Je leest:

Track en trace voor besmettelijke ziekten

Track en trace voor besmettelijke ziekten

Geo-informatie brengt besmetting in kaart

Auteur: | 17 november 2010

Met geo-informatie, informatie over locatie, kun je van alles. Je mobieltje kan jou hierdoor precies laten zien welke restaurants in de buurt zijn en verdwalen is er ook niet meer bij. Engelse onderzoekers komen nu met nog een toepassing: de verspreiding van besmettelijke ziekten volgen.

De meeste mobiele telefoons zijn er tegenwoordig mee uitgerust: een sensor die registreert waar je je op dat moment bevindt. Deze geoinformatie is heel bruikbaar, bijvoorbeeld om een route uit te stippelen (met navigatiesoftware) of informatie op te zoeken over de buurt waar je je bevindt.

De meest bekende toepassing van geoinformatie is natuurlijk het maken van kaarten. Maar tegenwoordig wordt er veel meer mee gedaan, omdat de gegevens nauwkeuriger zijn en heel gemakkelijk zijn op te vragen. Hier zie je bijvoorbeeld een screenshot van Layar, een programma dat een extra laagje informatie laat zien over de lokatie waar jij je op dat moment bevindt.
Google Maps, Layar

Onderzoekers van het Imperial College London en de Edinburgh Napier University bedachten nog een toepassing. Ze onderzochten een systeem dat gedetailleerde geoinformatie gebruikt om te simuleren hoe een besmettelijke ziekte zich verspreidt. De test was nog erg klein, maar toch kwamen de resultaten goed overeen met gangbare simulaties. De onderzoekers denken dan ook dat deze methode in de toekomst heel waardevol kan zijn.

Contacten in beeld

De verspreiding van een besmettelijke ziekte in kaart brengen, is niet nieuw. Stel bijvoorbeeld dat iemand een SOA heeft, dan zal de dokter waarschijnlijk vragen met wie hij of zij de afgelopen tijd intiem contact heeft gehad. Zo’n contactanalyse is heel bruikbaar omdat je hiermee de bron en andere mogelijk besmette mensen goed kunt opsporen. Dan kun je ze snel behandelen en wellicht verdere verspreiding voorkomen.

Deze ‘contactboom’ laat zien wie met wie contact heeft. In dit geval zijn zieke, besmettelijke mensen aangegeven met zwart, de paarse stippen staan voor mensen die ziek zijn maar niet besmettelijk en groene punten zijn mensen die geen infectie hebben en dus niet besmettelijk zijn. Bij grijs is het onbekend of de persoon ziek is.
Mason et al., 2010

Nou is het bij SOA’s nog relatief eenvoudig om na te gaan hoe de besmetting verloopt, want de meeste mensen kunnen zich nauwkeurig genoeg herinneren met wie ze wanneer wat gedaan hebben. Bij een ziekte die echter al besmettelijk is wanneer je alleen al bij elkaar in de buurt komt (zoals griep), is zo’n contactoverzicht veel lastiger te maken. Maar daar zeggen de Engelse onderzoekers nu wat op gevonden te hebben.

Simuleren

Het prototype dat de onderzoekers hebben gemaakt, is in feite een klein simulatieprogramma. In een afgeschermde ruimte (zoals de wachtruimte van een ziekenhuis) krijgen personen een locatiesensor mee, zodat hun locatie steeds bekend is. Deze geoinformatie kan het systeem vervolgens uitlezen en in beeld brengen. Ook worden alle locaties van alle personen gedurende een bepaalde tijd opgeslagen in een database. Met de gegevens van zo’n sessie kan het systeem vervolgens besmetting simuleren.

SIR-model

SIR staat voor Susceptible (vatbaar), Infectious (besmettelijk) en Recovered (genezen). Het is een eenvoudig model dat het verloop van een epidemie in beeld brengt: de rode lijn laat zien hoeveel mensen er vatbaar zijn, groen correspondeert met het aantal besmette personen en de blauwe lijn staat voor het aantal herstelde mensen.

Elke persoon krijgt daarvoor een ‘status’ mee, die met een kleur wordt aangegeven: rood staat voor ‘vatbaar’ (dat geldt in eerste instantie voor de meeste mensen), groen voor ‘besmet’ en blauw voor ‘hersteld’. Deze indeling wordt vaker gebruikt bij het analyseren van epidemieën, namelijk in het zogenaamde SIR-model.

Als iemand groen is dan zie je ook een wolk van groene puntjes om hem heen, want hij is besmettelijk. Hoe groot die wolk is -oftewel, hoe dicht je in de buurt moet zijn om besmet te raken- moet de gebruiker van tevoren in het model instellen; net als de infectietijd (hoe lang blijft het gebied besmet?), de ‘overdraagzaamheid’ (hoe besmettelijk is de ziekte?) en de hersteltijd (hoe lang duurt het voordat iemand hersteld is?).

Vervolgens speelt het systeem de sessie af met de gekozen instellingen en gaat voor elke persoon op elk tijdstip na of die besmet zou zijn. Het kijkt of ze als ‘vatbaar’ staan aangegeven en zo ja, of ze lang genoeg in de buurt van een besmet iemand zijn geweest. Als dat zo is, dan genereert het systeem een getal tussen 0 en 1 en wanneer het getal kleiner is dan de ingestelde overdraagzaamheid, dan is de persoon besmet. Zo kun je dus precies zien hoe de ziekte zich in de ruimte zou verspreiden gedurende de opgenomen periode.

Dit is een screenshot van het prototype-programma. Rechtsboven zie je de ruimte waarin de proefpersonen zich bevinden. De kleur van hun naam (o.a. ‘Server3’ en ‘Taggy’), correspondeert met hun status. Dat kun je ook aan de linkerkant zien: daar staan de personen in het vak ‘Susceptible’ (vatbaar), ‘Immune’ (hersteld) of ‘Infected’ (besmet). Wanneer de tijd zou lopen, zou je de personen van kleur en vak zien veranderen.
Mason et al., 2010

Klopt het wel?

De vraag is nu natuurlijk of het gesimuleerde verloop van de ziekte klopt met hoe het echt zou gaan. Om daar achter te komen maakten de onderzoekers ook een grafiek van hun data, net zo één als van het ‘echte’ SIR-model.

De kleuren betekenen hetzelfde als bij het gangbare SIR-model: rood staat voor het aantal vatbare mensen, groen voor het aantal besmette personen en blauwe voor het aantal herstelde mensen.
Mason et al., 2010

De lijnen in de grafiek bestaan in dit geval uit losse punten omdat er op vaste intervallen naar de status van elke persoon wordt gekeken. Maar als je die punten verbindt, zie je dat de grafiek goed klopt met wat je volgens het SIR-model zou verwachten. Voor de onderzoekers is dit een teken dat het systeem goed zou werken. De proef is nu natuurlijk nog wel erg klein en daarom hopen ze het experiment in de toekomst met veel meer mensen uit te voeren.

Literatuur

Mason et al., ‘Modelling infection spread using location tracking’. International Journal of Healthcare Technology and Management, 11 (6), 2010

Lees meer over geoinformatie op Kennislink:

Oeps: Onbekende tag `feed’ met attributen {"url"=>"https://www.nemokennislink.nl/kernwoorden/geo-informatie/geoinformatie/index.atom?m=of", “max”=>"5", “detail”=>"minder"}

Lees meer over epidemieën op Kennislink:

Oeps: Onbekende tag `feed’ met attributen {"url"=>"https://www.nemokennislink.nl/kernwoorden/epidemie/infectieziekten/index.atom?m=of", “max”=>"5", “detail”=>"minder"}

Dit artikel is een publicatie van NEMO Kennislink.
© NEMO Kennislink, sommige rechten voorbehouden
Dit artikel publiceerde NEMO Kennislink op 17 november 2010

Discussieer mee

0

Vragen, opmerkingen of bijdragen over dit artikel of het onderwerp? Neem deel aan de discussie.

NEMO Kennislink nieuwsbrief
Ontvang elke week onze nieuwsbrief met het laatste nieuws uit de wetenschap.