Van 2007 tot en met 2010 vond in Nederland de grootste Q-koortsepidemie plaats die ooit in de wereld waargenomen werd. Meer dan 4000 patiënten werden gemeld en tienduizenden drachtige geiten en schapen werden geruimd. De meeste patiënten werden besmet door inademing van bacteriën die door de wind vanuit geïnfecteerde bedrijven verspreid waren. Dit promotieonderzoek richtte zich op het modelleren van de ruimtelijke component in de Q-koortsepidemie en het identificeren van omgevingsrisicofactoren die mogelijk van invloed zijn geweest op de verspreiding van Q-koorts van boerderijen naar omwonenden.

feb 2016

Auteur: J. van Leuken

Infectieziekten Bulletin, jaargang 27, nummer 2, februari 2016

De ruimtelijke componenten van de Q-koortsepidemie


Tijdens en na de Q-koortsepidemie is een groot aantal artikelen verschenen vooral op microbiologisch en epidemiologisch gebied. In mindere mate is onderzoek gedaan op het gebied van mathematical disease modelling en de link tussen de bron en de mens: de omgeving.

Wij hebben 3 componenten beschreven waarmee we de transmissie van Coxiella burnetii gemodelleerd hebben. Daarbij hebben we telkens aangenomen dat patiënten op hun woonadres besmet zijn.

  1. De eerste component is de afstand van een Q-koortspatiënt tot het bedrijf waarvandaan de Coxiella burnetii-bacteriën verspreid zijn. De concentraties zijn immers naar verwachting het hoogst dichtbij een besmet bedrijf, en deze nemen bij benadering exponentieel af met de afstand.
  2. Ten tweede spelen weersomstandigheden een rol. Met name de windsnelheid en windrichting zijn erg bepalend. Immers, bij een zuidwesten wind wordt de lucht naar het noordoosten getransporteerd, zodat voornamelijk mensen aan die zijde van het bedrijf blootgesteld worden. Bewoners aan de zuidwestzijde zullen dan niet blootgesteld worden – aangenomen dat zij op hun woonadres verblijven en zich niet verplaatsen. De mate van blootstelling aan de noordoostzijde van het bedrijf is vervolgens afhankelijk van tal van meteorologische condities, zoals de windsnelheid (die bepaalt hoe ver de bacteriën getransporteerd worden), neerslag (die bepalend is voor het schoonwassen van de lucht), en temperatuur en straling (die van invloed zijn op de atmosferische menging in de hoogte).
  3. De derde component is veel minder direct en in de literatuur ook minder goed bepaald, namelijk de rol van de omgeving i.e. vegetatie, type bodem en bodemvochtigheid. Deze factoren kunnen de transmissie van bacteriën van een bron naar omwonenden beïnvloeden: bacteriën kunnen erdoor worden weggevangen of op het grondoppervlak terecht komen. Anderzijds kan de omgeving ook bijdragen aan het opwervelen (reaerosoliseren) van bacteriën op de grond die nog niet geïnactiveerd zijn.

Bronopsporing


De eenvoudigste voorspeller voor blootstelling aan Coxiella burnetii is de afstand tussen een bron en een ontvanger. Om toekomstige uitbraken van luchtoverdraagbare zoönosen effectiever aan te pakken, hebben we een methode ontwikkeld om bronnen op te sporen. Deze methode is relatief eenvoudig, aangezien de vereiste data slechts bestaan uit geregistreerde patiëntendata (met van iedere patiënt de eerste ziektedag en zescijferige postcode) en een database met cijfers over de bevolkingsdichtheid.

In 3 geselecteerde Q-koortsgebieden met hoge incidenties en 1 veronderstelde bron van infectie hebben we in een straal van 5 kilometer rondom het patiëntcluster punten op 250 meter afstand van elkaar neergelegd. Voor ieder van deze punten hebben we een incidentie-afstandsmodel gemaakt aan de hand van de waargenomen data en vervolgens met behulp van statistiek de waarschijnlijkheid bepaald dat de betreffende bron daar gelegen was. Het model wees in alle 3 gebieden de verdachte bedrijven als meest waarschijnlijke bron aan.

Vervolgens hebben we ook een tijdsafhankelijke analyse uitgevoerd door de epidemie week voor week te doorlopen om te bepalen vanaf welk moment de eindresultaten benaderd werden. De hotspots konden al in een vroeg stadium geïdentificeerd worden, namelijk zodra 2 tot 10% van de geregistreerde patiënten werden meegenomen in het model. Hoewel de methode op meer situaties getoetst dient te worden, kan dit model bijdragen aan een vroegtijdiger indamming van een uitbraak. Het model is zonder verdere aanpassingen ook toepasbaar op andere infectieziekten die een bron in de omgeving hebben, zoals Legionellose.


 

Titel: Airborne transmission of Coxiella burnetii; Spatial dispersion modelling and the effects of meteorological and environmental conditions on Q fever incidence
Jaar: 2015
Uitgever: Universiteit Utrecht, Institute for Risk Assessment Sciences
PDF Portable Document Format (Portable Document Format): http://www.rivm.nl/Documenten_en_publicaties/Algemeen_Actueel/Nieuwsber…
ISBN: 978-90-393-6385-0


Atmosferische verspreidingsmodellering


Zodra een bron eenmaal geïdentificeerd is, is het vaak wenselijk de infectierisico’s in kaart te brengen. Met behulp van een atmosferisch verspreidingsmodel blijkt de blootstelling goed bepaald te kunnen worden. Een atmosferisch verspreidingsmodel is een meteorologisch model dat de verspreiding van deeltjes, gassen en radioactief materiaal kan simuleren in ruimte en tijd aan de hand van meteorologische gegevens, bijvoorbeeld van het KNMI Koninklijk Nederlands Meteorologisch Instituut (Koninklijk Nederlands Meteorologisch Instituut). Belangrijke componenten van dergelijke modellen omvatten vooraf gedefinieerde emissiepunten, driedimensionale meteorologische gegevens (zoals windsnelheid, windrichting, neerslag, temperatuur en zonnestraling), depositie naar het aardoppervlak, en 1 of meerdere receptorpunten. Wij maakten gebruik van het Operational Priority Substances Short Term Model (OPS Operationele Prioritaire Stoffen (Operationele Prioritaire Stoffen)-ST), dat door het centrum Milieukwaliteit van het RIVM ontwikkeld is.

Door statistische vergelijking van verschillende modellen ontdekten we dat de relatie tussen de door het atmosferisch verspreidingsmodel gemodelleerde concentratie Coxiella burnetii en de waargenomen Q-koortsincidentie gemiddeld genomen beter was dan wanneer alleen afstand als voorspellende variabele werd geselecteerd. Dit terwijl er toch grote aannamen gedaan waren over de hoeveelheden bacteriën die vanuit de boerderijen vrijgekomen waren en de dag en locatie waarop humane infecties begonnen.

Naast retrospectieve analyses, kan het atmosferisch model ook voorspellend gebruikt worden met behulp van de KNMI-weersverwachting. Indien er emissiegegevens bekend zijn, kunnen gekwantificeerde uurgemiddelde blootstellingsgegevens berekend worden, die vervolgens met behulp van een dosisresponsmodel omgerekend kunnen worden tot gekwantificeerde infectierisico’s. Indien er geen emissiegegevens bekend zijn, kunnen met het model relatieve risico’s berekend worden.
 

Omgevingsrisicofactoren


De derde stap in het onderzoek was het verifiëren van de relatie tussen waargenomen Q-koortsincidentie en de mate van vegetatiedichtheid, landgebruik, bodemerosiegevoeligheid, ruwheidslengte (stroomsnelheid over een bepaalde oppervlakte) en bodemvochtigheid. Van deze variabelen is beschreven dat zij effect hebben op de mate waarin deeltjes vanuit de lucht op de grond terecht komen en de mate waarin deeltjes vanaf de grond in de lucht kunnen wervelen. Met behulp van een statistisch model (zero-inflated negative binomial regression model) hebben we deze relatie onderzocht, en daarbij alle geregistreerde patiënten die in 2009 besmet waren en 158 positieve geiten- en schapenbedrijven geïncludeerd. De omgevingsvariabelen bleken alle gecorreleerd aan het optreden van Q-koorts, maar de relatie met de vegetatiedichtheid en bodemerosiegevoeligheid was het sterkst. Dat wil zeggen, gebieden met relatief weinig vegetatie en relatief veel erosiegevoelige bodems werden gekenmerkt door hogere risico’s op Q-koorts.
 

Discussie


Dit werk is een belangrijke stap richting het ontwikkelen van een volledige quantitative microbial risk assessment (QMRA Quantitative microbial risk assessment (Quantitative microbial risk assessment)) voor Q-koorts en andere luchtoverdraagbare pathogene micro-organismen. Een dergelijke QMRA bestaat uit een keten van processen om vanuit signalering en bronopsporing te komen tot het berekenen van infectierisico’s door emissiegegevens te beoordelen, het modelleren van de atmosferische verspreiding en dus ruimtelijke blootstelling, en het bepalen van de ingeademde dosis als functie van onder andere locatie, activiteit en leeftijd. Er dient vooral nog veel werk verricht te worden op het gebied van de emissie, de mate van overleving van de bacteriën in de lucht, en de rol van humane mobiliteit op de feitelijke blootstelling. Momenteel werken het RIVM, de Universiteit Utrecht, de Wageningen Universiteit en het Centraal Veterinair Instituut samen aan een project om met name deze processen beter de duiden en te beoordelen. De modelleerstudie in dit onderzoek zal naar verwachting eind 2016 afgerond zijn.
 

Conclusies


In dit promotiewerk hebben we de ruimtelijke componenten in de Q-koortsepidemie gemodelleerd en daarbij onderscheid gemaakt tussen de rol van afstand, meteorologische condities en de omgeving. Daarbij is het mogelijk gebleken om geïnfecteerde bedrijven op te sporen aan de hand van geregistreerde patiënten. Atmosferische verspreidingsmodellen blijken geschikt voor het simuleren van de verspreiding van Coxiella burnetii (en in principe ook andere micro-organismen) door de lucht. Tenslotte blijken er correlaties te bestaan tussen de waargenomen Q-koortsincidentie en omgevingscondities zoals de mate van vegetatiedichtheid en bodemerosiegevoeligheid.
 

Auteur

J. van Leuken, Centrum Infectieziektebestrijding, RIVM, Bilthoven
 

Correspondentie

Jeroen.van.Leuken@rivm.nl