Experten: Epidemiologen müssen von Klimaforschern lernen

Die Zahlen des Covid-Sim-Computermodells sollen den britischen Premierminister Boris Johnson im März zu einer scharfen politischen Wende veranlasst haben.

Das Modell von Neil Ferguson und Kollegen vom Imperial College London prognostiziert 500.000 Todesfälle durch Korona in Großbritannienwenn die Regierung keine angemessenen Gegenmaßnahmen ergriffen hat.

So nützlich wie Modelle wie das Computermodell Covid.Sim Um die Wirksamkeit von Kontrollen beurteilen zu können, weist es jedoch eine ähnliche Schwäche wie Klimamodelle auf: Da die Berechnungen sehr nichtlinear sind, können die Ergebnisse in Abhängigkeit von den verwendeten Parametern und den Eingabedaten stark variieren. Peter Convey und Kollegen analysierten daher im Auftrag der London Royal Society die Sensitivität des Modells. Das Ergebnis, das sie ursprünglich Anfang November auf der Preprint-Plattform von Researchsquare veröffentlicht hatten veröffentlichtzeigt, wie empfindlich Covid-Sim auf kleine Änderungen in seiner Eingabe reagiert.

Wie empfindlich ist das Modell?

Das Coveney-Team fand 940 Parameter im Covid-Sim-Code, von denen 19 den größten Einfluss auf das Ergebnis hatten. Bis zu zwei Drittel der Unterschiede in den Modellergebnissen waren auf Änderungen in drei Schlüsselvariablen zurückzuführen: die Länge der Latenzzeit, in der eine infizierte Person keine Symptome aufweist und das Virus nicht vergehen kann; die Wirksamkeit der sozialen Distanz; und wie lange eine Person nach einer Infektion in Isolation gerät.

Um die Sensitivität des Modells besser zu quantifizieren, empfahlen die Forscher den Epidemiologen, statistische Methoden zu verwenden, die auch bei der Bewertung von Klimamodellen verwendet werden: Es gibt kleine Änderungen der Anfangsbedingungen und Parameter, die systematisch während der Simulationen durchgeführt werden, sowie der Gesamtzahl der Ergebnisse werden statistisch ausgewertet. Um den Computeraufwand überschaubar zu machen, werden die Modelle zu diesem Zweck größtenteils vereinfacht – was Convey und Kollegen auch für die Covid-Simulationen empfehlen.

Grundlegende statische Annahmen

Ähnlich wie bei physikalischen Klimamodellen kann die Ausbreitung von Infektionskrankheiten mathematisch mit einem Satz verknüpfter Differentialgleichungen beschrieben werden. Die einzelnen Vergleiche zeigen die zeitliche Veränderung von Menschen, die für das Virus anfällig sind, infiziert sind (I) und sich dann erholen (R) oder sterben – und das Virus verbreitet sich nicht weiter. Solche Modelle werden daher auch als SIR-Modelle bezeichnet.

Die einfachsten SIR-Modelle basieren auf ziemlich statischen Grundannahmen, z. B. dass jeder die gleiche Chance hat, sich mit dem Virus einer infizierten Person zu infizieren, da die Population perfekt und gleichmäßig gemischt ist. Realistischere Modelle teilen Menschen in kleinere Gruppen ein – nach Alter, Geschlecht, Gesundheitszustand, Beruf, Anzahl der Kontakte usw. Viele der Parameter können jedoch nur geschätzt werden. Zum Beispiel gingen die Modellarbeiter des Imperial College für ihre Studie um den März davon aus, dass 0,9% der mit COVID-19 infizierten Menschen sterben würden und dass Menschen, die keine Symptome zeigten, das Virus 4,6 Tage nach der Infektion bekommen würden würde sich ausbreiten. können.

(wst)