Preparing for the next pandemic takes more than better models: expert consensus recommendations for infectious disease modelling

Wanneer een nieuwe ziekte begint te verspreiden, moeten overheden weten hoe snel deze zal bewegen, waar het als volgende zal toeslaan en welke acties het zullen stoppen. Om deze vragen te beantwoorden, bouwen wetenschappers wiskundige modellen. Dit zijn geen kristallen bollen die de toekomst met zekerheid voorspellen; het zijn eerder gestructureerde manieren van denken over hoe een virus zich zou kunnen gedragen onder verschillende omstandigheden. Stel je een model voor als een complexe kaart die laat zien welke mogelijke routes een reiziger kan nemen, gebaseerd op de beschikbare wegen en de verwachte weersomstandigheden. Als de kaart is getekend met slechte gegevens of verborgen aannames, kan de reiziger een verkeerde afslag nemen. Decennialang hebben deze modellen functionarissen geholpen bij het beheersen van uitbraken, van mond-en-klauwziekte bij vee tot de wereldwijde verspreiding van influenza. De recente pandemie heeft echter onthuld dat het bezitten van betere kaarten niet genoeg is. De echte uitdaging ligt in hoe de kaarten worden getekend, hoe de gegevens die ze voeden worden gedeeld, en hoe de resultaten worden uitgelegd aan de mensen die beslissingen over leven of dood moeten nemen.

Een grote groep experts is nu samengekomen om precies te definiëren hoe infectieziektemodellering moet werken om het meest nuttig te zijn. Onder leiding van onderzoekers van de Universiteit van Lübeck bracht dit team 41 specialisten op het gebied van wiskunde, volksgezondheid en sociale wetenschappen samen van universiteiten en onderzoeksinstituten over de hele wereld. Ze voerden niet simpelweg discussies over welke vergelijkingen het beste waren. In plaats daarvan voerden ze een rigoureus proces uit om tot overeenstemming te komen over de spelregels. Eerst bekeken ze honderden eerdere studies om te zien welke problemen wetenschappers eerder waren tegengekomen. Daarna hielden ze een reeks van vier rondes van discussie en stemming, waarbij ze hun ideeën verfijnden totdat iedereen instemde met een definitieve set van veertig aanbevelingen. Het doel was om een gedeelde standaard te creëren die modellering betrouwbaarder, transparanter en klaar voor de volgende noodsituatie zou maken.

De meest opvallende bevinding van dit werk is dat de experts bijna perfect overeenstemming bereikten over veertig specifieke stellingen. Drieëndertig hiervan ontvingen de hoogst mogbare waardering, wat betekent dat het gehele panel hen als essentieel beschouwde. De consensus ging echter niet over het bouwen van een specifiek type model. In plaats daarvan richtte de sterkste consensus zich op de omstandigheden rondom het model: de gegevens die het gebruikt, de manier waarop het wordt gerapporteerd, en de mensen die ermee werken. Het panel concludeerde dat een modelleringsgroep deze problemen niet alleen kan oplossen. Hoewel wetenschappers kunnen beslissen hoe ze hun code schrijven of hoe ze hun onzekerheid uitleggen, kunnen zij niet op eigen kracht publieke gegevenssystemen creëren, internationale verdragen over gegevensdeling onderhandelen of langdurige financiering veiligstellen. Deze taken vereisen dat overheden, financieringsinstanties en beleidsadviseurs handelen tussen pandemieën in, en niet alleen tijdens.

De experts identificeerden dat de grootste hindernissen vaak praktisch van aard zijn in plaats van wiskundig. Voor een model om accuraat te zijn, heeft het tijdige gegevens nodig die gemakkelijk toegankelijk zijn en duidelijk zijn gelabeld met hun beperkingen. Momenteel komen gegevens vaak laat binnen, zitten ze achter ingewikkelde barrières, of komen ze in formaten die computers niet automatisch kunnen lezen. Het panel drong erop aan dat gegevens beschikbaar moeten zijn via open, machineleesbare systemen met duidelijke documentatie. Ze benadrukten ook de noodzaak van grensoverschrijdende overeenkomsten, zodat gegevens tijdens een crisis vrij tussen landen kunnen stromen. Zonder deze fundamenten zal zelfs het meest geavanceerde model moeite hebben om bruikbare begeleiding te bieden. De groep benadrukte ook dat modellen transparant moeten zijn. Dit betekent dat wetenschappers duidelijk moeten vermelden welke aannames zij hebben gemaakt, hun code en gegevens moeten delen zodat anderen hun werk kunnen controleren, en de grenzen van hun voorspellingen moeten uitleggen.

Nog een ander cruciaal punt van overeenstemming was hoe men over onzekerheid spreekt. In het verleden werden modellen soms behandeld als orakels die de exacte toekomst konden voorspellen. Het panel verduidelijkte dat modellen instrumenten zijn om mogelijkheden te verkennen, niet om het lot te voorspellen. Een model kan laten zien dat een virus zich snel kan verspreiden als er geen actie wordt ondernomen, maar als functionarissen strikte maatregelen implementeren, kan die snelle verspreiding uitblijven. Dit betekent niet dat het model faalde; het betekent dat het model succesvol een scenario heeft verkend dat werd vermeden. De experts voerden aan dat wetenschappers duidelijk onderscheid moeten maken tussen een prognose van wat er zal gebeuren en een scenario van wat er zou kunnen gebeiden onder specifieke omstandigheden. Ze waren het er ook over eens dat onzekerheid in bereiken moet worden gecommuniceerd, waarbij een spectrum van mogelijke uitkomsten wordt getoond, in plaats van als een enkel, precies getal dat een vals gevoel van nauwkeurigheid geeft.

De studie benadrukte ook dat de mensen die deze modellen bouwen, vaak geïsoleerd werken van de mensen die ze gebruiken. Het panel adviseerde het creëren van permanente rollen die deze kloof overbruggen, waarbij experts complexe modelresultaten kunnen vertalen naar duidelijk advies voor beleidsmakers. Ze merkten ook op dat modellen vaak kwetsbare groepen over het hoofd zien of er niet in slagen rekening te houden met hoe menselijk gedrag verandiment verandert tijdens een crisis. Om dit op te lossen, riepen de experts op tot modellen die diverse populaties bevatten en voor de integratie van inzichten uit de sociale wetenschappen. Ze erkenden echter dat het toevoegen van te veel complexiteit een model moeilijk bruikbaar kan maken, dus moet de juiste balans worden gevonden op basis van de specifieke vraag die gesteld wordt.

Ondanks de hoge mate van overeenstemming erkende het panel aanzienlijke beperkingen in hun werk. De experts kwamen bijna volledig uit hogere inkomenslanden en academische omgevingen. Dit betekent dat hun aanbevelingen de middelen en structuren weerspiegelen die in die regio's beschikbaar zijn, die mogelijk niet aanwezig zijn in lage- en middeninkomenslanden waar de volgende pandemie zou kunnen toeslaan. De groep gaf toe dat hun lijst met prioriteiten uitgaat van een functionerende overheid en gezondheidszorg, wat niet altijd het geval is. Ze merkten ook op dat hun studie de politieke realiteiten niet volledig heeft geadresseerd die vaak voorkomen dat goed advies wordt opgevolgd, noch heeft het diepgaand de economische kosten van verschillende interventies onderzocht.

Uiteindelijk concludeert het artikel dat het voorbereiden op de volgende pandemie meer vereist dan alleen betere wiskunde. Het vereist het opbouen van de instituties en de infrastructuur die modellen effectief laten werken. De experts boden tien specifieke prioriteiten aan voor de tijd tussen uitbraken in, zoals het opzetten van interoperabele gegevenssystemen, het creëren van permanente interdisciplinaire teams en het veiligstellen van duurzame financiering. Ze voerden aan dat wachten tot een crisis begint om deze problemen op te lossen, te laat is. De aanbevelingen worden gepresenteerd als een startpunt voor een wereldwijde conversatie, niet als een definitieve oplossing. Door nu over deze standaarden overeenstemming te bereiken, hopen de wetenschappelijke gemeenschap dat wanneer de volgende dreiging zich voordoet, de beschikbare instrumenten om deze te bestrijden robuust, duidelijk en klaar zijn om de publieke zaak te dienen.