Mobiliteitsgestuurde synthetische contactmatrices als schaalbare oplossing voor real-time pandemiemodelering

Waarom alledaagse bewegingen ertoe doen bij pandemieën

Wanneer een nieuw respiratoir virus begint te circuleren, is een van de grootste onbekenden hoe vaak mensen van verschillende leeftijden daadwerkelijk nauw contact hebben. Die alledaagse ontmoetingen op school, werk, thuis of in het openbaar vervoer bepalen hoe snel een ziekte zich door een bevolking verspreidt. Het is echter extreem moeilijk om die patronen in real time te meten, terwijl mensen hun gedrag veranderen als reactie op regels en angst. Deze studie stelt een eenvoudige maar cruciale vraag: kunnen we routinematig verzamelde mobiliteits- en gedragsgegevens gebruiken in plaats van grootschalige terugkerende enquêtes om deze veranderende contacten snel genoeg te volgen om besluitvorming tijdens een pandemie te ondersteunen?

Bewegingsgegevens omzetten in sociale ontmoetingen

De onderzoekers concentreerden zich op Frankrijk tijdens de eerste twee jaar van COVID-19, een periode die werd gekenmerkt door lockdowns, schoolsluitingen, avondklok en de komst van nieuwe varianten en vaccins. Hun centrale instrument is een "contactmatrix"—een tabel waarin staat hoeveel dagelijkse contacten mensen in de ene leeftijdsgroep hebben met mensen in een andere. Voor de pandemie werden zulke matrices opgebouwd uit gedetailleerde vragenlijsten waarin vrijwilligers hun contacten noteerden. Tijdens COVID-19 genereerde het team in plaats daarvan wekelijkse "synthetische" matrices door uit te gaan van pre-pandemische patronen en vervolgens specifieke typen contacten te verkleinen of te vergroten op basis van realtime indicatoren: Google-werkplek-mobiliteit, schoolbezoek en vakantiekalenders, en enquêtes over hoe vaak mensen zeiden fysiek contact te vermijden.

Vergelijking van synthetische contacten met real-world enquêtes

Om te testen of deze synthetische matrices betrouwbaar waren, vergeleken de auteurs ze met zeven golven van de Franse SocialCov-enquête, die mensen direct vroeg naar hun contacten op verschillende momenten in de pandemie. Over het geheel genomen lieten beide benaderingen vergelijkbare brede trends zien: tijdens de eerste lockdown daalden de contacten tot ongeveer een kwart van het pre-pandemische niveau, en ze stegen daarna geleidelijk naarmate de beperkingen werden versoepeld, zonder halverwege 2022 volledig te normaliseren. Er waren echter belangrijke verschillen. Enquêtes gaven bijna twee keer zoveel contacten aan als de synthetische matrices na de eerste lockdown, een kloof grotendeels veroorzaakt door kinderen en tieners. In perioden waarin scholen open waren, suggereerden enquêtes dat onder-19-jarigen drie tot vier keer meer contacten hadden dan de synthetische schattingen, terwijl de aantallen voor volwassenen en ouderen veel meer overeenstemden tussen de twee methoden.

Beide benaderingen in een ziektemodel stoppen

De echte toets was niet alleen het tellen van contacten, maar nagaan hoe goed elke gegevensbron het werkelijke verloop van de epidemie kon reproduceren. Het team voerde drie verschillende contactveronderstellingen in hetzelfde COVID-19-transmissiemodel voor Frankrijk: wekelijkse synthetische matrices, de spaarzamere enquête-gebaseerde matrices (in de tijd uitgesmeerd met aannames tussen enquêtegolfen), en een enkele vaste pre-pandemische matrix. Vervolgens pasten ze één globale "correctiefactor" aan over opeenvolgende fasen van de pandemie om invloeden vast te leggen die niet direct in de matrices voorkomen, zoals mondkapjesgebruik of seizoensinvloeden. Alle drie modellen konden de algemene curve van ziekenhuisopnames volgen, maar het model met synthetische matrices deed dat met de kleinste fouten en de beste statistische pasvorm, vooral tijdens overgangsperiodes zoals gedeeltelijke schoolsluitingen of het geleidelijk opheffen van avondklokken.

Wat de modellen onthullen over leeftijdsspecifieke risico's

Bij nadere beschouwing van verschillende leeftijdsgroepen gaven de synthetische matrices het meest realistische beeld voor adolescenten, volwassenen en ouderen. Met deze invoer kwamen de door het model voorspelde ziekenhuisopnames en bloedtest-schattingen van eerdere infecties goed overeen met waargenomen gegevens voor die leeftijden. De enquête-gebaseerde matrices daarentegen neigden ertoe infecties bij kinderen en tieners te overschatten, waarschijnlijk omdat ze meer contacten telden die minder relevant waren voor transmissie—bijvoorbeeld gemaskerde of korte ontmoetingen op school. De synthetische matrices onderschatten infecties bij jongere kinderen, wat aangeeft dat beide methoden nog steeds moeite hebben om de meest betekenisvolle contacten van kinderen vast te leggen. Belangrijk is dat de auteurs vonden dat geen enkele globale herschaling een verkeerd passend contactpatroon kon corrigeren: welke leeftijden met wie mengen, was belangrijker dan slechts het totale aantal contacten.

Implicaties voor toekomstige pandemische reactie

Voor niet-specialisten is de kernboodschap dat het mogelijk is veranderende contactpatronen snel genoeg te volgen voor real-time beslissingen zonder voortdurend grote, tijdrovende enquêtes uit te voeren. Door mobiliteitsgegevens, eenvoudige gedragsindicatoren en kennis van waar contacten plaatsvinden (thuis, school, werk, vrije tijd) zorgvuldig te combineren, kunnen volksgezondheidsteams wekelijkse synthetische contactmatrices bouwen die flexibel, schaalbaar en goedkoop zijn. In deze studie presteerden die matrices beter dan zowel traditionele enquête-matrices als statische pre-pandemische patronen in het verklaren wie wanneer werd opgenomen in het ziekenhuis. De auteurs concluderen dat investeren in routinematige, naar leeftijd gesegregeerde mobiliteits- en gedragsgegevens—en in systemen die die cijfers snel in contactmatrices kunnen omzetten—een krachtig ingrediënt zal zijn voor een wendbaardere en effectievere respons op toekomstige epidemieën.

Bronvermelding: Di Domenico, L., Bosetti, P., Sabbatini, C.E. et al. Mobility-driven synthetic contact matrices as a scalable solution for real-time pandemic response modeling. Nat Commun 17, 1845 (2026). https://doi.org/10.1038/s41467-026-68557-3

Trefwoorden: pandemie modellering, sociale contacten, mobiliteitsgegevens, COVID-19 Frankrijk, leeftijdsgestructureerde transmissie