Waarom een simpel epidemiemodel meerdere golven kan nabootsen, maar niet kan verklaren
Tijdens corona zag je het steeds weer gebeuren: de besmettingscijfers daalden, iedereen haalde opgelucht adem, en een paar maanden later kwam er een nieuwe golf overheen. Veel wetenschappers dachten dat je zulke golven alleen kunt verklaren met heel ingewikkelde modellen, vol aannames over virusvarianten, seizoenen en gedragsverandering. Een nieuw onderzoek zet daar vraagtekens bij.
Onderzoekers gebruikten een van de oudste en simpelste modellen uit de epidemiologie: het SIR-model. Dat verdeelt een bevolking in drie groepen: mensen die vatbaar zijn (Susceptible), mensen die besmet zijn (Infectious) en mensen die hersteld of overleden zijn (Removed). Normaal gesproken geeft zo'n model maar één golf: cijfers gaan omhoog, bereiken een piek, en dalen weer. Meerdere golven achter elkaar leken daarom het bewijs dat dit model tekortschiet.
De verrassende uitkomst
Het onderzoeksteam liet een klein beetje variatie toe in één belangrijk onderdeel van het model: de besmettelijkheid, oftewel hoe makkelijk het virus van de ene op de andere persoon overspringt. Die besmettelijkheid mocht in de tijd veranderen, bijvoorbeeld doordat mensen zich beter of slechter aan maatregelen houden. Met die kleine aanpassing bleek het simpele model ineens prima in staat om meerdere golven na te bootsen, inclusief het juiste aantal pieken, het tijdstip waarop ze plaatsvinden, hoe hoog ze zijn en hoe diep de dalen ertussen zijn.
De onderzoekers testten dit met zes verschillende gesimuleerde datasets en met echte Filipijnse coronacijfers. Steeds bleek: je hebt maar weinig extra complexiteit nodig om het totaalplaatje van de golven goed te laten kloppen. Ze noemen dit de "minimaal benodigde complexiteit om pieken te behouden", kortweg MPPC.
Wat betekent dit (nog) niet
Dat een model de golven kan nabootsen, betekent niet dat het ook begrijpt wát die golven veroorzaakte. Het onderzoek laat expliciet zien dat je uit alleen de besmettingscijfers niet kunt afleiden welke combinatie van besmettelijkheid en hersteltempo echt aan de orde was: verschillende verklaringen passen even goed bij dezelfde data. Ook betekent een goede match met het verleden niet dat het model betrouwbaar kan voorspellen wat er in de toekomst gebeurt. De onderzoekers maken dit onderscheid heel bewust: kun je de curve namaken, hoeveel complexiteit heb je daarvoor minimaal nodig, kun je het werkelijke mechanisme achterhalen, en kun je er iets mee voorspellen? Dat zijn vier aparte vragen, en een positief antwoord op de eerste zegt niets over de andere drie.
Dit is het werk van één onderzoeksteam, met een methodologisch raamwerk dat ze uitvoerig testen, maar het is nog niet door ander onderzoek herhaald of bevestigd op andere epidemieën.
Waarom dit ertoe doet
Voor beleidsmakers en modelleurs is dit een nuttige waarschuwing. Als een model goed past bij de cijfers uit het verleden, wil dat nog niet zeggen dat het de juiste oorzaken te pakken heeft, of dat het de volgende golf kan voorspellen. Tegelijk laat het onderzoek zien dat je niet per se torenhoge, complexe modellen nodig hebt om de grote lijnen van een epidemie te volgen. Simpel kan dus prima werken, zolang je maar niet te veel conclusies trekt uit die eenvoud.