Hvad gør man, når man skal forsøge at forudsige udviklingen af en hidtil ukendt sygdom som COVID-19? Hvordan beregner man, hvor hurtigt og hvordan sygdommen spreder sig? Og hvilke tiltag, der mest effektivt kan sætte en stopper for epidemien?

De spørgsmål blev lidt for aktuelle, da COVID-19 spredte sig som en steppebrand fra Kina til resten af verden. Pludselig skulle vi og en hulens masse andre forskere verden over bygge troværdige modeller over smittespredningen på et mildest talt mangelfuldt datagrundlag.

At sygdomme spreder sig hurtigt mellem mennesker er dog ikke noget nyt fænomen. For cirka 100 år siden rasede Den Spanske Syge, hvor omkring 14.000 danskere døde og et sted mellem 20 og 50 millioner mennesker på verdensplan led samme skæbne.

Siden har vi haft en række mildere epidemier som eksempelvis SARS, MERS og svineinfluenza. Men vi har ikke oplevet noget som Den Spanske Syge.

Måske derfor var og er spredningen af COVID-19 helt uvirkelig for mange. Og måske er det også grunden til, at beredskabet for sygdomme som COVID-19 var mangelfuldt.

Sygdomsudbrud er 'hverdag' i veterinære kredse

Helt anderledes forholder det sig for veterinære sygdomme, som vi beskæftiger os med til daglig. Her er alvorlige sygdomsudbrud, der spreder sig, en naturlig del af verdensbilledet, og der er udviklet utallige modeller til at kontrollere udbrud.

Eksempelvis har afrikansk svinepest – en meget dødelig virus for svin – bredt sig de sidste 13 år fra Kaukasus til mange europæiske lande og til Asien og resulteret i millioner af døde grise.

Mund-og klovsyge forårsagede i 2001 et stort udbrud i Storbritannien og andre europæiske lande, som fik katastrofale økonomiske følger.

Desuden så vi i Danmark i 2007 for første gang bluetongue-virus, som angriber køer og får, og blev håndteret fra EU's side med bekostelige vaccinationsprogrammer.

Netop disse erfaringer er formentlig en stor del af grunden til, at en stor del af Statens Serum Instituts ekspertgruppe – heriblandt os – trækker på erfaringer fra den veterinære verden.

Fra køer, får og svin til COVID-19

Alle disse (og andre) udbrud krævede en reaktion for at begrænse smitten, og blandt andet derfor er det veterinære beredskab veludviklet til at håndtere pludselig opståede sygdomme og epidemier. Det foregår eksempelvis via vaccinationsprogrammer, restriktionszoner og overvågningsprogrammer.

Kan man bruge erfaringer med at overvåge, kontrollere og forudsige sygdomme hos dyr til noget i corona-pandemien? Det kan man – og netop derfor blev vi inviteret til at være en del af Statens Serum Instituts ekspertgruppe.

Derfor har vi siden midt i marts været med til at bygge modeller for COVID-19-spredningen og blandt andet skrevet en videnskabelig artikel omkring vores baggrund og processen: 'Prediction models in veterinary and human epidemiology: Our experience with modelling Sars-CoV-2 spread'.

Den epidemiologiske værktøjskasse

Metoderne til at estimere effekten af forskellige kontroltiltag, inden de implementeres, er veludviklede, og der er et stort overlap mellem veterinære og humane metoder.

Særligt epidemiologiske modeller – altså modeller for, hvordan sygdomme udvikler sig – er vigtige, da de kan bruges til at forudsige, hvad der vil ske under en epidemi, og hvad der er den bedste måde at håndtere situationen på.

Danmark er kendt i udlandet for at have gode registre for husdyr som køer, grise og får. Disse registre bliver brugt til at udvikle avanceret overvågning og kontroltiltag for sygdomme, som har skabt epidemier i verden.

Der er udviklet forskellige matematiske modeller til at forudse spredning af disse sygdomme, hvis de bliver introduceret i Danmark, og effekten af forskellige kontrol- og overvågningstiltag for at kontrollere spredningen.

Principperne for modellering af sygdomsspredning er det samme for dyr og mennesker. Men det er nødvendigt at have et godt kendskab til, hvordan sygdommen spreder sig gennem populationen (eller befolkningen) for at kunne bygge en nyttig model.

Det er disse parametre, som er altafgørende for, at en matematisk model er retvisende. En model er nemlig aldrig bedre, end de antagelser man fodrer den med.

Og derfor var det kritisk at skaffe gode parametre i starten af COVID-19-epidemien i Danmark.

Vigtigt at vise modellernes usikkerheder

Vi søgte derfor efter brugbart input fra hele verden og lykkedes med at få bygget en model på rekordtid. Allerede 2. april blev den første ekspertrapport offentliggjort med modelresultater.

Det er selvfølgelig svært at forudsige folks reaktion i forhold til en helt ny sygdom, og derfor har en del også kritiseret de første resultater. Men når man tager de sparsomme data i betragtning, er resultaterne faktisk rimelig retvisende.

Siden er modellerne opdateret og udviklet efterhånden, som vi fik mere viden omkring sygdommen, befolkningens adfærd og kontroltiltag som regeringen indførte.

En ekstraordinær situation som i marts 2020 kræver selvfølgelig handling. Og de matematiske modeller kan være med til at støtte politikernes beslutninger – hvis de er retvisende.

En model kan vise helt forkerte resultater, hvis bare en enkelt parameter er forkert. Derfor indbyggede vi også usikkerheden i modellerne fra starten.

I praksis vil det sige, at man varierer de parametre, som man er usikker på, og kører modellen rigtig mange gange med varierende parametre. På den måde får man et sandsynligt udfaldsrum for, hvordan epidemien vil udvikle sig.

En god epidemiologisk model skal ligne virkeligheden

For COVID-19 kniber det stadig med solid viden om, hvordan det spreder sig til hvem og hvor hurtigt. Selvom sygdommen har bredt sig til hele verden, kræver det tid at undersøge disse mekanismer videnskabeligt.

Heldigvis bliver der offentliggjort nye resultater hele tiden, med rekordfart.

Det er desuden vigtigt at have et kendskab til befolkningen, tætheden af individer og kontaktmønstre imellem dem. Det er helt afgørende for at bygge en nyttig epidemiologisk model. Derudover er det vigtigt at vide, hvordan individerne interagerer, altså overfører smitten.

I Danmark havde vi ingen gode data på det, da epidemien brød ud.

Til alt held havde blandt andet BBC gennemført et studie for et par år siden, hvor almindelige mennesker registrerede deres kontakter gennem en dag. Det studie skulle vise sig at få overordentlig stor betydning for vores evne til at forudsige smittespredningen.

For at epidemiologiske modeller skal være brugbare til at håndtere en epidemi, skal de afspejle virkeligheden realistisk og bruge så mange af de tilgængelige data som muligt.

Derudover skal de kunne køres hurtigt, så man ikke skal vente for længe på et resultat. Endelig skal modellerne være fleksible, så de kan justeres og opdateres, når der fremkommer nye data.

BBC-studie var vigtigt for modelleringen

Som nævnt ovenfor er det vigtigt at vide, hvordan individerne – hvad enten det er køer, får eller mennesker – interagerer, og hvordan sygdommen overføres.

I modellen skal denne interaktion afspejle overførsel af virus mellem individerne, og resultaterne er meget følsomme for, præcis hvordan dette modelleres.

I Danmark ved vi rigtig meget om, hvordan dyr interagerer – for eksempel registreres alle flytninger af køer, geder, får og grise. Men mennesker registreres ikke i nær samme omfang.

Vi ved ikke, hvor i samfundet folk er hele tiden og dermed heller ikke, hvem der kan smitte hvem. Og man kan ikke bare bruge folks lokationsdata fra mobilen, da det er personlige oplysninger.

I starten af COVID-19-epidemien dukkede der hele tiden nye estimater og historier op om, hvordan folk eksempelvis var blevet smittet ved tæt kontakt på krydstogtskibe eller ved kirkesang.

Da vi og andre danske forskere skulle lave en modellering af COVID-19 for Statens Serums Institut, dannede BBC-studiet rygraden – ligesom det også gjorde i mange andre lande.

Sådan gjorde vi

Vi benyttede de tilgængelige data for kontakter mellem mennesker i Storbritannien til at modellere danskeres kontakter gennem de første måneder af epidemien.

Hvis danskere og briter har forskellige kontaktmønstre, bliver vores danske modeller mindre præcise. Men det var de data, som var tilgængelige.

Ud over data om kontakter er det vigtigt at vide, hvordan selve sygdommen overføres. Da COVID-19 var en helt ukendt sygdom, var der meget få data for dette i starten.

Normalt estimerer man sygdomsoverførsel ved isolerede eksperimenter i sikrede laboratoriefaciliteter, og det tager lang tid. Da COVID-19 til dels lignede SARS, var det derfor nødvendigt i starten at låne nogle estimater fra tidligere studier af SARS til brug i modellerne.

Efterhånden som mere viden blev tilgængelig, kunne vi bygge det ind i modellerne, som blev mere præcise. Der er dog stadig mange ting omkring COVID-19, som er ukendt.

Det gælder eksempelvis:

• 'Superspredning' (begivenheder, hvor mange bliver smittet, eller måske at nogle personer smitter mere end andre, eller at man i et bestemt tidsrum udskiller meget mere smitte).
• Den infektiøse periode (hvor længe smitter man andre, også i forhold til hvornår folk tester positive)
• Immunitet (om folk forbliver immune i uger, måneder eller resten af livet, når de er blevet smittet)

Forkert data giver ubrugelige modeller

At bygge en model, der viser, hvordan COVID-19 spreder sig, er ikke nok. Modellen skal også valideres ved at sammenligne modellens forudsigelser med data, som ikke er blevet brugt til at bygge modellen.

Dette skal sikre, at modellen ikke kun er tilpasset en enkelt situation, men afspejler mere generelle mekanismer for både populationen og sygdommen. Inden for veterinær epidemiologi gør vi typisk det ved at benytte data fra epidemier i andre lande.

Da dette ikke var muligt for COVID-19 (de andre lande havde ikke bedre data end os), var det begrænset, hvilke detaljer der kunne bruges i modelleringen for Danmark uden at 'over-parameterisere' modellen med detaljer, der reelt var ukendte.

Fodrer vi modellen med forkerte detaljer, får vi ubrugelige resultater ud i den anden ende.

Derfor benyttede vi kun de mest nødvendige parametre, såsom gennemsnitlige antal kontakter mellem mennesker og tiden det tager for sygdommen at udvikle sig i en person. I takt med at vi får bedre data, kan man fremadrettet eksempelvis sammenligne med de andre nordiske lande i et forsøg på at validere modellerne.

Vi har et beredskab for mund- og klovsyge…

At skrive modeller midt i en epidemi er ikke just en optimal situation. Allerhelst vil man gerne have modeller klar, før epidemien rammer, så man bare skal sætte de for sygdommen relevante parametre ind (hvor længe smitter man, hvor meget smitter man, osv.).

Ved udbrud af alvorlige eksotiske veterinære sygdomme – eksempelvis mund- og klovsyge, bluetongue virus og afrikansk svinepest – er der udarbejdet klare retningslinjer.

Her har vi et veterinært beredskab, som hele tiden opdateres for at kunne være klart i tilfælde af udbrud. Der er eksempelvis en landsdækkende model for mund- og klovsyge klar til at beregne på forskellige scenarier, hvis sygdommen skulle dukke op i Danmark.

Der er konstant udvikling og forbedring af modellerne samt dataflow og procedurer, så vi er klar, når en ny sygdom dukker op i Danmark. På den måde kan myndighederne hurtigt reagere og tilpasse strategien til situationen.

Men ej for COVID-19 eller andre pandemier

Da COVID-19 brød ud var der intet beredskab i den kaliber klar. Derfor blev eksperter fra forskellige områder, herunder veterinæreksperter som os selv, indkaldt til at deltage i den epidemiologiske modellering af COVID-19 i Danmark.

På kort tid blev der bygget flere modeller for epidemien med de tilgængelige data.

Selvsagt var der hverken tid eller data til at validere disse modeller færdig, inden de blev taget i brug.

Disse data – herunder som nævnt mekanismer som forklarer superspredning, præcise parametre og deres fordelinger for forskellige aldersgrupper, danske tal for kontakter mellem folk inklusiv forskelle på for eksempel land og by og beskrivelse af befolkningens adaptive adfærd i forhold til epidemien og restriktionerne – foreligger i skrivende stund stadig ikke.

I den kommende tid vil videnskabsfolk verden over tilvejebringe vigtige data omkring spredningen af COVID-19 mellem mennesker. Dermed kan vi bygge mere præcise modeller for håndteringen af epidemien.

Et godt beredskab er rettidig omhu

Den nuværende situation viser med al tydelighed, hvor kritisk det er at have et opdateret beredskab med epidemiologiske modeller, som er klar til at beregne på en ny situation.

Men kan man forberede sig på en helt ny og ukendt sygdom som COVID-19? Det klare svar er ja.

Det handler for eksempel om at have baggrundsdata omkring, hvor folk bor, bevæger sig i forbindelse med arbejde, fritid og så videre. Disse skal hele tiden være opdateret og klar til brug.

Desuden kræver det udvikling af modeller, der kan benytte disse data til at simulere spredningen af en ny sygdom i Danmark. Et sådant system vil kræve meget arbejde at bygge og vedligeholde, men det kan være altafgørende i tilfælde af nye udbrud.

Heldigvis er alvorlige humane pandemier sjældne. Men her ligger, som antydet i indledningen, måske også problemet? Fordi de er sjældne, er det svært at prioritere beredskabet mod udbrud af endnu ukendte sygdomme.  

Beredskab koster, men de økonomiske konsekvenser af en epidemi såsom COVID-19 er tydeligvis i en helt anden skala.

Et godt beredskab kan måske ikke forhindre en epidemi, men den kan støtte myndighederne til at træffe de rigtige beslutninger og på de rigtige tidspunkter, så de sundhedsmæssige og økonomiske konsekvenser af epidemien bliver mindst mulige.

Vi opfordrer derfor myndighederne til 'rettidig omhu', så vi har modeller med opdaterede data og kontaktmønstre klar, næste gang en epidemi rammer os.