Wenn Mathematik die „bestmögliche“ Evidenz liefert

4.5
(2)

Maskenpflicht, Abstandsregeln, Quarantäne für Verdachtsfälle und andere Maßnahmen auf Ebene der „Public Health“ (öffentlichen Gesundheit) sind bisher nach allem Dafürhalten die besten Maßnahmen gegen COVID-19, solange es weder eine wirksame Behandlung noch einen Impfstoff gibt. Doch noch mangelt es an aussagekräftigen Studienergebnissen, um die Wirksamkeit dieser Maßnahmen zu untermauern. Wir stellen in einer dreiteiligen Serie aktuelle Rapid Reviews vor, welche die noch lückenhafte Evidenz zu Public-Health-Maßnahmen zusammenfassen. Momentan beruhen diese noch zu weiten Teilen auf mathematischen Modellierungsstudien – einem Studientyp, den Cochrane in der Regel nicht verwendet. Warum solche Modellierungen in dieser Ausnahmesituation doch die „bestmögliche“ Evidenz darstellen und was sie über die Wirksamkeit von Quarantänemaßnahmen aussagen, stellt dieser erste Teil unserer Serie dar.

In der evidenzbasierten Gesundheitsversorgung spricht man von der „bestmöglichen“ Evidenz, die Entscheidungen zugrunde liegen sollte. Sie zu finden, zu bewerten und zusammenzufassen ist Aufgabe von systematischen Übersichtsarbeiten wie den Reviews von Cochrane. Doch was ist die bestmögliche Evidenz, wenn es drängende Frage zu beantworten gibt, aber noch keine oder zu wenig empirische, also auf Beobachtungen und Experimenten beruhende Studien vorliegen? „Für die Frage, wie wirksam Public-Health-Maßnahmen gegen die Ausbreitung von COVID-19 sind, sind wir gegenwärtig noch zu weiten Teilen auf mathematische Modellierungsstudien angewiesen“, sagt Barbara Nußbaumer-Streit stellvertretende Direktorin von Cochrane Österreich und Erstautorin eines kürzlich aktualisierten Cochrane Rapid Reviews zu Quarantänemaßnahmen.

Mathematische Modellierungen in der Klimaforschung

Mathematische Modellierungen kennt man aus der Klimaforschung. Dort spielen sie eine wichtige Rolle, um Szenarien für die weitere Entwicklung des gegenwärtigen Klimawandels zu entwickeln und die Auswirkungen möglicher Gegenmaßnahmen abzuschätzen. Weil es für viele Fragestellungen keinen Planet B für vergleichende Studien gibt, sind Klimaforscher dabei auf mathematische Modelle angewiesen. Ganz so theoretisch, wie es auf den ersten Blick scheinen mag, sind diese Modelle nicht. Sie beruhen auf bekannten physikalischen Gesetzmäßigkeiten, Daten zu erdgeschichtlichen Klimaveränderungen sowie den detaillierten Wetteraufzeichnungen der vergangenen Jahrzehnte. Auf diese Weise lassen sich verschiedene Klimamodelle mit der Wirklichkeit vergleichen und anpassen. Trotzdem bleibt der Blick in die Zukunft des globalen Klimas mit Hilfe der Mathematik mit Unsicherheit behaftet. Denn viele der Faktoren, die für diese Modelle benötigt werden, beruhen notgedrungen auf Annahmen, die Gegenstand wissenschaftlicher Debatten sind.

Mathematische Modellierungen der Pandemie

Ganz ähnlich sieht es bei der Modellierung der COVID-19-Pandemie aus. Auch hier sollen zukünftige Entwicklungen der Pandemie in verschiedenen Szenarien (z.B. für den Fall einer Umsetzung verschiedener Public-Health-Maßnahmen) abgeschätzt werden. Mathematische Modelle haben hier den Vorteil, dass die möglichen Auswirkungen von Maßnahmen relativ schnell eingeschätzt werden können. Dies ist gerade am Anfang einer Pandemie wichtig. Ihr großer Haken ist jedoch, dass diese Modellierungen immer ein vereinfachtes Abbild der Wirklichkeit darstellen. Sie können nur so gut sein, wie die Annahmen, die in sie eingehen. Neil Ferguson vom Imperial College in London, dessen Simulationen eine wichtige Rolle für die COVID-Maßnahmen der britischen Regierung spielten fasste dies gegenüber dem Fachmagazin Nature so zusammen:

„Modelle sind keine magischen Glaskugeln. Wir bauen vereinfachte Darstellungen der Realität.“

Anders als in der Klimaforschung stehen für Modellierungen der COVID-19-Pandemie bisher nur ein gutes halbes Jahr Erfahrung mit dem Erreger selbst, sowie die indirekten Erkenntnisse von Ausbrüchen anderer Infektionskrankheiten zur Verfügung. Darum sind viele Annahmen der epidemiologischen Modelle noch sehr unsicher. Fergusons Team etwa ging in seinen ersten Modellen davon aus, dass Menschen, die sich von COVID-19 erholen, gegen eine erneute Infektion dauerhaft immun sind. Doch diese Annahme trifft möglicherweise nicht für alle Patienten zu. Um den Wert der verfügbaren COVID-19-Modelle einordnen zu können, ist es daher entscheidend zu wissen, wie sie erstellt werden und auf welchen Annahmen sie beruhen. Wie gut sie das wahre COVID-Geschehen widerspiegeln, werden wir aber wohl erst in einigen Jahren rückblickend beurteilen können.

Quarantänemaßnahmen gegen COVID-19

Die Ergebnisse von Modellierungsstudien sind also mit erheblichen Fragezeichen behaftet. Doch im Moment sind sie mangels aussagekräftiger Studien aus dem echten Leben oft die beste Evidenz, die wir haben. Vor diesem Problem standen auch die Autoren des Cochrane Rapid Reviews „Quarantänemaßnahmen allein oder in Kombination mit anderen Public‐Health‐Maßnahmen zur Kontrolle von COVID‐19“. „Wir haben die erste Version dieses Reviews im April 2020 veröffentlicht. Seitdem haben wir 22 zusätzliche Studien identifiziert und in der Mitte September erschienenen Aktualisierung berücksichtigt. Obwohl die Anzahl der Studien in kurzer Zeit deutlich zugenommen hat, ist die Evidenzbasis noch immer begrenzt“, sagt Erstautorin Barbara Nußbaumer-Streit.

Tatsächlich waren 43 von insgesamt 51 eingeschlossenen Studien mathematische Modellierungen von Quarantänemaßnahmen und ihren Auswirkungen auf das Infektionsgeschehen. Beim Rest handelte es sich um Beobachtungsstudien, die mit ihren eigenen methodischen Schwächen behaftet sind (z.B. haben sie keine Kontrollgruppe) oder Studien zu anderen Coronavirus-Erkrankungen wie SARS und MERS, die also lediglich indirekte Evidenz lieferten. Aus diesen Gründen bewerteten Nußbaumer-Streit und ihre Kollegen die Vertrauenswürdigkeit der in den Review eingeflossenen Evidenz als „niedrig“ oder „sehr niedrig“.

Schlussfolgerungen

Was sind nun die Schlussfolgerungen aus dieser nur bedingt aussagekräftigen Evidenz?

„Die Evidenz deutet darauf hin, dass die Einführung von Quarantänemaßnahmen insbesondere in der frühen Phase einer Pandemie und die Kombination mit anderen Maßnahmen wie z.B. physischer Distanz dazu beitragen kann, die Ausbreitung von COVID-19 zu verlangsamen. Es ist jedoch schwierig zu beurteilen, wie groß dieser Effekt wirklich ist und welche Kombination von Maßnahmen am besten geeignet ist, die Zahl der Neuinfektionen und Todesfälle zu verringern,“ so Nussbaumer-Streit.

Diese Unsicherheit zeigt sich u.a. daran, dass die Schätzungen, wie stark die Zahl der Erkrankten verringert werden kann, je nach Studie zwischen 44 und 96 Prozent schwanken.

Mathematische Modellierungsstudien sind auch ein entscheidender Teil der Datenbasis der beiden anderen Mitte September veröffentlichen Cochrane Reviews zu Public-Health-Maßnahmen gegen COVID-19. Dabei geht es einerseits um Reisebeschränkungen bzw. Kontrollen an Flughäfen und Grenzen, sowie um die Wirksamkeit allgemeiner Screeningmaßnahmen. Diese beiden Übersichtsarbeiten werden wir in den nächsten Wochen in eigenen Beiträgen auf Wissen Was Wirkt vorstellen.

“Klassische Cochrane Reviews schließen in der Regel nur randomisierte kontrollierte Studien und je nach Fragestellung eventuell noch Beobachtungsstudien ein“, sagt Barbara Nußbaumer-Streit. „Die Dringlichkeit von COVID-19 erlaubt es uns aber nicht, auf empirische Studien zu warten. Politiker müssen jetzt entscheiden, welche Maßnahmen sie ergreifen. Besser sie ziehen dazu die beste verfügbare Evidenz aus Modellierungsstudien hinzu, als Entscheidungen ganz ohne Evidenz zu treffen.“ Nussbaumer-Streit hat einen eindringlichen Appell an Forschung und Politik:

„Für die Zukunft ist es absolut essentiell, dass die beschlossenen Maßnahmen wissenschaftlich begleitet und evaluiert werden. Es müssen jetzt systematisch Daten gesammelt und aufbereitet werden, sonst haben wir auch in einem Jahr noch keine bessere Evidenz.“

Text: Georg Rüschemeyer

Barbara Nussbaumer-Streit zur Nutzung von Modellierungsstudien.

Wie gefällt Ihnen dieser Artikel?

Klicken Sie auf einen Stern, um den Artikel zu bewerten.

Durchschnittsbewertung: 4.5 / 5. Anzahl an Bewertungen: 2

Bisher keine Bewertungen. Seien Sie die/der Erste!

Wir freuen uns über Rückmeldung von Ihnen!

Schreiben Sie uns, was wir in Zukunft verbessern oder beibehalten sollten?