DutchEnglishFrenchGerman

Waarom zitten de corona-modellen er zo ver naast?

Paul Frijters is emeritus-hoogleraar welzijnseconomie aan de London School of Economics.

Vanaf maart 2020 kwamen corona-rampvoorspellingen uit modellen. Een team van Imperial College London voorspelde op 16 maart dat er bijna een half miljoen coronadoden in het VK aankwamen met of zonder maatregelen.[1] Het RIVM en gelieerde onderzoekers in Nederland heeft ook zo’n rampvoorspelling van meer dan 130 duizend doden als er geen repressief beleid gevoerd wordt[2], wat uit een model komt waar de tweede kamer vrijwel wekelijks versies van te zien krijgt[3].

Terwijl in de eerste golf nog geen 10% van de doden vielen die als onvermijdelijk genoemd werden in de ICL-modellen van maart (zelfs met lockdowns die in deze modellen alleen tot uitstel leiden, geen afstel), zijn de modelleurs stug doorgegaan met rampen te voorspellen. De grafiek hieronder geeft bijvoorbeeld 4 model-voorspellingen van verschillende teams in het VK versus wat er eigenlijk gebeurde, waarbij belangrijk is te vermelden dat het aantal sterfgevallen in het VK hoger ligt dan Zweden of gemiddeld voor de EU[4]:

Deze modellen zijn al vele malen bekritiseert omdat ze er continu zo spectaculair naast zitten en er nergens ter wereld ook maar een fractie van het voorspelde aantal doden is geweest[5], maar ze blijven aan onze politici voorgeschoteld worden. Wat ze voor beleidsmakers aantrekkelijk maakt is dat ze het idee van controle geven. Ze genereren kleurige plaatjes met veel details en allerlei lijntjes die aangeven wat erin verschillende scenario’s zogenaamd zou gebeuren. Per regio krijgen de politici projecties te zien van wat er zogenaamd zou gebeuren onder verschillende scenario’s, met ‘onzekerheidsmarges’ erbij voor de liefhebber.

De beleidsmakers worden daardoor behandeld alsof ze aan de draaiknoppen van het land zitten: zij mogen het scenario ‘kiezen’. Wat die modelpresentaties[6]  ook zo lekker maakt is dat ze niet de enorme nevenschade[7] laten zien aan onze kinderen of eenzamen, dus de politici wordt het idee van controle over een virus aangesmeerd zonder dat er ook het prijskaartje van de nevenschade aan vastkleeft. Bovendien wordt ze niet echt uitgelegd of die zogenaamde controle er redelijkerwijs wel is.

Dit soort modellen blijven populair omdat ze een interne logica hebben die voor vele wetenschappers heel aantrekkelijk is: ze maken een enorm complex probleem inzichtelijk doordat ze de situatie in een denkkader weergeven die vele wetenschappers het idee geven dat ze het snappen. Veel mensen met een hoog IQ (en laag EQ) vinden dat bijzonder fijn en kunnen al snel niet meer op een andere manier over een probleem denken dan het model waarin ze het op dat moment begrijpen. Mensen die niet gewend zijn in wiskundige modellen te denken (99% van de bevolking dus) vinden dat wellicht een beetje bizar, maar juist onder wetenschappers is het een veel voorkomend probleem dat een dominante denkwijze voor velen de werkelijkheid vervangt en ze niet meer met brede feiten uit de voeten kunnen die niet in dat model passen.

Politici (en rechters!) hebben vaak het probleem andersom: die snappen de modellen die ze voorgeschoteld krijgen vaak niet, maar snappen wel dat de wetenschappers die het ze hun uitlegt een hoog IQ hebben en prachtige plaatjes kunnen genereren. Als die wetenschappers hun dan ook nog eens als koningen behandelen die zogenaamd het volk kunnen beschermen door aan de juiste knopjes te draaien, zijn ze snel verknocht aan diezelfde modellen. Die aanhankelijkheid wordt natuurlijk nog versterkt als het beleid wat ze dan kunnen voeren populair is, hun macht vergroot, en allerlei onverwachte mogelijkheden tot zelfverrijking aanbiedt[8].

Aangezien ik ook vele jaren dit soort modellen in elkaar geknutseld heb, wil ik hier een poging doen om de interne logica van die voorspellende modellen uit te leggen zonder wiskunde. Ik wil duidelijk maken waarom ze zo’n aantrekkingskracht hebben en waarom ze de politici en anderen volstrekt de verkeerde kant op sturen. Ook wordt dan hopelijk duidelijk hoe weinig wetenschappelijk het hele circus om die modellen heen eigenlijk is.

De SIR modellen

Nagenoeg alle corona-voorspellingsmodellen volgen de logica van de zogenaamde SIR-modellen. S staat voor susceptible (“besmetbaren”), I voor infected (“geïnfecteerde”) en R voor removed (“niet meer besmetbaar”). Dit betekent dat een bepaalde bevolking, zoals de bevolking van een land of een verpleegtehuis, opgedeeld wordt in drie groepen: (nog) niet besmet, ziek, en niet meer besmetbaar. Die laatste groep wordt vaak ook nog opgedeeld in ‘overleden’ en ‘genezen’ waarbij dan meestal aangenomen wordt dat wie genezen is niet opnieuw ziek kan worden van dezelfde ziekte. Als we Nederlandse woorden zouden gebruiken zouden we het dus over BGGO-modellen moeten hebben (besmetbaar, geïnfecteerd, genezen, overleden).

Een typische voorspelling van hoe corona in Nederland tot infecties en doden zou leiden in de dagen na een initiële kleine besmetting via het buitenland is dan in de volgende grafiek waarin ik ongeveer de RIVM “worst-case” scenario aannames gemaakt heb. Die worst-case is zogenaamd van toepassing als de bevolking zich volgens het normaal van 2019 zou gedragen.[9] De blauwe lijn is het aantal geïnfecteerde (met de as aan de linkerkant waar je dus kunt zien dat op het hoogtepunt dan wel 4 miljoen mensen geïnfecteerd zijn) en de grijze lijn het totaal aantal doden (met de as aan de rechterkant die dus na ongeveer 140 duizend doden zou gaan).

Merk op dat hoewel hier uitgegaan wordt van een 1% kans op sterven onder de geïnfecteerden, deze modellen op minder dan 1% doden uitkomen als voorspelling (in het voorbeeld 0.85%). Dat is omdat in deze modellen het idee van groepsimmuniteit ingebakken is: een bepaald percentage gaat nooit besmet raken omdat ze beschermd worden wanneer velen om hen heel al genezen zijn en dus de ziekte niet meer kunnen doorgeven.[10] Die hele model-gemeenschap werkt dus met modellen waarin natuurlijke groepsimmuniteit een basisaanname is, hoewel ze daar in de media niet luidruchtig over doen omdat het ze wel uitkomt dat dat idee niet populair is. Ze rekenen erop dat de politici en de bevolking toch niet doorheeft dat zij ook aannemen dat er natuurlijke groepsimmuniteit bestaat (en je dus bijvoorbeeld in dit soort modellen veel minder doden kunt krijgen als je juist de grote groep niet-kwetsbare jongeren vroeg in de pandemie vraagt of ze immuniteit op zich willen nemen door expres besmet te raken terwijl de kwetsbaren van hen vandaan gehouden worden).

Natuurlijk produceert het RIVM mooiere grafieken en stoppen ze er nog wat meer nuances in, maar in de basis zijn alle SIR modellen hetzelfde: ze gaan uit van een bepaald infectiepatroon en een bepaalde sterfkans onder de geïnfecteerden. Daaruit rollen de getallen.

Het allerbelangrijkste in de SIR modellen is dat de modelleur aangeeft hoe groot de kans is dat een geïnfecteerde zou sterven aan een ziekte: dat wordt niet in die modellen zelf geschat maar moet er ‘ingestopt’ worden. Als die sterfkans een verkeerd getal is draait alles volledig in de mist.

Welke sterfkans wordt er dan ingedaan en waar halen ze die vandaan? Voor zo’n cruciale keuze nemen modelleurs graag een getal dat gepubliceerd is in een vooraanstaand tijdschrift. Daar kunnen ze zich achter verschuilen met het verweer “wij volgen Pietje uit de vakliteratuur”.

Een groot manco is dat de vakliteratuur al vroeg in maart 2020 bol stond met heel verschillende schattingen, variërend van 0.2% sterfkans tot wel 5% sterfkans. Die grote verschillen kwamen omdat verschillende onderzoekers het over heel verschillende dingen hadden. De hoge sterfkansen kwamen uit studies die keken naar hoeveel ziekenhuispatiënten met corona ermee overleden. De lage sterfkansen kwamen uit studies die in de algemene bevolking keken hoeveel van de bevolking tekenen van voorgaande infecties vertoonde (via antistoffen en dergelijke), en dat vergeleken met de aantallen doden.

De hoge geschatte sterfkans die uit patiëntenstudies komt is echter niet degene die je wil aannemen in modellen die over de hele bevolking gaan; dan wil je juist de schattingen voor de sterftekans van de gemiddelde persoon in de bevolking hebben. De sterfkans halen uit patiëntenstudies is volstrekt onverantwoord en onwetenschappelijk, maar het wordt toch gedaan omdat je dan lekker hoge sterfkansen krijgt in de modellen en je niet bekritiseerd kan worden dat je het probleem onderschat hebt.

Dit is dan ook precies wat er met die RIVM en ICL-modellen is gebeurd: de modelleurs hebben er expres veel te hoge sterfkansen in gedaan die ze selectief uit de literatuur gepikt hadden. In die literatuur gebruiten vele verschillende studies dezelfde woorden voor hun schattingen (namelijk “Infection Fatality Rate” of “Case Fatality Rate”), waardoor het publiek niet meteen weet wanneer een modelleur getallen kiest die helemaal niet geschikt zijn voor de hele bevolking.

Het is eigenlijk een onverantwoord foefje, maar het volgt de logica van een bureaucratie: de modelleurs verschuilen zich achter vakliteratuur terwijl in de vakliteratuur expres iedereen dezelfde woorden gebruikt voor erg verschillende soort schattingen juist omdat ze dan meer aandacht krijgen. Onder vakgenoten kan dan gepocht worden met die aandacht en weten de collega’s echt wel dat het algemene publiek een beetje bedot wordt, maar de houding is er een van “ik geef toch prima aan in mijn artikel wat ik zelf bedoel, dus moeten ze maar beter opletten als ze mijn getallen gebruiken”. Wetenschappelijke tijdschriften hebben ook die houding en doen in media-optredens ook vaak alsof een sterftegetal dat van toepassing is op een heel speciale groep mensen (zwakke ouderen in ziekenhuizen) een redelijke schatting is voor de hele bevolking.[11]

Hoe zit het dan met de verantwoordelijkheid van de onderzoekers om het algemene publiek goed uit te leggen hoe hun getallen wel of niet gebruikt moeten worden? Tja, wetenschappers die een hoge sterftekans in een groot tijdschrift gepubliceerd hebben gaan echt niet luid in de media roepen dat niemand hun getallen serieus moet nemen voor veelgebruikte modellen. Een enkeling mompelt tegen een journalist dat ze een studie verkeerd begrepen hebben, maar daar blijft het meestal bij. Die verantwoordelijkheid wordt gewoon doorgeschoven naar ‘de gebruikers’. Juist een club als het RIVM, een ‘gebruiker’, zou verantwoordelijk moeten zijn en de meer waarschijnlijke getallen nemen, maar dat gebeurde dus niet in Nederland want ook het RIVM kwam een overdreven rampscenario wel uit. Ook die draait de bewijslast om, zo van “bewijs maar dat de sterftekans kleiner is”.

De logica van alle beleidsscenario’s is dan dat het ‘worst-case-scenario’ eigenlijk het scenario is waar de voorspellingen altijd naartoe neigen tenzij er ‘iets’ gedaan zou worden. Dit is omdat het worst-case scenario als normaal ingebakken is in de vooronderstellingen van deze modellen en dus datgene wat je eigenlijk verwacht. Als dat rampscenario niet gebeurt wordt binnen zo’n model automatisch aangenomen dat dat is vanwege ‘beleid’, wat dat beleid ook was.

Laat ik uitleggen waar dit toe leidt door het aantal sterfgevallen in het ‘normale’ (dus worst-case) scenario van het RIVM te vergelijken met wat we in Zuid-Dakota in de VS de laatste 29 weken gezien hebben, waarbij je moet bedenken dat in Zuid-Dakota ze echt normaal geleefd hebben en geen enkele speciale restricties genomen hebben. Er werd veel getest in Zuid-Dakota en menen ze daar dus te weten dat zeker 60% van de bevolking corona gehad heeft, dus het is echt ‘worst case’.[12] De bevolking in Zuid Dakota is veel kleiner dan in Nederland, dus heb ik hun dodentallen naar Nederlandse verhoudingen geschaald (ongeveer 36.000 doden, wat 0.21% van hun bevolking is[13] en iets als dubbel wat het CBS zegt dat er in Nederland aan ‘excess deaths’ geweest zijn de laatste 10 maanden).

Wat maken modelleurs dan van het spectaculaire verschil in dodelijkheid tussen de voorspelde sterfgevallen onder ‘normaal’ en het eigenlijke verloop in een plek waar normaal gedaan is en je wel dezelfde soort curve ziet maar veel minder doden, en dat nog in een continent (Amerika) waar je hogere sterftecijfers ziet dan in Europa?

Het belangrijkst om te zeggen is dat de modelleurs helemaal niet om zich heen kijken: wat er eigenlijk gebeurd is in Zuid-Dakota (of Scandinavië of Japan of een van de andere 20 landen waar ze nauwelijks beperkingen gehad hebben in de wereld) heeft geen enkel effect gehad op de RIVM-modellen[14]. Ze hebben hun sterftekansen niet aan de realiteit aangepast maar blijven zich verbergen achter strategisch gekozen schattingen van de vakliteratuur.

Binnen het model zijn er echter maar twee ‘toegelaten’ verklaringen waarom de sterftegetallen die we in Zuid-Dakota zagen zoveel lager zijn dan voorspeld: de bevolking in Zuid-Dakota heeft zogenaamd geen aanmoedigingen nodig van hun regering om net zo beperkend te doen als in Nederland, of het virus is om een aparte reden veel gevaarlijker in Nederland dan in Zuid-Dakota. Beide ‘modelverklaringen’ zijn onzinnig als je bedenkt dat zeker 60% van Zuid-Dakota het gehad heeft en de VS juist veel hogere sterftecijfers laat zien dan Europa. De derde mogelijkheid, namelijk dat het RIVM-model van geen kanten klopt en de politici slechts een illusie van controle over de verspreiding van het virus wordt voorgeschoteld, is natuurlijk niet toegelaten binnen de logica van deze modellen.

Zo gaat dit dus: alles wat minder erg is dat wat als ‘normaal’ ingebakken is in het RIVM model wordt uitgelegd als winst wegens beleid; tegen iedere vorm van vermindering van restricties wordt meteen weer dat ‘normale’ scenario naar voren gehaald als de voorspelling van wat er dan gaat gebeuren; en een gedegen zelfreflectie naar de aannames van het model en de kennis die we nu hebben over wat er eigenlijk in vele landen waar echt ‘normaal’ gedaan wordt gebeurt wordt aanvallig vermeden omdat dan het hele circus zou ineenstorten.

Nou zijn er natuurlijk veel modellen in omloop en hebben die van alles en nog wat proberen mee te nemen, maar hetzelfde probleem blijft zich voordoen: alles hangt vast aan schattingen omtrent sterftekansen die van buiten de modellen komen en onrealistisch zijn; de modellen sturen de kijker de verkeerde op omdat ze niet naar de enorme nevenschade kijken; en de modellen leggen het uitblijven van het voorspelde ‘worst-case’ (normale) scenario steevast uit als bewijs dat beleid nuttig is.

De ellende met veel wetenschappers is dat ze weliswaar wel enigszins de nu grote literatuur kunnen zien waarin de enorme nevenschade van het beleid wat zij ondersteund hebben uit de doeken wordt gedaan[15], maar dat ze zo geobsedeerd zijn geworden door dit soort SIR modellen dat ze continu met de vraag komen “hoe werkt het dan eigenlijk in die SIR modellen”? Dit is het omdraaien van de rol van deze modellen: dit soort modellen zijn theorieën die een gedeelte van de werkelijkheid inzichtelijk moeten maken en horen niet een belemmering te zijn om de rest van de werkelijkheid te zien die niet in die modellen past. Die openheid van geest is echter veel gevraagd en veel wetenschappers die met die modellen bezig zijn geweest eisen in feite uitgelegd te worden in termen van hun model wat er wel niet mis mee is en hoe hun modellen aangepast kunnen worden zodat alles ‘klopt’.[16] Dit soort koppig “totdat mij het tegendeel bewezen wordt blijf ik dit model gebruiken” is helaas heel normaal in modelbouwland.

De modelleurs moeten door de eigenlijke gebruikers, namelijk de politiek en het volk, teruggefloten worden. Die gebruikers moeten ruimer kijken naar de kosten en baten van het beleid. Aangezien de RIVM-modellen er al 11 maanden spectaculair naast zitten is de conclusie niet moeilijk over wat hun rol is geweest: ze hebben een regelrechte ramp voor onze kinderen en ons hele volk mogelijk gemaakt en verhult. In het belang van liefde en waarheid moet dat circus beëindigd worden.

[1] https://lockdownsceptics.org/the-imperial-model-and-its-role-in-the-uks-pandemic-response/

[2] Bijv. https://www.thelancet.com/journals/lancet/article/PIIS0140-6736(20)30567-5/fulltext#seccestitle10

[3] https://www.tweedekamer.nl/kamerleden-en-commissies/commissies/volksgezondheid-welzijn-en-sport/thema-coronavirus

[4] De data in Europa suggereert dat lockdowns tot meer, niet minder, coronadoden leiden, waar ik hier een verklaring voor probeerde te geven: https://clubtroppo.com.au/2021/02/03/covid-congestion-effects-why-are-lockdowns-so-deadly/

[5] https://lockdownsceptics.org/how-reliable-is-imperial-colleges-modelling/

[6] Bijvoorbeeld https://www.tweedekamer.nl/debat_en_vergadering/commissievergaderingen/details?id=2021A00687

[7] https://viruswaarheid.nl/informeren/hoe-groot-is-de-sociale-en-economische-schade-van-het-corona-beleid/

[8] https://viruswaarheid.nl/informeren/winnaars-en-verliezers-van-lockdowns-aandeelmarkten-en-het-mkb/

[9] Specifieke aannames: 1% van de geïnfecteerden zou aan de ziekte overlijden, geïnfecteerden zijn meestal 7 dagen besmettelijk (tenzij erg ziek), en er is ongeveer 3 weken tussen infectie en uiteindelijk overlijden.

[10] In formule-vorm: als het replicatie getal in een ‘leef normaal’ scenario R0 is, dan is 1/R0 het gedeelte van de bevolking dat beschermd zou zijn als (R0-1)/R0 de ziekte al gehad heeft en het daarna niet meer kan krijgen. In eigenlijke simulaties is het % dat niet besmet wordt altijd lager omdat er ‘over-shooting’ plaatsvindt (in de simulaties zijn er nog altijd besmettelijke mensen zelfs nadat (R0-1)/R0 de ziekte al gehad heeft). In de simulaties neem ik een R0 van 2,5 die je ook vindt in het CDC in de VS: https://www.cdc.gov/coronavirus/2019-ncov/hcp/planning-scenarios.html.

[11] https://www.nature.com/articles/d41586-020-01839-y

[12] https://eu.argusleader.com/story/news/2021/01/29/covid-19-south-dakota-60-percent-columbia-university-jeffrey-shaman/4275787001/

[13] Dit komt ongeveer perfect overeen met wat Ioanidis aangeeft als de waarschijnlijkste IFR van 0,23-0,27 voor een plek als de VS: https://www.who.int/bulletin/online_first/BLT.20.265892.pdf

[14] Zie ook: https://viruswaarheid.nl/belangrijk/bewijst-zweden-de-onzin-van-de-lockdown/

[15] https://collateralglobal.org/

[16] Ik heb vele ideeën hoe dat met dit zou kunnen doen, maar het punt is juist om niet mee te gaan in dat spel van “een uitbreiding van het model verzinnen waarin alles klopt”. Daar moet het land niet op wachten.

Meld je aan voor de nieuwsbrief