Seriöse Vorhersagen basieren auf Daten

Stellen Sie sich vor, heißt es in der »Washington Post«, Sie sind ein Epidemiologe …

Eines Tages schickt Ihnen ein Politiker, nennen wir ihn oder sie A.M., eine E-Mail mit der Bitte, ein Vorhersagemodell zu einer neuen Infektionskrankheit zu entwickeln (dabei ist ausdrücklich nicht Covid-19, sondern eine ausgedachte Erkrankung gemeint). Diese neue, aber offensichtlich gefährliche Krankheit »Simulitis« wütet derzeit noch in Form einer Epidemie vor allem in China. Anzeichen sind aber nicht zu übersehen, dass sie sich anschickt, sich über die ganze Welt zu verbreiten. Das Dilemma, in dem Sie als Epidemiologe stecken, besteht darin, dass die Krankheit völlig neu und folglich sehr wenig darüber bekannt ist. Um zumindest ein grobes Modell rechnen zu können, suchen Sie zunächst nach Angaben zur Basis-Reproduktionszahl R₀. Diese gilt als ein Maß dafür, wie viele Menschen ein Infizierter zu Beginn einer Epidemie mit dem infektiösen Agens infiziert.

Nach kurzer Recherche finden Sie zwei Schätzungen für den R₀-Wert der neuen Krankheit, die mit 3,5 und 5 relativ weit auseinanderliegen. Beide Werte geben Sie in ein Simulationsmodell ein und erhalten folgende Resultate (Abb. 1).

Welches Ergebnis das richtige ist, ist zu diesem frühen Zeitpunkt der Epidemie noch nicht zu sagen. Sicher ist hingegen, dass das Modell sehr empfindlich auf einen sich ändernden R₀-Wert reagiert. Trifft R₀ = 5 zu, dürfte der Ausbruch in etwa 50 Tagen seinen Höhepunkt erreichen, wobei dann mehr als 15 Prozent der Bevölkerung infiziert sein sollten. Stellt sich jedoch ein R₀-Wert von 3,5 als korrekt heraus, wird der Höhepunkt in etwa 75 Tagen erreicht und weniger Menschen werden zu diesem Zeitpunkt krank sein.

Der Umgang mit Unsicherheit ist der Kern Ihrer Arbeit als Epidemiologe. Das müssen die Leute verstehen, für die Sie rechnen. Sie müssen vermitteln, dass Sie kein Wahrsager, sondern ein Prognostiker sind, der auf der Basis unterschiedlicher Annahmen die daraus folgenden Konsequenzen sauber ableitet.