Inleiding en motivatie

Voor veel ziekteverwekkers stapelt het bewijs zich op dat humane infectie veel vaker voorkomt dan ziekte. De precieze mechanismen achter dit fenomeen, en hoe deze te modelleren is onduidelijk.
Er zijn aanwijzingen dat

1. blootstelling bescherming tegen infectie biedt
2. kruisimmuniteit tussen stammen bestaat en
3. dat stammen waaraan het individu nog niet is blootgesteld het grootste risico in zich dragen, omdat er nog geen immuniteit verworven is.

Deze aspecten gaan over de frequentie van blootstelling, maar zeker zo belangrijk is de grootte van de dosis; een hogere dosis kan potentieel meer schade veroorzaken in de gastheer, oftewel, levert een hogere kans op ziekte.
Het RIVM ontwikkelt risicomodellen voor pathogenen uit verschillende reservoirs. Een onderdeel van deze modellen is de dosis-respons relatie, welke de ziekte-uitkomst voorspelt na blootstelling. Onze huidige dosis-respons modellen bevatten geen immuniteitseffecten, waardoor ze maar beperkt voorspellingen kunnen leveren voor het optreden van ziekte. Dit beperkt onze mogelijkheden om beleidsmakers risk-based advies te leveren over interventies of prioritering.
Succesvolle implementatie van dit project zal tools opleveren die mathematische modellering integreren met data, welke beschikbaar zijn op het RIVM. Dit versterkt de positie van het RIVM in het domein van de infectieziektenmodellering.

Doel(en) en onderzoeksvragen

Ons doel is het bouwen van modellen, verankerd in een solide wiskundig fundament, gecalibreerd met beschikbare uitgebreide databases over infectie- en ziekteincidentie, waarmee we stamdiversiteit, kruisimmuniteit, en dosisafhankelijkheid van ziekte kunnen inbouwen in dosis-respons modellen.
We willen deze methodologie bottom-up opbouwen, door deze in te bouwen in een kwantitatief risicomodel (QMRA Quantitative microbial risk assessment (Quantitative microbial risk assessment)), en top-town opbouwen, door deze in te bouwen in een epidemiologisch transmissiemodel.

Aanpak en methoden

Verschillende wiskundige modelleringstechnieken zullen worden ingezet, zoals dynamische compartimentale modellen, dosis-respons modellen, biomarker modellen voor het schatten van sero-incidentie, en ABC (approximate Bayesian computing, of, benaderende Bayesiaanse berekeningen).
Ons doel is om de modellen eenvoudig te houden, maar met zo groot mogelijke voorspellende kracht met zo weinig mogelijk parameters. Mechanistische modellen, met parameters die een biologische interpretatie hebben, hebben de voorkeur, omdat ze een verbinding kunnen maken tussen epidemiologie en de klinische realiteit.

Verwachte resultaten

We verwachten methodologische vooruitgang te boeken, en een beter begrip te krijgen van de effecten van verworven immuniteit, stamdiversiteit, en dosisverdelingen, op infectie en ziekte. Deze inzichten zullen worden getest door ze in te zetten in de vakgebieden kwantitatieve risicoschatting en epidemiologie.

Geplande producten

Wetenschappelijke publicaties en presentaties. Eind 2017 zal een workshop georganiseerd worden.