Experten: Epidemiologen sollten von Klimaforschern lernen

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

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

So nützlich wie solche Modelle wie das Computermodell Covid.Sim Um die Wirksamkeit von Eindämmungsmaßnahmen beurteilen zu können, weisen sie jedoch eine ähnliche Schwäche auf wie Klimamodelle: Da die Berechnungen stark 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 Researchsquare-Preprint-Plattform veröffentlicht hatten veröffentlichtzeigt, wie empfindlich Covid-Sim auf kleine Änderungen seiner Eingaben 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 übertragen werden kann; die Wirksamkeit der sozialen Distanzierung; und wie lange eine Person nach einer Infektion in Isolation gerät.

Um die Sensitivität des Modells besser quantifizieren zu können, empfahlen die Forscher den Epidemiologen, statistische Methoden zu verwenden, die auch bei der Bewertung von Klimamodellen verwendet werden: Dort werden während der Simulationen systematisch kleine Änderungen der Ausgangsbedingungen und -parameter durchgeführt, und die Die Gesamtheit der Ergebnisse wird statistisch ausgewertet. Um den Rechenaufwand 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 ansteckender Krankheiten mit einem Satz gekoppelter Differentialgleichungen mathematisch beschrieben werden. Die einzelnen Gleichungen geben die zeitliche Veränderung von Personen an, die für das Virus anfällig (S) sind, sich infiziert haben (I) und sich dann entweder erholen (R) oder sterben – und das Virus nicht weiter verbreiten. 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 unterteilen Menschen in kleinere Gruppen – nach Alter, Geschlecht, Gesundheitszustand, Beruf, Anzahl der Kontakte usw. Viele der Parameter können jedoch nur geschätzt werden. Zum Beispiel gingen die Modellierer 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 zeigen, das Virus 4,6 Tage nach der Infektion weiter verbreiten würden.

(wst)