Mathematische Modelle in der Infektionsepidemiologie
Hans-Peter Duerr Institut für Medizinische Biometrie Klinikum der Universität Tübingen
Düsseldorf, 26. Januar 2007
Hans-Peter Duerr, http://www.uni-tuebingen.de/modeling 2
Programm
Theoretische Grundlagen und Beispiele I Wozu mathematische Modelle? II Führerschein zum Modellieren III Fahrstunden im SIR-Modell
Mathematische Modelle in der Praxis
Interventionsplanung bei Influenza und SARS - Impfung, antivirale Medikamente - Isolation, contact tracing
V
orm
ittag
Nac
hmitt
ag
Hans-Peter Duerr, http://www.uni-tuebingen.de/modeling 3
PNAS 101: 15124-15129 (2004) L. Hufnagel , D. Brockmann, and T. Geisel Forecast and control of epidemics in a globalized world
Teil I: Wozu Modelle? - Beispiele
SARS: Wie schnell breitet sich SARS aus? Welche Gegenmaßnahmen?
Pocken: Wie würde sich ein Terroranschlag mit Pocken heutzutage auswirken? Wie immun sind wir noch?
10 25000 Pasagiere pro Tag
Number of reported cases (WHO, 30.May 2003) Number of simulated cases
Polio: Wann können wir sicher sein, dass Polio ausgerottet ist? Wann aufhören zu impfen?
Hans-Peter Duerr, http://www.uni-tuebingen.de/modeling 4
Wozu Modelle? - Kategorien
ðVerständnis ... der Übertragungsmuster und -wege ... der zeitlichen Dynamik von Ausbrüchen ðSchätzung
... von biologisch relevanten Parametern ðVorhersage
... des Verlaufs von Ausbrüchen
... der Erfolgsaussichten von Interventionen ðPlanung
... von Interventions- / Präventionsstrategien
Hans-Peter Duerr, http://www.uni-tuebingen.de/modeling 5
Mensch
Mücke " wieviele Parasiten infizieren einen Menschen pro Jahr ?"
Ein Beispiel aus Afrika: Onchozerkose
Hans-Peter Duerr, http://www.uni-tuebingen.de/modeling 6
Die Daten hierzu sind:
Die Frage lautet: "wieviele Parasiten infizieren einen Menschen pro Jahr ?"
Hans-Peter Duerr, http://www.uni-tuebingen.de/modeling 7
Wozu Modelle? - Verständnis
ðVerständnis ... der Übertragungsmuster und -wege ... der zeitlichen Dynamik von Ausbrüchen ðSchätzung
... von biologisch relevanten Parametern ðVorhersage
... des Verlaufs von Ausbrüchen
... der Erfolgsaussichten von Interventionen ðPlanung
... von Interventions- / Präventionsstrategien
Hans-Peter Duerr, http://www.uni-tuebingen.de/modeling 8
Infektionsrate: 2 Parasiten/Jahr Lebensdauer der Paras.: ~10 Jahre
" Parasiten befallen den Wirt
und sterben
nach einer gewissen Zeit ab "
0 2 4 6 8 10 12 14 16 Alter [Jahren]
32 28 24 20 16 12 8 4 0
Parasitenlast
Verständnis durch Modellierung (1)
Hans-Peter Duerr, http://www.uni-tuebingen.de/modeling 9
keine Veränderung mehr über die Zeit hinweg Þ dW/da = 0
W
ml
=*WGleichgewicht:
)1()( aeaW m
ml --=Lösung:
l m
WdadW ml -=Differentialgleichung:
"Parasiten befallen den Wirt und sterben nach einer gewissen Zeit ab"
Infektions- rate
Sterbe- rate
0 10 20 30 40 50 60 70Alter des WirtsJ
5
10
15
20
tsalnetisaraP
0.25 180.
0 10 20 30 40 50 60 70Alter des WirtsJ
5
10
15
20
tsalnetisaraP
0.5 140.
0 10 20 30 40 50 60 70Alter des WirtsJ
5
10
15
20
tsalnetisaraP
1. 120.
0 10 20 30 40 50 60 70Alter des WirtsJ
5
10
15
20
tsalnetisaraP
2. 110.
0 10 20 30 40 50 60 70Alter des WirtsJ
5
10
15
20
tsalnetisaraP
4. 15.
0 10 20 30 40 50 60 70Alter des WirtsJ
5
10
15
20
tsalnetisaraP
8. 12.5
Verständnis durch Modellierung (2)
Hans-Peter Duerr, http://www.uni-tuebingen.de/modeling 10
Wozu Modelle? - Schätzung
ðVerständnis ... der Übertragungsmuster und -wege ... der zeitlichen Dynamik von Ausbrüchen ðSchätzung
... von biologisch relevanten Parametern ðVorhersage
... des Verlaufs von Ausbrüchen
... der Erfolgsaussichten von Interventionen ðPlanung
... von Interventions- / Präventionsstrategien
Hans-Peter Duerr, http://www.uni-tuebingen.de/modeling 11
Schätzung anhand von Modellen
01234
0 10 20 30 40Anzahl adulter Parasiten
Infe
ktio
nsra
te
Daten Modell
Mathematische Modelle erzielen Erkenntnisgewinn, wo direkte Experimente nicht möglich sind
Hans-Peter Duerr, http://www.uni-tuebingen.de/modeling 12
Wozu Modelle? - Vorhersage
ðVerständnis ... der Übertragungsmuster und -wege ... der zeitlichen Dynamik von Ausbrüchen ðSchätzung
... von biologisch relevanten Parametern ðVorhersage
... des Verlaufs von Ausbrüchen
... der Erfolgsaussichten von Interventionen ðPlanung
... von Interventions- / Präventionsstrategien
Hans-Peter Duerr, http://www.uni-tuebingen.de/modeling 13
Modelle zur Vorhersage
Hans-Peter Duerr, http://www.uni-tuebingen.de/modeling 14
Modelle zur Planung
Hans-Peter Duerr, http://www.uni-tuebingen.de/modeling 15
Zusammenfassung Teil I
Mathematische Modelle sind nützliche Werkzeuge, mit denen wir unser Verständnis von biologischen (allgemein: dynamischen) Prozessen verifizieren können.
• Parameter geschätzt werden, die über Experimente nicht zugänglich sind • universell Verläufe von Prozessen vorausgesagt werden (Bakterienwachstum, Epidemieverlauf, Wetter, Börse ...) • Interventionsmaßnahmen geplant werden (Impfkampagnen, Quarantäne,...)
Wenn geeignet entworfen und an Daten validiert, können mit mathematischen Modellen
Mathematischen Modelle können nichts beweisen - sie übersetzen lediglich unseren input (Annahmen, Daten) in einen output, der aus dem Modell-Design und der Kalibrierung resultiert.
Hans-Peter Duerr, http://www.uni-tuebingen.de/modeling 16
Teil II: Führerschein zur Modellierung
Hans-Peter Duerr, http://www.uni-tuebingen.de/modeling 17
Autofahrt: wahre Situation
020406080
0 10 20 30 40 50 60t [min]
Ges
chw
indi
g-ke
it [k
m/h
]
010203040
0 10 20 30 40 50 60t[min]
zuüc
kgel
egte
Stre
cke
[km
]
fahren
stehen
ta1 consta =2 0tac 3-===dtdssv '
212
1 ta ta2 2
23tact - const( ) =ts
Hans-Peter Duerr, http://www.uni-tuebingen.de/modeling 18
Autofahrt: Beobachtung (Messung)
020406080
0 10 20 30 40 50 60t [min]
Ges
chw
indi
g-ke
it [k
m/h
]
010203040
0 10 20 30 40 50 60t[min]
zuüc
kgel
egte
Stre
cke
[km
]
020406080
0 10 20 30 40 50t [m
010203040
0 10 20 30 40 50t[m
Gemessene Daten: Messzeitpunkte und (lineare) Interpolation
Mathematisches Modell (mit jeweils konstanten Geschwindigkeitsphasen)
Hans-Peter Duerr, http://www.uni-tuebingen.de/modeling 19
Zusammenfassung Teil II
• Mathematische Modelle sind "nur" eine Übersetzung unserer Annahmen in ein berechenbares Konstrukt.
• Sind unsere Annahmen unvollständig, kann das Modell die Realität nur unvollständig wiedergeben.
• Es ist jedoch möglich, dass ein Modell trotz falscher Annahmen die Realität (beobachtete Daten) vernünftig wiedergibt.
• Auch wenn beobachtete Daten ein Modell validieren, ist dies kein Beweis dafür, dass die zugrundeliegenden Annahmen richtig sind.
• Mathematische sind jedoch hervorragende Werkzeuge zur Falsifizierung
Karl Popper
Hans-Peter Duerr, http://www.uni-tuebingen.de/modeling 20
Teil III
Suszeptibel
Infektiös
Resistent (immun)
Polio virus type 1
Erweiterungen: SIRS SEIR SEIRS
SIR-Modell
Hans-Peter Duerr, http://www.uni-tuebingen.de/modeling 21
R S I
SIR Modell
suszeptibel immun infektiös
Hans-Peter Duerr, http://www.uni-tuebingen.de/modeling 22
Benötigte Informationen
• Altersstruktur, Geburten- und Sterberaten
• Dauer der latenten und infektiösen Periode
• Anteil inapparenter Infektionen
• Kontaktraten und Kontaktstrukturen
• Übertragungswahrscheinlichkeiten
Hans-Peter Duerr, http://www.uni-tuebingen.de/modeling 23
Massenwirkungsgesetz
Die Begegnungshäufigkeit zwischen Suszeptiblen und Infektösen hängt ab von: • der Kontaktrate b ("Temperatur") • dem "Konzentrationsverhältnis" von Suszeptiblen : Infektösen
Suszeptibel Infektiös
0
0.20.4
0.6
0.8
1
0 0.2 0.4 0.6 0.8 1Anteil Suszeptibler
PS*S2(S*I)I*ISum
0
0.20.4
0.6
0.8
1
0 0.2 0.4 0.6 0.8 1Anteil Suszeptibler
PS*S2(S*I)I*ISum
0
0.20.4
0.6
0.8
1
0 0.2 0.4 0.6 0.8 1Anteil Suszeptibler
PS*S2(S*I)I*ISum
0
0.20.4
0.6
0.8
1
0 0.2 0.4 0.6 0.8 1Anteil Suszeptibler
PS*S2(S*I)I*ISum
0
0.20.4
0.6
0.8
1
0 0.2 0.4 0.6 0.8 1Anteil Suszeptibler
P
Hans-Peter Duerr, http://www.uni-tuebingen.de/modeling 24
R I S
S suszeptibler Anteil
I infektiöser Anteil
R immuner Anteil
dS(t) / dt = m - bc I(t) S(t) - m S(t)
dI(t) / dt = bc I(t) S(t) - g I(t) - m I(t)
dR(t) / dt = g I(t) - m R(t)
m pro-Kopf-Geburtenrate = Sterberate
b Kontaktrate
g Infektionsverlustrate
c Infektionswahrscheinlich-
keit pro Kontakt
SIR-Modell
Hans-Peter Duerr, http://www.uni-tuebingen.de/modeling 25
• Initialisierung – wähle Parameterwerte für b, c, g und m – wähle Startwerte für S(0) und I(0)
• Iterationen – berechne, wie sich S(t) und I(t) im Laufe eines
kurzen Zeitintervalls (z.B. 1 Tag) verändern – Verändere die Werte von S(t) und I(t)
entsprechend den berechneten Veränderungen
Numerische Lösung des dynamischen Modells
Hans-Peter Duerr, http://www.uni-tuebingen.de/modeling 26
R0 : Basisreproduktionszahl
• Mittlere Anzahl von Sekundärinfektionen, die ein Infizierter in einer völlig suszeptiblen Population erzeugen würde
Definition: R0 = bc D
• R0>1: die Infektion kann persistieren; ein endemischer Zustand ist möglich • R0<1: die Infektion stirbt aus
D = 1 / (g+m) mittlere Dauer der Infektiosität bc Anzahl von (ausreichend engen) Kontakten pro Zeiteinheit
Hans-Peter Duerr, http://www.uni-tuebingen.de/modeling 27
bc = 0,5/Tag, g = 0,1/Tag, m = 0/Tag Þ R0 = 5 SIR Modell; ohne Geburten und Todesfälle
Epidemie
settings
Hans-Peter Duerr, http://www.uni-tuebingen.de/modeling 28
bc = 0,2/Tag, g = 0,1/Tag, m = 0/Tag Þ R0 = 2 SIR Modell; ohne Geburten und Todesfälle
Epidemie
S¥
settings
Hans-Peter Duerr, http://www.uni-tuebingen.de/modeling 29
Am Ende einer Epidemie...
S uszeptibel I nfektiös R esistent
...bleiben immer Suszeptible übrig
Hans-Peter Duerr, http://www.uni-tuebingen.de/modeling 30
0
0.2
0.4
0.6
0.8
1
1 2 3 4 5Basisreproduktionszahl R0
susz
epti
ble
r A
nte
il
- log (S¥) = R0 (1 - S¥)
Suszeptibler Anteil S¥ am Ende der Epidemie
Hans-Peter Duerr, http://www.uni-tuebingen.de/modeling 31
Übungen / Sensitivitätsanalyse (1)
Anteil Immuner R(0) zu Beginn der Epidemie • klar: je mehr Immune, desto schwächer fällt die Epidemie aus • ABER: desto länger dauert sie auch (Suszeptible werden nicht so schnell
verbraucht, da die Begegnung S-I seltener wird
Anteil Infizierter I(0) zu Beginn der Epidemie
• klar: je mehr Infizierte, desto schneller entwickelt sich die Epidemie (der Effekt ist jedoch relativ schwach)
R0 • je höher R0 , desto "fulminanter" verläuft die Epidemie (damit aber auch schneller zu Ende)
• je höher R0 , desto weniger Suszeptible bleiben übrig
Mortalitäts- und Geburtenrate
• durch den demographischen Prozess werden neue Suszeptible nachgeschoben • ABER: wohin führt das? (Bsp.: nur Demographie I(0)=50%, E(0)=0)
Und: Wie verändert sich der Anteil Suszeptibler nach den Epidemien?
g: Infektionsverlustrate
• je schneller Immunität erreicht wird, desto kürzer verläuft die Epidemie.
Epidysim
mgbb+
==ccDRo
Hans-Peter Duerr, http://www.uni-tuebingen.de/modeling 32
0
0.2
0.4
0.6
0.8
1
0 1000 2000 3000
Zeit [Tage]
An
teil
der
Po
pu
lati
on
suszeptible
infizierte
immune
SIR Modell mit Demographie
bc = 0,5/Tag, g = 0,1/Tag, m = 0,0005/Tag Þ R0 = 5
Endemische Situation
Hans-Peter Duerr, http://www.uni-tuebingen.de/modeling 33
Abstand zwischen Ausbrüchen
• Das (deterministische) SIR Modell zeigt regelmäßige Schwankungen in der Inzidenz
• Die Dauer T zwischen zwei Ausbrüchen lässt sich berechnen aus
12
0 -»
RLDT p
L =1/m Lebenserwartung D = 1/(g+m) Dauer der inf. Periode R0 = cb/(g+m) Basisreproduktionszahl
p 3,14159...
Beispiel: Masern
R0 = 12 D = 1/52 Jahr L = 52 Jahre
T = 1,81
Hans-Peter Duerr, http://www.uni-tuebingen.de/modeling 34
Gleichgewichtszustand
konstante Anteile
0 = m (1-p) - bc I(t) S(t) - m S(t)
0 = bc I(t) S(t) - g I(t) - m I(t)
0 = m p + g I(t) - m R(t)
R I S
S suszeptibler Anteil
I infektiöser Anteil
R immuner Anteil
m pro-Kopf-Geburtenrate = Sterberate
b Kontaktrate
g Infektionsverlustrate
c Infektionswahrscheinlich-
keit pro Kontakt
p geimpfter Anteil
Hans-Peter Duerr, http://www.uni-tuebingen.de/modeling 35
Gleichgewichtszustand
konstante Anteile
S = (g + m) / (bc)
I = (1 - 1/R0 - p) m / (g + m)
R = 1 - S - I
R I S
S suszeptibler Anteil
I infektiöser Anteil
R immuner Anteil
m pro-Kopf-Geburtenrate = Sterberate
b Kontaktrate
g Infektionsverlustrate
c Infektionswahrscheinlich-
keit pro Kontakt
p geimpfter Anteil
R0 = bc / (g+m)
= 1 / R0
Schätzung von R0 durch den Anteil
der Suszeptiblen im Gleichgewicht
Hans-Peter Duerr, http://www.uni-tuebingen.de/modeling 36
Kritische Durchimpfung
Berechnung der kritischen Durchimpfung
I = (1 - 1/R0 - p) m / (g + m)
R I
R0 = bc / (g+m) Basisreproduktionszahl
I immuner Anteil
S
m pro-Kopf-Geburtenrate = Sterberate
g Infektionsverlustrate
p geimpfter Anteil
Hans-Peter Duerr, http://www.uni-tuebingen.de/modeling 37
Kritische Durchimpfung
Hans-Peter Duerr, http://www.uni-tuebingen.de/modeling 38
Zusammenfassung (1)
• Wenn wir Geburten und Todesfälle vernachlässigen, – können wir eine Epidemie modellieren; – bis zum Ende der Epidemie bleibt ein Teil der
Population suszeptibel, der von R0 abhängt
• Wenn wir Geburten und Todesfälle berücksichtigen, – streben die Modellvariablen gegen den endemischen
Zustand (falls R0 > 1); – die endemische Prävalenz hängt ebenfalls von R0 ab
logKurve
Hans-Peter Duerr, http://www.uni-tuebingen.de/modeling 39
Zusammenfassung (2)
• Der endemische Anteil von Suszeptiblen S hängt nicht von der Durchimpfung p ab
• Übertragung hört auf, wenn p ³ pcrit ist
• Die kritische Durchimpfung ist
pcrit = 1 - 1/R0
Hans-Peter Duerr, http://www.uni-tuebingen.de/modeling 40
Zusammenfassung (3)
• das Modell kann verwendet werden, um Impfstrategien zu beurteilen und zu vergleichen – Berechnung der kritischen Durchimpfung – Abschätzen des Einflusses von Impfungen auf
Inzidenz und Prävalenz von Infektionen – Quantitativer Vergleich von Impfstrategien – Grundlage für Nutzen-Kosten-Abschätzungen
Hans-Peter Duerr, http://www.uni-tuebingen.de/modeling 41
m
g
R0
pcrit
bc
Basisreproduktionszahl 1 / R0 ist der Gleichgewichtsanteil der Suszeptiblen
pro-Kopf-Geburtenrate = Sterberate 1 / m ist die mittlere Lebenserwartung
Infektionsverlustrate 1 / (g+m) ist die mittlere Dauer der infektiösen Periode
kritische Durchimpfung pcrit = 1 - 1 / R0
effektive Kontaktrate bc = R0 (g+m)
Schätzung der SIR Modellparameter
Hans-Peter Duerr, http://www.uni-tuebingen.de/modeling 42
Parameterschätzwerte für einige Infektionskrankheiten
Krankheit
Mittleres Infektions-
alter [Jahre]
R0
kritische Durch-impfung pcrit [%]
Masern 5 15.6 94 Keuchhusten 4.5 17.5 94
Mumps 7.0 11.5 91 Rubella 10.2 7.2 86
Polio 10.4 6.1 84 Diphterie 10.4 6.1 84