Waarom waren er ineens veel meer IC-bedden nodig dan verwacht?

Waarom waren er ineens veel meer IC-bedden nodig dan verwacht?

april 14, 2020 0 Door admin

Plotseling moesten er binnen een paar dagen honderden extra bedden voor de intensive cares geregeld worden. De intensive cares stromen veel sneller vol met coronapatiënten dan gedacht en dus zijn er deze week al 2.400 IC-bedden nodig om overbelasting te voorkomen. Een week eerder dacht het RIVM nog dat daar nog twee maanden de tijd voor was. Hoe kan zo’n inschatting in zo’n korte tijd veranderen?

Het is een cruciale vraag in een periode waarin zulke inschattingen het verschil tussen leven of dood kunnen betekenen. Om te bevatten hoe dat kan, helpt het om te begrijpen hoe de modellen die het RIVM gebruikt werken. Je kunt zo’n model zien als een reeks formules waar allerlei eigenschappen van de epidemie en een bevolking worden ingevuld: hoe besmettelijk het virus is, wat voor invloed de seizoenen hebben, de leeftijdsopbouw van de bevolking, enzovoorts. Het lastige is dat Covid-19 door een nieuw virus wordt veroorzaakt, veel eigenschappen kennen we nog niet zo goed. Ze kunnen zelfs van land tot land verschillen – het gedrag van mensen en het zorgsysteem van een land hebben ook invloed. Naar veel eigenschappen wordt nog onderzoek gedaan.

Hoe ingewikkeld het is om te modelleren op basis van onzekere informatie, leggen we hieronder uit aan de hand van grafieken. Daarvoor gebruiken we een openbaar model van de Universiteit van Basel dat is gebaseerd op Covid-19. Het gaat om een simpele versie van het Susceptible-Infected-Recovered-model, dat heel gangbaar is in de epidemiologie. Het model plaatst alle inwoners in verschillende compartimenten, die in elkaar overlopen. De simpelste versie verdeelt de bevolking in drie groepen, van mensen die ‘bevattelijk’, ‘besmet’ of ‘hersteld’ zijn – het model is vernoemd naar deze termen. In het model dat wij gebruiken, is nog een tussenstap ingevoegd, ‘blootgesteld’, voor mensen die al wel zijn aangestoken maar anderen nog niet kunnen besmetten. Ook kunnen besmette mensen in dit model zijn ‘opgenomen’ in het ziekenhuis, in ‘kritieke toestand’ op de intensive care liggen of ‘gestorven’ zijn.

De kans dat iemand die bevattelijk is daadwerkelijk besmet wordt en of iemand die ziek wordt in het ziekenhuis belandt of herstelt, is afhankelijk van de eigenschappen die in het model zijn ingevoerd. Complexere modellen houden daarbij ook rekening met andere factoren, zoals welke bevolkingsgroepen vaak sociaal contact met elkaar hebben, maar daar rekent dit model niet mee: het gaat ervan uit dat iedereen evenveel kans heeft om een besmet persoon tegen te komen. In de kern zijn drie eigenschappen van het virus van belang – we stellen ze direct vast voor het fictieve virus waarmee we in deze uitleg werken.

1. Hoe lang duurt het voordat iemand besmettelijk is? Bij griep kan een zieke al na één of twee dagen een ander aansteken. Daardoor kan het virus in hoog tempo om zich heen grijpen. De ‘latente periode’ wordt voor het fictieve virus geschat op vijf dagen.

2. Hoeveel mensen besmet een gemiddelde zieke aan het begin van de uitbraak, als er nog geen maatregelen zijn genomen? Dit staat ook wel bekend als de R0. Voor ons virus staat de R0 op twee personen.

3. Hoeveel dagen duurt het voordat een zieke gemiddeld twee personen heeft besmet? Hoe eerder dat is, hoe sneller het virus zich verspreidt. De ‘besmettelijke periode’ zetten we voor ons virus op drie dagen.

De grafieken hieronder laten zien hoe het virus zich volgens ons model zou moeten ontwikkelen en waarom het zo lastig is om daar harde conclusies aan te verbinden.

Laten we een tweede scenario uittekenen: de overheid gaat niet op haar handen zitten en neemt maatregelen om het virus te bestrijden.

Ons model werkt niet met specifieke maatregelen – je kunt dus niet tegen het model zeggen: sluit de scholen, of gooi de horeca dicht. Het rekent wel met hoe vaak mensen elkaar tegenkomen. Hoe zwaarder de maatregelen die de overheid treft, hoe groter de afstand tussen mensen zal zijn – als ze zich in elk geval aan de regels houden.

Om dat te voorkomen, zou de overheid dus nog drastischer moeten ingrijpen.

Met hard ingrijpen kan de overheid het virus dus terugdringen, voorspelt het model. Zijn we er dan ook uit? Helaas niet.

Daarvoor moeten we de kenmerken van de epidemie er weer even bijpakken: de latente periode, de R0 en de besmettelijke periode. Wat als daar iets aan verandert? Wat doet dat met ons model? Laten we daar eens beter naar kijken, met als uitgangspunt het derde scenario: er worden flinke maatregelen genomen.

Zoals je kunt zien hebben kleine verschillen in onze uitgangspunten grote impact op de uitkomst. En precies daar zit de crux: het kost veel tijd om de eigenschappen van een virus precies vast te stellen. Van Covid-19 weten we op dit moment veel nog niet, daarvoor is te weinig onderzoek gedaan. Wel leren we iedere dag meer. Bijvoorbeeld over de R0 van Covid-19: die blijkt in Nederland wat hoger te liggen dan op basis van onderzoeken in het buitenland aangenomen kon worden. En dus kan het zijn dat een concrete prognose over het aantal IC-bedden een paar dagen later alweer ingehaald blijkt.

Is modelleren dan eigenlijk zinloos? Integendeel, modellen zijn het beste gereedschap dat we hebben om te voorspellen of een maatregel zin zal hebben. Bovendien blijken het goede voorspellers te zijn van onverwachte consequenties van bepaalde maatregelen. Suboptimaal vaccineren tegen rode hond werkt bijvoorbeeld slechter dan helemaal niet vaccineren. Wil je meer weten over de complexiteit van de modellen die het RIVM gebruikt? Lees dan vooral ook dit artikel:



Waarom bierviltjesberekeningen over het virus niet werken

Met medewerking van Hans Heesterbeek, hoogleraar theoretische epidemiologie aan de Universiteit Utrecht.

Lees meer over hoe CBD Olie kan helpen met uw hond op MHBioShop.com

 

Lees Meer