In essentie moeten we vooral leren accepteren dat leven, risico’s lopen betekent.
De invloed van het testbeleid op de demografische inzichten van de virusverspreiding
Normale omstandigheden van data: de dataverzameling.
Een persoon ontwikkelt klachten, gaat hiermee naar een (huis)arts deze beredeneert de mogelijkheden en maakt een profiel aan van de patiënt en zoekt bevestiging met behulp van tests.
Binnen deze populatie zou een test redelijk vaste gedragingen vertonen. De test biedt een scala aan resultaat mogelijkheden. De breedte van dit scala hangt af van het type test. Is de test kwalitatief of kwantitatief?
Iedere test wordt gedefinieerd door zijn eigen karakteristieken die vormend zijn voor het resultaat dat uit de test komt en de kans dat het past bij een bepaald ziektebeeld. Een test is nimmer totalitair concluderend maar verschaft info over de waarschijnlijkheid dat een resultaat past bij een gedefinieerde populatie of subpopulatie.
Iedere test is zodanig opgebouwd dat een hoog percentage van de populatie van interest mee gaat op de gedraging van de test. Normaliter beschouwen we een test geschikt als 95% van de populatie in de test een resultaat vindt dat past bij het ziektebeeld van die populatie. Dat betekent als we dubbelzijdig kijken, er patiënten zijn die ten onrechte een signaal geven op de test en dat er patiënten zijn die ten onrechte geen signaal geven. De zogenaamde false positives en false negatives.
Als we nu onder normale omstandigheden het testbeleid doorvoeren, dan zien we dat de tests alleen uitgevoerd worden op mensen die klachten ontwikkelen. Indien de test design goed is, zou 95% van de mensen binnen deze populatie die daadwerkelijk de ziekte hebben een positief resultaat genereren, 2,5% slipt door de test heen en 2,5% krijgt foutief toch de ziekte toebedeeld terwijl er feitelijk iets anders gaande is. Voor de overige patiënten geldt dat er feitelijk een andere oorzaak is.
Wat gebeurt er in een testsamenleving?
In een testsamenleving voegen we populaties toe door het testbeleid aan te passen. Ondanks dat de tests ontwikkeld zijn voor zeer specifieke doeleinden en gemaakt zijn op kenmerken van een ziekte, gaat een test hierbij een eigen leven leiden. Het begint er al mee dat de testspecificaties gestoeld zijn op gebruik in een specifieke populatie en binnen die populatie al een onzekerheid en foutmarge kent. De toegevoegde populatie kent zijn eigen invloeden, in het geval van een corona test is dit bijvoorbeeld een reeds gepasseerde infectie. Daarnaast neemt de testcapaciteit enorm toe: een foutmarge van 5% op een populatie van 600 is iets anders dan een foutmarge van 5% op een populatie van 17,5 miljoen. Bovendien is er op de originele populatie van interest een contra-indicatie die nader onderzoek en monitoring verantwoord: immers daar is zeker iets gaande. Op de aanvullende populatie is dit niet het geval, maar er worden wel consequenties aan gekoppeld.
En niet alleen consequenties voor de onfortuinlijke persoon die de onwelgevallige testuitslag ontvangt. Ook het epidemiologische inzicht over de verspreiding en de risico’s vertekent enorm.
De vraag die immers niet degelijk beantwoord is, is de vraag wat is de effectieve rol in verspreiding en transmissie van deze onfortuinlijke personen, vormen ze werkelijk een risico? Onderzoek wijst uit dat de kans hierop nihil is. En een andere vraag die onbeantwoord blijft, is wat meten we in deze populatie nu echt?
Nu zijn we al enige tijd de epidemiologische weekstaten aan het bijhouden met enorme wisselingen in de verhoudingen tussen de verschillende subpopulaties. Veel wiskundigen en statistici pleiten er voor om voor deze data vervuiling te corrigeren door te kijken naar de procentuele verhouding afgenomen tests en positieve uitslagen. Maar lost dit het probleem wel op?
Dit lost geenszins het probleem op, sterker nog, het vergroot het probleem alleen nog maar meer. Tenzij we met zekerheid kunnen zeggen dat de verhoudingen tussen de verschillende populaties constant is, maar in dat geval is er geen correctie nodig omdat we dan tussen de verschillende populaties ook dezelfde gedraging voor reproductie zullen zien. Het probleem is juist dat er geen indicatieve oorzakelijke reden is voor de afname bij de asymptomatische populatie. Hierdoor is dit geen consequente steekproef is. Dus behoren we aan te nemen dat de gedragingen in deze subpopulatie random is en diens aandeel in de positieve uitslagen dientengevolge uiterst wisselend. Het aandeel in de totale tests kan oplopen tot in de zomermaanden bijna 100%. Het aandeel in de positieve uitslagen is eveneens extreem variabel en eveneens onderhevig aan diverse secundaire invloeden.
Ondanks dat de foutmarge van de totale populatie ten opzichte van de symptomatische populatie enorm is, zou de foutmarge absoluut nog steeds veel kleiner zijn dan de foutmarge procentueel op het aantal afgenomen tests. Dit komt vooral omdat het marginale deel van de positieve tests desondanks uit de symptomatische populatie komt, echter naarmate we meer in het laagseizoen komen, zou dit steeds meer nog naar elkaar toe trekken.
De enige correcte manier om toch weer een goed beeld te krijgen van de epidemiologische situatie is door terug te gaan naar alleen meten in de symptomatische groep of op z’n minst de contra-indicatie symptomatisch mee te wegen.
Desondanks zullen we met een grote groep mensen blijven zitten, die als de dood zijn voor ook maar enig besmettingsrisico. Wat voor deze groep mensen nodig is, is niet een testsamenleving waarbij mensen getest worden, maar een systeem die het verspreidingsrisico indiceert zoals www.coronaweer.nl biedt. Maar ook hieraan kleven de nodige haken en ogen. In essentie moeten we vooral leren accepteren dat leven, risico’s lopen betekent.
VIRUSWAARHEID
0 reacties :
Een reactie posten