Hulp uit onverwachte hoek: datatechnieken uit de geowetenschappen kunnen helpen corona beter te voorspellen

Een internationale groep onderzoekers, van onder meer de TU Delft, verwacht dat met data assimilatie, een datatechniek uit de geowetenschappen, beter is te voorspellen hoe corona zich verspreidt en wat het effect van bepaalde maatregelen is. Deze wetenschappers denken dat data-assimilatie voor de epidemiologen van het RIVM interessant kan zijn. De onderzoekers hebben een paper over dit onderwerp ingediend bij het wetenschappelijke tijdschrift Foundations of Data Science.

Breder toepasbaar
‘In de geowetenschappen zijn we gewend om bijvoorbeeld het weer of het gedrag van de ondergrond te voorspellen, inclusief de bijbehorende onzekerheden. Een wiskundige methode die we daar sinds enkele decennia met veel succes voor gebruiken, is data-assimilatie, legt Femke Vossepoel van de TU Delft (faculteit Civiele Techniek en Geowetenschappen) uit.

‘Maar deze methode is veel breder toepasbaar, eigenlijk op alle problemen die je kunt modelleren. Ook vóór corona was ik me daar al sterk van bewust, bijvoorbeeld als ik in de krant las over het gebruik van modellen voor bijvoorbeeld ecosystemen of financiële markten.’

‘Dus toen ik door mijn Noorse collega-onderzoeker Geir Evensen werd benaderd om nader te kijken naar de verspreiding van het corona-virus, heb ik meteen toegehapt. Samen met elf collega’s uit inmiddels zeven andere landen (waaronder Brazilië, Argentinië, het Verenigd Koninkrijk en Frankrijk) hebben we ons de laatste weken gestort op het modelleren en voorspellen van de verspreiding van het virus. Dat we hier met zo veel landen samen aan werken, is denk ik wel bijzonder.’

Ziekenhuisopnames
‘We gaan in een vrij simpel model uit van de getallen die, per leeftijdscategorie, beschikbaar zijn voor het verloop van het aantal zieken, het aantal ziekenhuisopnames, het aantal IC-patiënten en het aantal coronadoden. We beginnen met een brede waaier aan mogelijke waardes voor de parameters in het model, bijvoorbeeld de inmiddels welbekende R (de gemiddelde mate waarin een geïnfecteerd persoon andere mensen aansteekt). Deze waardes kalibreren we vervolgens met de daadwerkelijke data, zodat de voorspellingen van het model overeenkomen met de werkelijke metingen en de onzekerheden daarin.’

Voorspellingen
Op deze manier hebben de onderzoekers gekeken naar de datasets van verschillende landen met een heel verschillend verloop van de uitbraak. ‘We kunnen de uitbraak van corona in de verschillende landen nauwkeurig modelleren. Uit dit proces rollen nieuwe, betere waardes voor de parameters, zoals R, met daarbij, heel belangrijk, ook de bijbehorende onzekerheden. Met de aangepaste set van modelparameters kunnen we vervolgens redelijk goede voorspellingen voor de korte termijn maken, typisch voor een periode van twee weken’, zegt Vossepoel.

Scenario’s
Tevens kunnen de wetenschappers scenario’s voor de langere termijn doorrekenen, met daarin bijvoorbeeld verschillende maatregelen (zoals sluiten of weer openen van scholen). ‘Dan ben je natuurlijk wel afhankelijk van de nauwkeurigheid van je (medische en epidemiologische) aannames vooraf. We realiseren ons terdege dat dit laatste niet onze expertise is; die ligt bij instituten als het RIVM. We denken dat er echt winst valt te behalen als we met hen samen kunnen werken om hun voorspellingen voor het corona-virus nog beter te maken.’