Die modellierte Pandemie

Das Auftreten der „Schweinegrippe“ im Jahr 2009 sorgte in mehrfacher Hinsicht für Überraschungen.

  • Zum einen handelte es sich erstmals seit Jahrzehnten wieder um eine echte Grippe-Pandemie. Unter einer Pandemie versteht man das Auftreten eines neuartigen Erregertyps mit länderübergreifender Ausbreitung. Die letzte offizielle Grippe-Pandemie war die sog. Hongkong-Grippe im Jahr 1968. Die Zahl der weltweiten Todesfälle lag bei über 700.000. Verursacht wurde die Hongkong-Grippe durch Influenzavirus-Subtyp A/H3N2. Die Ursache der „Schweinegrippe“ (Neue Influenza) des Jahres 2009 war Influenzavirus-Subtyp A/California/7/2009 (H1N1).
     
  • Ein weiters unerwartetes Ereignis fand sich nach Ausrufung des Pandemiestatus. Obwohl zunächst in Mexiko eine höhere Sterblichkeitsrate als bei vergleichbaren Ausbrüchen beobachtet wurde, zeigte sich im weiteren Verlauf der Pandemie eine Letalität von schätzungsweise "nur" 0,048% (Presanis 2009). Diese ist verhältnismäßig gering im Vergleich zur Sterblichkeitsrate von etwa 0,1% bei gewöhnlichen Influenza-Ausbrüchen.
     
  • Außerdem unerwartet war der im Zuge der Pandemie schwer kalkulierbare Impfstoffbedarf. Die damit verbundenen Probleme wurden möglicherweise verschärft durch widersprüchliche Berichterstattungen der Boulevardpresse. Abwechselnd wurde einerseits über die angebliche Gefährlichkeit der Neuen Grippe berichtet, andererseits über mögliche Risiken der Impfung. Die Botschaft war also "Impfen", weil die „Schweinegrippe" gefährlich sei und gleichzeitig "Nicht Impfen", weil der Impfstoff bedenklich wäre. Der mit so widersprüchlichen "Aufforderungen" (Double Bind) konfrontierte Bürger tat das Naheliegende, nämlich gar nichts. In Deutschland wurden 28,3 Mio. von 34 Mio. beschafften Impfstoffdosen nicht verwendet. Für die Bundesrepublik resultierte ein Verlust von 239 Mio. Euro (Pandemie H1N1 2009/10). 
     
  • Eine weitere Begebenheit ergab sich aus der Bevorratung von antiviralen Medikamenten. Im Zuge der Vorbereitung auf den pandemischen Ernstfall waren im Jahr 2009 große Lagervorräte von Neuraminidase-Hemmern wie Tamiflu® (Wirkstoff: Oseltamivir) angelegt worden. Die Kosten für die Bevorratung innerhalb der Industrieländer betrugen etwa 1,5 Mrd. US-Dollar (Deutsches Ärzteblatt). Diese Politik basierte letztlich auf Empfehlungen der Centers for Disease Control and Prevention (CDC) in Atlanta, USA. Dieser Einschätzung schlossen sich jedoch die Europäische Arzneimittelagentur (EMA, vor Dezember 2009 noch EMEA genannt) sowie die Weltgesundheitsorganisation (WHO) an. Erste Zweifel an der Bevorratungspolitik entstanden nach der glimpflich verlaufenen Schweinegrippepandemie. Rückblickend fiel auf, dass die Herstellerfirma die Zulassung des Wirkstoffs Oseltamivir im Jahr 1999 lediglich mit einer geringfügigen Verkürzung der Krankheitsdauer begründete. Demzufolge wäre ein Nutzen des Wirkstoffs zur Verhinderung von Komplikationen oder zur Unterbindung der Übertragung des Erregers fraglich gewesen. Trotzdem wurde das Medikament in Deutschland für viele Millionen Euro eingekauft und bevorratet (siehe Neuraminidase-Hemmer).

Modellieren
Nach den zahlreichen Überraschungen im Verlauf der Pandemie von 2009/2010 war klar, dass es noch viel zu lernen gibt. Dafür mussten die verfügbaren Daten gesammelt und ausgewertet werden. Bereits während des Ausbruchs lagen Daten der sog. deskriptiven Statistik vor. Also Angaben darüber, wie viele Erkrankungen in welcher Region auftraten und beispielsweise darüber, wie hoch die Sterblichkeitsrate der Patienten war. Nach Auswertung bestehender Daten kamen die Gesundheitsbehörden schnell zu dem Ergebnis, dass es nicht gerechtfertigt wäre, beispielsweise alle Schulen zu schließen. Da sich Pandemien voneinander unterscheiden, kann man aus epidemiologischen Daten den größten Nutzen ziehen, wenn man sie in schlüssige mathematische Modelle einarbeitet. Mit Hilfe solcher Modelle lassen sich verschiedene Szenarien einer Pandemie durchspielen. Auch lässt sich ermitteln, mit welchen Maßnahmen ein Ausbruch am wirksamsten verhindert oder eingedämmt werden könnte. Wichtigste Kenngröße für die Berechnung der Dynamik einer Epidemie ist die Basisreproduktionsrate R0 , die angibt, wie viele Menschen durchschnittlich von einem Infizierten angesteckt werden. Also R0=0,5 würde bedeuten, dass zwei Infizierte insgesamt lediglich zu einer Neuerkrankung führen. Mit anderen Worten, ein Ausbruch mit einer R0 von 0,5 würde bald zum Erliegen kommen. Bei relativ niedriger R0 wären auch Eindämmungsmaßnahmen der Gesundheitsbehörden entsprechend effektiver als bei hoher R0.

Andere Faktoren, die bei der Modellierung von Pandemien ebenfalls berücksichtigt werden müssen, sind die Altersverteilung der Bevölkerung, der Schweregrad der Erkrankungen und die eventuell bereits bestehende Teilimmunität gegen den jeweiligen Erregertyp. (Van Kerkhove 2010)

Rolle des Alters
Das Lebensalter ist im Zusammenhang mit einer Pandemie eine zwiespältige Sache. Zum einen können Ältere im Falle einer Infektion ein höheres Sterblichkeitsrisiko aufweisen, besonders bei bestehenden chronischen Vorerkrankungen. Zum anderen erhöht das Lebensalter die Wahrscheinlichkeit, bereits früher einmal mit einem ähnlichen Erreger in Kontakt gekommen zu sein und eine Teilimmunität zu besitzen. Dies war bei der Pandemie von 2009/2010 bei vielen Älteren der Fall. Daher erkrankten im Vergleich mit der saisonalen Grippe deutlich häufiger jüngere Personen (Altersmedian 15 Jahre, Ärztezeitung). Bei den tatsächlich erkrankten Älteren fanden sich jedoch schwerere Krankheitsverläufe als bei den Jüngeren. (FOCUSSpringer Medizin)

Es bestehen komplexe Zusammenhänge zwischen Lebensalter und Erkrankungsrisiko sowie dem Risiko schwerer Krankheitsverläufe, die bislang noch nicht völlig verstanden werden und daher nur schlecht einer Computersimulation zugänglich sind (Carter 2012).

Schweregrad der Erkrankungen
Eine Aussage über die Schwere der Erkrankung ist möglich über folgende Maßzahlen:

  • Zahl der Erkrankungen/ Zahl der Krankenhauseinweisungen
  • Zahl der Krankenhauseinweisungen/ Zahl der intensivmedizinischen Behandlungen
  • Zahl der Todesfälle/ Zahl der Infektionen

Diese Maßzahlen können durch zahlreiche Faktoren verfälscht werden. Beispielsweise durch eine hohe Dunkelziffer milder Erkrankungen, die nicht registriert werden. Grund für einen Krankenhausaufenthalt ist mitunter weniger die Schwere der Erkrankung, sondern die Notwendigkeit einer Isolierung des Patienten.

  • Es kann sinnvoll sein, eine repräsentative Stichprobe der Bevölkerung serologisch zu untersuchen, um die Gesamtexposition der Bevölkerung abschätzen zu können. Impfprogramme, vor allem wenn sie sich nur auf bestimmte Risikogruppen fokussieren, können ebenfalls zu einem Bias (verzerrtem Ergebnis) hinsichtlich der Gefährlichkeit einer Infektionserkrankung führen. Zwischen impfinduzierten Antikörpern und Antikörpern durch natürliche Infektion lässt sich in der Regel nicht unterscheiden, daher ist die Dokumentation des Impfstatus bei der Durchführung eines seroepidemiologischen Surveys von Bedeutung. Werden repräsentative Stichproben zu unterschiedlichen Zeitpunkten untersucht, lässt sich die Dynamik des Ausbruchs abschätzen. Ergänzend kann bei einem Teil der Proben (von Patienten) neben der serologischen Untersuchung ein direkter Virusnachweis versucht werden.
  • Krankenhaus-basierte Kohortenstudien dienen der Einschätzung der Schwere von klinischen Infektionen und der Ermittlung von Risikofaktoren. Die Nutzung von "Propensity Scores" kann helfen, die Effizienz verschiedener Behandlungsansätze zu überprüfen.
  • Ein zum Beispiel über die Arztpraxen organisiertes Meldesystem kann unterscheiden zwischen „influenza like illness“ (ILI), „acute respiratory illness“ (ARI) und „severe acute respiratory illness“ (SARI).
  • Durch Onlinedokumentation in Krankenhäusern wäre zukünftig eine Erfassung von Todesfällen nahezu in Echtzeit denkbar.

Die Schwere der Erkrankung und das Risiko für tödliche Verläufe kann in einer zweiten Welle gegenüber der ersten Pandemiewelle nochmals deutlich zunehmen. Im Falle der Pandemie von 2009 war dieser Effekt zwar zu beobachten, jedoch insgesamt nur sehr schwach ausgeprägt. (Presanis 2011)

Bisherige Ergebnisse
Es muss damit gerechnet werden, dass wie im Pandemiefall 2009 viele Monate vergehen, bevor ausreichend Daten zur Verfügung stehen, um die Pandemie realistisch modellieren zu können. Vor allem genaue Erkrankungszahlen in den unterschiedlichen Altersgruppen sind relevant. Am Anfang der Pandemie, wenn es am nützlichsten wäre, die Modellierung einzusetzen, existiert oft noch keine ausreichende Datengrundlage. Wenn schließlich ein gutes Modell für die Ausbreitung des Erregers erarbeitet wurde, ist der Ausbruch oft schon so weit gediehen, dass eine gute Modellierung nur noch wenig Konsequenzen hat (Wu 2011). Das Kind ist dann quasi bereits in den Brunnen gefallen. Eine wichtige Rolle bei der Einschätzung der Dynamik eines Pandemiegeschehens spielt daher, neben der Erfassung der epidemiologischen Rohdaten, auch die Erfassung der Stimmung in der Bevölkerung. Herrscht eine gewisse Sorge vor, dann werden Verhaltensempfehlungen (Impfung, Handhygiene, Vermeidung von Menschenansammlungen etc.) eher umgesetzt als im Falle vorherrschender Gleichgültigkeit oder bei bestehender Furcht vor den Gegenmaßnahmen (z.B. Impfung). Damit erlaubt die Erfassung der emotionalen Haltung, die die Bevölkerung im Hinblick auf die Pandemie einnimmt, bereits zu einem frühen Zeitpunkt Aussagen über den weiteren Verlauf des Ausbruchs. (Durham 2012)

Immerhin lassen sich wichtige epidemiologische Schlussfolgerungen bereits aus früheren Modellierungen von Influenza-Pandemien ziehen, unter anderem auch hinsichtlich der Kosteneffizienz von Impfprogrammen (Lugnér 2012):

  • Je mehr Menschen in der Bevölkerung bereits eine Teilimmunität gegen das Pandemievirus besitzen, desto erfolgreicher ist die Strategie, vorrangig junge Menschen und Personen mit erhöhtem Übertragungsrisiko (z.B. in Berufen mit starkem Publikumsverkehr) zu impfen. Verfolgt man diese Strategie, so kann es sein, dass innerhalb der einzelnen Gruppe für sich betrachtet keine Kosteneffizienz des Impfprogramms erzielt wird. Auf die Gesamtbevölkerung bezogen, kann die Impfung der Menschen mit dem höchsten Übertragungsrisiko jedoch auch unter dem Gesichtspunkt der Kosteneffizienz sehr sinnvoll sein.
  • Das Impfen von Personen mit hohem Übertragungsrisiko (z.B. junge Menschen im Alter von 5-19 Jahren) ist eine der wichtigsten Maßnahmen, um Infektketten zu unterbrechen und den Ausbruch von Infektionskrankheiten einzudämmen.
  • Machen Ältere einen hohen Anteil der Bevölkerung aus, so gilt (besonders bei geringer Teilimmunität), dass die Fokussierung des Impfprogrammes auf diese Gruppe medizinisch sinnvoll und kosteneffizient sein kann. Je geringer die Teilimmunität der Bevölkerung gegen das Pandemievirus ist, desto schwerwiegender sind die Auswirkungen der Pandemie für die ältere Bevölkerungsschicht.
  • Je mehr Menschen in der Bevölkerung bereits eine Teilimmunität gegen das Pandemievirus besitzen, desto weniger kosteneffizient sind die Impfprogramme. 

Fazit
Ziel der mathematischen Modellierung von Erkrankungsausbrüchen kann es nicht sein, politische Entscheidungen vorwegzunehmen. Modelle können aber helfen, auf ungewöhnliche Ereignisse vorbereitet zu sein und zu entscheiden, welche Maßnahmen Priorität haben sollten.

Quellen

  • Carter DM, Lu HR, Bloom CE, et al. Complex patterns of human antisera reactivity to novel 2009 H1N1 and historical H1N1 influenza strains. PloS 2012; 7(7): e39435. Epub 2012 Jul 17. [PDF]
  • Durham DP, Casman EA, Albert SM. Deriving behavior model parameters from survey data: self-protective behavior adoption during the 2009-2010 influenza A (H1N1) pandemie. Risk Anal 2012; May 7. doi: 10.1111/j.1539-6924.2012.01823.x. [Epub ahead of print]
  • Lugnér AK, van Boven M, de Vries R, Postma MJ, Wallinga J. Cost effectiveness of vaccination against pandemic influenza in European countries: mathematical modelling analysis. BMJ 2012; 345 doi: 10.1136/bmj.e4445 (Published 12 July 2012)
  • Presanis AM, De Angelis D, Hagy A, et al. The severity of pandemic H1N1 influenza in the United States, from April to July 2009: a Bayesian analysis. PloS Med 2009 Dec; 6(12): e1000207.Epub 2009 Dec 8.
  • Presanis AM, Pebody RG, Paterson J, et al. Changes in severity of 2009 pandemic A/H1N1 influenza in England: a Bayesian evidence synthesis. BMJ 2011;343:d5408 doi: 10.1136/bmj.d5408.
  • Van Kerkhove MD, Asikainen T, Becker NG, et al. Studies needed to address public health challenges of the 2009 H1N1 influenza pandemic: insights from modelling. PloS Med 2010 Jun 1; 7(6): e1000275.
  • Wu JT, Cowling BJ. The use of mathematical models to inform influenza pandemic preparedness and response. Exp Biol Med (Maywood) 2011; 236: 955-961.

Links

MD Medicus Imagevideo

 
  1. MD Medicus
  2. Gesundheitsberatung & Pflegeassistance
  3. Haus-Service & Telemedizin
  4. Versorgungs- & Reha-Management
  5. International Beraten / Reisebüro / Dolmetscher Service
  6. Reise- & Tropenmedizin
  7. Medical Service Balear
  8. Auslands- & Firmenassistance