Hoppa till huvudinnehåll

THL:s modeller för hur coronaviruset sprider sig är endast riktgivande, men blir bättre hela tiden

coronavirus i Helsingfors
Mer forskning och mer data leder till bättre och exaktare modeller. coronavirus i Helsingfors Bild: Silja Viitala / Tony Pohjolainen Yle coronavirus,helsingfors

Förra veckan publicerade Institutet för hälsa och välfärd, THL, vilka parametrar och modeller som används när coronavirusets framfart analyseras.

Modellerna kan verka som en gissningslek, men i verkligheten används datamaterial för att analysera hur väl modellerna och projektionerna stämmer överens med verkligheten.

Modellerna blir hela tiden bättre i takt med att det kommer in mera data.

Det låter kanske lite invecklat, men tänk så här: Om du ska leda upp en motorcykel för en backe är det lättare om inte vinkeln på backen drastiskt ökar.

Under ett webbseminarium som THL ordnade på måndagen öppnade forskarna upp lite mer om hur datamaterialet används i verkligheten.

För att förklara varför modeller överhuvudtaget används liknar Simopekka Vänskä, specialforskare vid THL, modellerna vid en väderprognos.

– En hel del modeller och matematik har använts för att förutspå hur vädret kommer att se ut om en vecka. Det är ingen exakt vetenskap, men det kan vara riktgivande. På samma sätt fungerar också epidemiologiska modeller. Vi vet att modellerna inte är exakta, men de kan vara riktgivande när det ska bestämmas om restriktioner och liknande, säger Vänskä.

Modellerna baserar sig på SEIR-modellen

THL använder sig av en modell som kallas för SEIR-modellen. SEIR är en engelskspråkig förkortning som står för Susceptible, Exposed, Infectious, Recovered. På svenska blir det mottaglig, utsatt, smittsam, immun.

Denna typ av modell används ofta för att bedöma effekterna av olika interventioner på epidemier.

Den här modellen kan sedan brytas ner till en matematisk ekvation. Med ekvationen kan man räkna ut hur många personer som är mottagliga för viruset.

Av dem som är mottagliga för viruset kan man sedan räkna ut hur många som har exponerats. Det är bara de som har utsatts för viruset som kan smittas och föra smittan vidare. Enligt THL hade ungefär 2,5 procent av Finlands befolkning exponerats för viruset i mitten av mars.

När man vet hur många som har utsatts för viruset kan man räkna ut hur många personer som är smittsamma. Här använder man sig av det omtalade R0-talet.

R0-talet beskriver hur många personer som varje smittad i medeltal kommer att smitta. Ju lägre R0-talet är för en sjukdom desto färre personer smittas.

R står för reproduktionstal, alltså hur många personer en smittad i medeltal kommer föra vidare smittan till.

Sist kan man med hjälp av modellen räkna ut hur många som har återhämtat sig och på så vis blivit immuna mot sjukdomen. För tillfället antar forskare att folk som har insjuknat i covid-19 blir immuna då de tillfrisknat.

Eftersom personer blir immuna efter att de insjuknat är modellen linjär och inte cirkulär.

Plana ut kurvan

Om vi går tillbaka till R0-talet har man med hjälp av modellen också kunnat räkna ut hur belastat hälsovårdssystemet kommer att bli. Om R0-talet är litet kommer färre personer att smittas, men epidemin kommer att vara längre.

Det här är det som Finland strävat efter med hjälp av restriktioner och undantagstillstånd. Vi är inte ute efter att förlänga epidemin för att färre personer ska smittas utan vi strävar efter att det ska finnas intensivvårdsplatser för alla som behöver dem.

Tuija Leino, överläkare vid THL, säger att vi behöver tre vågor av viruset för att hälsovården ska klara av alla patienter.

– Vår modell, som räknar med att vi har ett rätt så lågt R-tal under restriktionerna, visar att om vi sedan öppnar upp, så att R-talet drastiskt stiger från att ha varit under 1 till nästan 2,5, betyder det att vi får en topp av fall som intensivvården inte klarar av. Om vi däremot sakta öppnar upp och R-talet stiger sakta upp till 2,5 kommer viruset i vågor.

Enligt Leino måste vi alltså förlänga tiden som viruset aktivt sprider sig för att försäkra oss om att hälsovården klarar av att ta emot alla patienter.

– Det betyder att vi förlänger den tid som viruset härjar i Finland, men samtidigt garanterar vi att vi har tillräckligt med intensivvårdsplatser för dem som behöver det, säger Leino.

– Enligt vår modell skulle vi alltså vara tvungna att förlänga tiden vi dras med viruset i nästan fem veckor, men däremot skulle det återkomma i tre mindre vågor, vilket inte belastar hälsovården, säger Leino.

Det låter kanske lite invecklat, men tänk så här: Om du ska leda upp en motorcykel för en backe är det lättare om inte vinkeln på backen drastiskt ökar.

Toppen är alltid den samma alltså 2,5, men om den först stiger från 1 till 1,3 och sedan till 1,5 och så vidare har du en längre backe, men det är inte lika ansträngande att skuffa upp motorcykeln.

Många har talat ut om att plana ut kurvan och det är just det som liknelsen handlar om.

Vårdbehoven kan räknas ut

För att räkna ut hur många som kan smittas har en så kallad kontaktenkät använts. Den visar hur ofta personer i olika åldrar kommer i kontakt med varandra.

Invånarna är dessutom indelade i 17 olika åldersgrupper, med fem års mellanrum från 0 upp till 80 plus.

Efter att det har räknats ut hur många som smittats kan man räkna ut hur många som kommer att behöva sjuk- och intensivvård.

THL har också kunnat räkna ut hur länge personer kommer att ligga på sjukhus. De har baserat datamaterialet på kinesiska data från Wuhan.

I allmänhet behöver personer sjukvård tio dagar efter att de smittats och de kommer att spendera totalt åtta dagar på sjukhus.

Om personen däremot behöver intensivvård ser början likadan ut; man hamnar på sjukhus efter tio dagar men man behöver intensivvård redan efter fyra dagar på sjukhus. Sedan spenderar man i medeltal tolv dagar på intensiven och ytterligare fyra dagar på vårdavdelningen efter det.

Personer som behöver intensivvård på grund av coronaviruset tar alltså upp en plats i ungefär 20 dagar. Med hjälp av att räkna ut det här kan både THL och hälsovårdssektorn beräkna hurdana behov patienterna har.

Utgående från datamaterialet har THL dessutom räknat ut att de flesta dödsfallen inträffar 18 dagar efter att personen smittats.

Hur stor sannolikhet är det att man behöver vård?

Baserad på data från Kina har man också kunnat dela in befolkningen i 9 olika åldersgrupper med 10 års mellanrum och sedan 80 plus.

Utgående från tidigare data från Wuhan har man sedan kunnat räkna ut hur många personer i olika åldrar som behöver sjukhus- och intensivvård.

Kari Auranen, professor vid Åbo universitet, säger att datamaterialet om unga personer nödvändigtvis inte stämmer eftersom det inte finns tillräckligt med data.

– Vi vet väldigt lite om hur barn smittas och påverkas av viruset. Det vi vet är att det är väldigt få barn som tagits in på sjukhus på grund av coronaviruset.

Antalet i procent som behöver sjukhusvård är under 0,5 procent ända tills en person som är över 60 år gammal smittas.

– Det mest intressanta är hoppet från personer i åldersgruppen 50–59 till personer i gruppen 60–69. Risken för att behöva sjukvård fyrfaldigas för personer i den här gruppen. Vi vet inte vad det beror på. Sedan hoppar den på nytt trefaldigt när personer som fyllt 70 smittats.

Yngre personer behöver mindre sjukvård per smittad
Yngre personer behöver mindre sjukvård per smittad

Grafen ovanför baserar sig på dendata som THL har publicerat och visar hur många procent av de smittade i olika åldersgrupper som behöver sjukvård.

Enligt tidigare datamaterialet från Wuhan har THL också kunnat räkna ut hur många procent av dem som behöver sjukvård kommer behöva intensivvård och hur många som kommer dö.

Datamaterialet hjälper modellen lära sig

Förutom SEIR-modellen använder sig THL också av en utvecklad version som hjälper modellen lära sig med hjälp av data.

Forskarna kan alltså mata in data om hur epidemin har fortgått i Finland, kontrollera vilken av modellerna som bäst stämmer överens med verkligheten, och på det sättet få en mer verklighetstrogen modell för hur viruset kommer att sprida sig.

Tänk dig att du använder de formlerna från SEIR-modellen för att räkna ut hundratals möjligheter. Sedan matar du in de data som finns tillgängliga i Finland.

Nu ritar du upp en ny kurva med det här datamaterialet och lägger det över dina andra kurvor. Den kurvan som bäst passar ihop med kurvan som baserar sig på verkligheten är den som är mest verklighetstrogen.

Det gör jobbet lättare för forskarna att förutspå hur viruset kommer att bete sig eftersom att man kan förkasta de modeller som inte stämmer så väl överens med verkligheten.

Grafik som visar hur vanligt coronaviruset kan vara fram till slutet av år 2021.
Kurvorna som THL tar fram är riktgivande men blir bättre hela tiden. Grafik som visar hur vanligt coronaviruset kan vara fram till slutet av år 2021. Bild: Yle/Henri Salonen coronavirus,social distancing

Enligt Tuija Leino är kurvorna ändå inte exakta utan ska användas som riktgivande.

– Alla modeller som vi tar fram är endast riktgivande och ska tas med en nypa salt. De motsvarar inte nödvändigtvis verkligheten. Men de hjälper oss förstå hur viruset kommer att bete sig i olika scenarier.

Mikhail Shubin, gästforskare vid THL, säger att verklig data ändå gör modellerna bättre.

– Vi kalibrerar värdena på våra ingångsparametrar så att värdena på utgångsparametrarna motsvarar de data vi faktiskt observerar i verkligheten.

Vissa parametrar kan inte användas i modellerna

Parametrarna som samlas in av Helsingfors och Nylands sjukvårds distrikt som Shubin talar om är huvudsakligen tre stycken:

Den första parametern är R0-talet alltså hur snabbt epidemin växer och hur effektiva restriktionerna har varit.

Den andra är smittofrekvensen, det vill säga hur många personer har smittats och hur många som är mottagliga för smitta vid exponering.

Den tredje är mängden som behöver sjuk- och intensivvård, alltså hur många som behöver vård på grund av smitta och hur mycket kapacitet hälsovården klarar av.

Förutom det här så samlas det också in data från andra länder. Bland annat hur länge personer bär på smittan, hur länge personer som behöver vård är intagna, och smitta via social kontakt.

Förutom de sex parametrarna finns det fler som forskarna inte använder för att räkna modellerna, men som de definitivt håller ett öga på.

– En av dessa parametrar är antalet döda. Datamaterialet är helt enkelt för sporadiskt. De flesta dödsfallen inträffar på äldreboenden och de motsvarar helt enkelt inte resten av populationen och kan därför inte användas för att faktiskt räkna ut hur många som kommer dö.

THL kan inte heller i modellerna förlita sig på antalet smittade.

– Reglerna för vem som testas, och hur ofta, ändrar hela tiden. Dessutom vet vi inte tillräckligt om testen. Det har visat sig att många testresultat har varit falska, både positivt och negativt, säger Shubin.

R0-talet i Finland ligger under 1

För tillfället uppskattar THL att R0-talet i Finland ligger på ungefär 0,8, vilket innebär att varje coronasmittad i medeltal bara smittar färre än en person.

Ju mera data, desto exaktare blir också talet.

– Det har samlats rätt mycket datamaterial under en rätt så lång tid så vi kan räkna ut R0-talet ganska exakt, säger Shubin.

Förutom att testresultaten inte alltid går att lita på vet vi väldigt lite om antikroppar och hur snabbt de utvecklas.

Orsaken till att forskarna använder HUS som sin databank är för att HUS har flest bekräftade fall och enligt Shubin är deras rapportering också mest pålitlig.

– Vi utgår från HUS data, men vi kan alltid ändra modellen för att få svar på hur resten av Finlands sjukvårdsdistrikt kan komma att påverkas.

Trots att allt verkar väldigt komplicerat, och som att forskarna bara gissar fram till de svar de vill ha, förlitar sig väldigt många länder sig på SEIR-modellen. Bland annat Sverige bygger sina modeller på samma sätt som Finland.

Läs också

Nyligen publicerat - Vetenskap