De volgende Ebola is moeilijk te voorspellen, maar "Outbreak Forecasting" kan helpen

Een 2-jarige jongen op het platteland van Guinee stierf in december 2014 aan ebola. De komende twee jaar zouden bijna 30.000 mensen in West-Afrika besmet zijn met het ebolavirus.

Waarom is deze, in tegenstelling tot de vorige 17 Ebola-uitbraken, zo snel zo groot geworden? Wat kan er gedaan worden om toekomstige uitbraken te voorkomen? Deze vragen, samen met vele anderen, vormen de kern van het ontluikende wetenschappelijke gebied van het voorspellen van de uitbraak. En de inzet kan niet hoger zijn. In januari noemde het World Economic Forum pandemieën een van de grootste risico's voor het bedrijfsleven en het menselijk leven.

Gedurende de laatste paar eeuwen zijn wetenschappers steeds beter in het voorspellen van vele aspecten van de wereld, inclusief de baan van planeten, de eb en vloed van getijden en de paden van orkanen. Het vermogen om natuurlijke en fysieke systemen goed te begrijpen om nauwkeurige voorspellingen te doen, is misschien een van de grootste prestaties van de mensheid.

Veel van dit succes bij het voorspellen begint met het fundamentele inzicht van Isaac Newton dat er onveranderlijke universele wetten zijn die de natuurlijke fenomenen om ons heen beheersen. Het vermogen om snel grote berekeningen uit te voeren, heeft het Newtoniaanse perspectief bevorderd dat, gegeven voldoende gegevens en rekenkracht, de meest complexe verschijnselen kunnen worden voorspeld.

Er zijn echter grenzen. Als wetenschappers die dit soort voorspellende systemen bestuderen, betwijfelen we of het precies mogelijk zal zijn om precies te voorspellen wat er vervolgens zal gebeuren in een uitbraak van een ziekte, omdat de belangrijkste variabelen zo kunnen veranderen van de ene uitbraak naar de andere.

Dit is de reden waarom, net als bij weersvoorspellingen, het verzamelen van realtime gegevens waarschijnlijk essentieel is voor het verbeteren van het vermogen van de wetenschappelijke gemeenschap om uitbraken te voorspellen.

Capricious Epidemics

Het idee dat wetenschappers epidemieën kunnen modelleren is gebaseerd op het idee dat het traject van elke uitbraak voorspelbaar is vanwege zijn intrinsieke en onveranderlijke eigenschappen.

Stel dat een ziekte wordt veroorzaakt door een overdraagbare ziekteverwekker. De besmettelijkheid van die ziekte kan worden ingekapseld in een aantal dat de "basale reproductieve ratio" wordt genoemd, of R0, een getal dat beschrijft hoe wijdverspreid een pathogeen zich waarschijnlijk in een bepaalde populatie zal verspreiden.

Als epidemiologen genoeg weten over de R0 van een pathogeen, hopen ze dat ze aspecten van de volgende uitbraak kunnen voorspellen - en hopelijk voorkomen dat kleinschalige uitbraken grootschalige epidemieën worden. Ze kunnen dit doen door middelen te mobiliseren naar gebieden waar ziekteverwekkers vooral hoge R0-waarden hebben. Of ze kunnen de interacties tussen de dragers van de ziekte en de meest gevoelige leden van een bepaalde samenleving, vaak kinderen en ouderen, beperken.

Op deze manier wordt R0 geïnterpreteerd als een onveranderlijk getal. Maar moderne studies tonen aan dat dit niet het geval is.

Overweeg bijvoorbeeld de epidemie van het Zika-virus. Voor deze ziekte varieerde R0 van 0,5 tot 6,3. Dit is een opmerkelijke periode, variërend van een ziekte die vanzelf zal verdwijnen, tot een ziekte die op de lange termijn tot een epidemie zal leiden.

Je zou kunnen denken dat dit brede bereik van R0-waarden voor Zika voortkomt uit statistische onzekerheid - dat wetenschappers wellicht meer gegevens nodig hebben. Maar dat zou grotendeels onjuist zijn. Voor Zika leiden talloze factoren, van klimaat en muggen tot de aanwezigheid van andere gerelateerde virussen zoals Dengue en de rol van seksuele overdracht, allemaal tot verschillende R0-waarden in verschillende omgevingen.

Het blijkt dat de kenmerken van een epidemie - de besmettelijkheid van de ziekteverwekker, de overdrachtssnelheid, de beschikbaarheid van vaccins, enzovoort - zo snel veranderen tijdens een enkele uitbraak dat wetenschappers de dynamiek alleen kunnen voorspellen in de loop van die uitbraak. Met andere woorden, het bestuderen van de uitbraak van het Ebola-virus in april 2014 kan wetenschappers helpen om een ​​ebola-uitbraak in dezelfde omgeving de volgende maand te begrijpen, maar het is vaak veel minder nuttig voor het begrijpen van de dynamiek van toekomstige Ebola-epidemieën, zoals degene die is gebeurd in mei 2018.

Epidemieën zijn vaak geen nette en gebundelde verschijnselen. Het zijn lawaaierige gebeurtenissen waarbij veel variabelen essentieel zijn, maar verschuivende rollen. Er is geen onderliggende waarheid van de ziekte - alleen een onstabiele verzameling van details die variëren, vaak verstrikt raken, terwijl de ziekte zich verspreidt.

Betere voorspellingen

Als wetenschappers er geen vertrouwen in hebben, kunnen ze epidemiologische systemen goed genoeg begrijpen om het gedrag van verwante te voorspellen, waarom zou je ze bestuderen?

Het antwoord zou kunnen zitten in wat we een "zachte fysica" van voorspelling noemen: wetenschappers zouden moeten stoppen met de veronderstelling dat elke uitbraak dezelfde regels volgt. Bij het vergelijken van de ene uitbraak met de andere, moeten ze rekening houden met alle contextuele verschillen tussen hen.

Biologen hebben bijvoorbeeld veel details over influenza-infecties blootgelegd. Ze weten hoe de virussen binden aan gastheercellen, hoe ze zich vermenigvuldigen en hoe ze resistentie tegen antivirale geneesmiddelen ontwikkelen. Maar één epidemie is mogelijk begonnen toen een grote bevolking op een bepaalde dag van de maand het openbaar vervoer gebruikte, terwijl een andere door een congregatie van een religieuze dienst in gang werd gezet. Hoewel beide uitbraken zijn geworteld in hetzelfde besmettelijke agens, betekenen deze en vele andere verschillen in hun bijzonderheden dat wetenschappers mogelijk opnieuw moeten formuleren hoe zij het verloop van elk van hen modelleren.

Om deze gegevens beter te begrijpen, hebben wetenschappers aanzienlijke investeringen nodig in realtime gegevens. Bedenk dat de National Weather Service meer dan $ 1 miljard per jaar besteedt aan het verzamelen van gegevens en het maken van voorspellingen. Het CDC besteedt slechts een kwart minder aan volksgezondheidsstatistieken en heeft geen specifiek budget voor prognoses.

Ziektesurveillance blijft een van de gebieden met de hoogste inzet van de wetenschap. Een zorgvuldige afweging van unieke omstandigheden ten grondslag aan uitbraken en een meer verantwoorde verzameling van gegevens kan duizenden levens redden.

Dit artikel is oorspronkelijk gepubliceerd op The Conversation van C. Brandon Ogbunu, Randall Harp en Samuel V. Scarpino. Lees hier het originele artikel.