht bij wat er daadwerkelijk werd waargenomen lagen, met een "bias factor" van 1,015, wat praktisch perfect is (een score van 1 betekent dat de gok exact juist is). Dit suggereert dat het model het gevaar niet extreem overschat of onderschat. Ze merkten echter ook op dat voor Bacillus cereus de cijfers wat onzekerder waren omdat er zo weinig gevallen waren om naar te kijken, wat het moeilijker maakte om precies te zijn.
Waarom is dit belangrijk? Het artikel betoogt dat dit model gezondheidsfunctionarissen helpt om de "ijsberg" van voedselgerelateerde ziekten te zien. De top van de ijsberg is wat we in de rapporten zien, maar de enorme brok onder water is de niet-gerapporteerde ziekte. Door dit computermodel te gebruiken, kunnen instanties zoals de SFDA slimmere beslissingen nemen over waar ze inspecteurs naartoe moeten sturen en hoe ze het publiek kunnen beschermen. De auteurs concluderen dat hoewel dit model goed werkt voor de gegevens die zij hadden, het getest moet worden in andere regio's en met meer soorten bacteriën voordat het de standaardtool voor iedereen wordt. Het is een sterke stap voorwaarts, maar het werk is nog niet af.
Verdrinkt u in papers in uw vakgebied?
Ontvang dagelijkse digests van de nieuwste papers die bij uw onderzoekswoorden passen — met technische samenvattingen, in uw taal.