Experten: Epidemiologen sollten von Klimaforschern lernen
Die Analyse eines populären Modells zur Ausbreitung von COVID-19 zeigt eine starke Abhängigkeit von den Modellparametern, warnen Wissenschaftler.
(Bild: Photo by Chloe Evans on Unsplash)
Die Zahlen aus dem Computer-Modell Covid-Sim sollen den britischen Premierminister Boris Johnson im März dazu veranlasst haben, eine scharfe politische Kehrtwende zu vollziehen.
Das Modell von Neil Ferguson und Kollegen am Imperial College London prognostizierte 500.000 Corona-Tote in Großbritannien, falls die Regierung keine geeigneten Gegenmaßnahmen ergreifen würde.
So nützlich solche Modelle wie das Computer-Modell Covid.Sim auch sind, um die Wirksamkeit von Eindämmungsmaßnahmen beurteilen zu können, haben sie jedoch eine ähnliche Schwäche wie Klimamodelle: Da die Berechnungen hochgradig nichtlinear sind, können die Ergebnisse in Abhängigkeit von den verwendeten Parametern und den Input-Daten stark streuen. Peter Convey und Kollegen analysierten daher die Sensitivität des Modells im Auftrag der Londoner Royal Society. Das Ergebnis, das sie Anfang November zunächst auf der Preprint-Plattform Researchsquare veröffentlichten, zeigt, wie empfindlich Covid-Sim auf kleine Änderungen seiner Inputs reagiert.
WIe empfindlich ist das Modell?
Das Team von Coveney fand 940 Parameter im Covid-Sim-Code, von denen 19 das Ergebnis am stärksten beeinflussten. Bis zu zwei Drittel der Unterschiede in den Ergebnissen des Modells ließen sich auf Veränderungen bei drei Schlüsselvariablen zurückführen: die Länge der Latenzzeit, während der eine infizierte Person keine Symptome hat und das Virus nicht weitergeben kann; die Wirksamkeit der sozialen Distanzierung; und wie lange eine Person nach ihrer Infektion in die Isolation geht.
Um die Empfindlichkeit des Modells besser zu quantifizieren empfahlen die Forscher den Epidemiologen, statistische Methoden anzuwenden, die auch bei der Beurteilung von Klimamodellen angewandt werden: Dort werden bei Simulationen systematisch kleine Änderungen in den Startbedingungen und Parametern durchgeführt, und die Gesamtheit der Ergebnisse statistisch ausgewertet. Um den Rechenaufwand beherrschbar zu machen, werden die Modelle zu diesem Zweck meist vereinfacht - was Convey und Mitstreiter auch für die Covid-Simulationen empfehlen.
Statische Grundannahmen
Denn ähnlich wie bei physikalischen Klimamodellen lässt sich die Ausbreitung von ansteckenden Krankheiten mathematisch mit einem Satz gekoppelter Differentialgleichungen beschreiben. Die einzelnen Gleichungen geben die zeitliche Änderung von Personen an, die anfällig (S) für das Virus sind, sich infiziert haben (I) und sich dann entweder wieder erholen (R) oder sterben - und das Virus nicht weiter verbreiten. Solche Modelle werden daher auch SIR-Modelle genannt.
Die einfachsten SIR-Modelle gehen von recht statischen Grundannahmen aus, wie beispielsweise dass jeder die gleiche Chance hat, sich bei einer infizierten Person mit dem Virus anzustecken, weil die Bevölkerung perfekt und gleichmäßig gemischt ist. Realistischere Modell unterteilen die Menschen in kleinere Gruppen - nach Alter, Geschlecht, Gesundheitszustand, Beschäftigung, Anzahl der Kontakte usw. Viele der Parameter können aber nur geschätzt werden. So gingen die Modellierer vom Imperial College für ihre Studie um März beispielsweise davon aus, dass 0,9% der mit COVID-19 infizierten Menschen sterben würden und dass Personen, die keine Symptome zeigen, das Virus noch 4,6 Tage nach der Infektion verbreiten können.
(wst)
