Model om effecten van maatregelen bij pandemieën te voorspellen

Bij een volgende pandemie kunnen beleidsmakers dit gebruiken bij het al dan niet kiezen voor maatregelen zoals sluiting van horeca of scholen.

Wat was de aanleiding voor jullie onderzoek?

Ten tijde van de COVID-19-pandemie werden er maatregelen genomen om te beïnvloeden waar we onze tijd doorbrengen. Denk aan een avondklok, het sluiten van horeca of het afgelasten van evenementen. Al die ingrepen, elk met grote maatschappelijke impact, waren erop gericht om mensen weg te houden van plekken met een hoger infectierisico. Alleen: hoe hoog is dat risico eigenlijk op verschillende plekken? Hoeveel infecties ontstaan er in een restaurant, op kantoor of op een evenement? Wij wilden beter grip krijgen op de cijfers.

Hoe gingen jullie daarvoor te werk?

We combineerden data over waar mensen hun tijd doorbrachten en over waar uitbraken ontstonden. Denk aan mobiliteitsdata en gedragsmetingen van het RIVM en aan data uit bron- en contactonderzoek. Al die informatie stopten we in een computersimulatie, in dit geval een simulatie van de stad Den Haag met virtuele bewoners die op inwoners van Den Haag lijken qua leeftijd, gezinsopbouw en dagelijkse routines. We gebruikten het model om te kijken of we de daadwerkelijke besmettingscijfers konden nabootsen. En dat lukte.

Klinkt behoorlijk rekenkundig. Wat leverde het op aan inzichten?

Een belangrijke uitkomst was dat het model dus inderdaad goed overeenkwam met wat we in de echte wereld zagen. We zagen bijvoorbeeld in de zomer van 2021 duidelijk effect van de ‘Dansen met Janssen’-actie. Toen mochten jongeren na vaccinatie meteen de club in, en dat leidde tot een zichtbare piek in uitbraken. Toen die regel werd teruggedraaid, daalden de uitbraken weer. Zulke effecten konden we met het model goed verklaren. Daarmee werd het een bruikbaar instrument om scenario’s door te rekenen: wat gebeurt er als je de horeca eerder sluit, of juist openhoudt met beperkingen? Wat zou er gebeurd zijn als bepaalde maatregelen níet waren genomen?

Zijn er ook dingen uitgekomen die je niet had verwacht?

De verschillen in besmettingsrisico tussen verschillende soorten binnenruimtes bleken kleiner dan gedacht. We zagen wel een hoger aantal besmettingen per geïnfecteerde in het voortgezet onderwijs dan voor andere ruimtes, maar dat resultaat is lastig te interpreteren. Het kan ook komen doordat scholen groot zijn en kinderen daar veel tijd doorbrengen, waardoor het makkelijk kan gebeuren dat meerdere aparte uitbraken als 1 uitbraak worden geregistreerd. Dan lijkt het dus alsof 1 scholier heel veel anderen besmet, terwijl er in werkelijkheid 2 of 3 scholieren een bron van de uitbraak waren. Met de beschikbare data konden we daar geen harde conclusies over trekken.

Wat kunnen we met deze kennis in de toekomst?

Het model is ontworpen om beleidsvragen tijdens een pandemie te helpen beantwoorden. Je kunt het meteen aanpassen aan nieuwe data en het model gebruiken om scenario’s door te rekenen: wat als je een week eerder een maatregel neemt? Wat is het effect van sluiting vergeleken met het verminderen van de risico’s binnen een bepaald soort binnenruimte? Je kunt dan denken aan minder mensen toelaten of tafeltjes verder uit elkaar zetten in plaats van restaurants sluiten. Door deze vragen te beantwoorden helpt het model om afgewogen keuzes te maken. Dat is belangrijk, want het moment en de manier waarop je ingrijpt, kan ook bepalen hoe lang een maatregel moet duren. Ook omdat epidemieën zich meestal in het begin heel snel uitbreiden. En de duur van die maatregelen heeft weer invloed op de draagkracht ervoor in de samenleving. 

Zijn er nog plannen voor vervolgonderzoek?

Uiteindelijk wil je met dit soort modellen ook de maatschappelijke en epidemiologische effecten samen kunnen wegen. Als je bijvoorbeeld scholen sluit, dan daalt het besmettingsrisico, maar je krijgt ook leerachterstanden. Daarom werken we nu samen met psychologen van de Universiteit Maastricht en het UMC Utrecht aan een ZonMw-project waarin we zulke gevolgen willen meenemen in het model. Zo willen we inzichtelijk maken wat verschillende keuzes echt betekenen, niet alleen voor de epidemie maar ook voor de maatschappij. Dat helpt om toekomstige afwegingen slimmer te maken.

Wat zijn belangrijke lessen voor een eventuele volgende pandemie?

Goede en snelle toegang tot data is cruciaal. Tijdens een pandemie wil je mobiliteitsdata en contactonderzoekdata snel beschikbaar hebben voor onderzoek. Daar is gelukkig nu steeds meer aandacht voor. Ook interessant is dat er tijdens de pandemie veel modellen zijn ontwikkeld, maar slechts een deel is daadwerkelijk gebruikt voor beleid. Het zou waardevol zijn om te kijken hoe we dat landschap van modellen beter kunnen benutten.