In een recente studie hebben onderzoekers van het Imperial College London een model ontwikkeld om het effect te evalueren van verschillende maatregelen die worden gebruikt om de verspreiding van het Coronavirus te beteugelen. Het model heeft echter fundamentele tekortkomingen en kan niet worden gebruikt om de gepubliceerde conclusies te trekken, beweren Zweedse wetenschappers aan de Lund Universiteit, en andere instellingen, in het tijdschrift Nature.
Video – Drie redenen waarom wiskundige modellen de verspreiding van het Coronavirus niet konden voorspellen:
De bevindingen van Imperial toonden aan dat het de bijna volledige sociale afsluitingen was die de besmettingsgolf in Europa in het voorjaar onderdrukte.
De studie schatte de effecten in van verschillende maatregelen zoals sociale distantie, zelfisolatie, het sluiten van scholen, het verbieden van publieke evenementen en de lockdown zelf.
Aangezien de maatregelen op ongeveer hetzelfde tijdstip in maart in enkele weken werden ingevoerd, bevatten de gebruikte sterftecijfers gewoonweg niet genoeg informatie om de individuele effecten ervan te onderscheiden. We hebben dit aangetoond door een wiskundige analyse uit te voeren. Op basis hiervan hebben we vervolgens simulaties uitgevoerd met behulp van de oorspronkelijke code van het Imperial College om te illustreren hoe de gevoeligheid van het model tot onbetrouwbare resultaten leidt, legt Kristian Soltesz, professor in automatische besturing aan de Universiteit van Lund en eerste auteur van het artikel, uit.
In Zweden bood het model een heel andere maatregel als verklaring voor de vermindering – een maatregel die in de andere landen bijna niet effectief bleek te zijn. Het leek bijna te mooi om waar te zijn dat een effectieve lockdown in elk land werd ingevoerd, behalve in één, terwijl een andere maatregel in dit land bijzonder effectief bleek te zijn, merkt Soltesz op.
Soltesz wijst erop dat het geheel aannemelijk is dat individuele maatregelen effect hebben gehad, maar dat het model niet kon worden gebruikt om te bepalen hoe effectief ze waren.
De verschillende interventies lijken niet los van elkaar te werken, maar zijn vaak afhankelijk van elkaar. Een gedragsverandering als gevolg van de ene interventie beïnvloedt het effect van andere interventies. Hoeveel en op welke manier is moeilijker te bepalen en vraagt om verschillende vaardigheden en samenwerking, zegt Anna Jöud, universitair hoofddocent epidemiologie aan de Lund University en co-auteur van het onderzoek.
Analyses van modellen van onder andere het Imperial College wijzen volgens de auteurs op het belang van de herziening van epidemiologische modellen.
Er is een belangrijke focus in het debat over gegevensbronnen en hun betrouwbaarheid, maar een bijna totaal gebrek aan systematische herziening van de gevoeligheid van verschillende modellen in termen van parameters en gegevens. Dit is net zo belangrijk, vooral wanneer regeringen over de hele wereld dynamische modellen gebruiken als basis voor beslissingen, wijzen Soltesz en Jöud erop.
De eerste stap is het uitvoeren van een correcte analyse van de gevoeligheden van het model. Als ze een te groot probleem vormen, is er behoefte aan meer betrouwbare gegevens, vaak in combinatie met een minder complexe modelstructuur.
Wanneer er veel op het spel staat, is het raadzaam om deemoedig te zijn in het licht van fundamentele beperkingen [en beslissingen]. Dynamische modellen zijn bruikbaar zolang ze rekening houden met de onzekerheid van de aannames waarop ze zijn gebaseerd en de gegevens waaruit ze zijn afgeleid. Als men dat niet doet, zullen de resultaten overeenkomen met de aannames of gissingen [van de programmeurs en hun klanten], concludeert Soltesz.
