Koronavirus-modellering ved FHI
Artikkel
|Oppdatert
|Denne siden beskriver den modellen FHI bruker til situasjonsforståelse og framskrivinger av koronavirusutbruddet i Norge. Nederst på siden finner du alle modelleringsrapportene som er publisert.
Siste rapporter
Regionale/nasjonale rapporter
- 2023-05-25 National Regional Model (pdf) - publisert 25.05.2023
- 2022-11-08 Norwegian Covid-19 scenarios for Autumn and Winter 2022-2023 (pdf) - publisert 08.11.2022
Underlagstall til rapport om omikron-modellering som ble publisert 26.01.22:
- timeseries_ibm-one.zip (zipped file with csv)
This folder contains files with output from the FHI COVID-19 modelling group's agent-based model, corresponding to the report about Omicron published January 26th 2022.
Each csv file contains the data used to make the figures in one section of the document. The file names correspond to the section names.
Some explanation of variables:
inc = incidence
cum = cumulative number
prev = prevalence
I = infections
H = hospitalisations
ICU = patients on ventilator treatment
The scenarios are distinguished by the following 3 parameters:
- Change_trans_rate: reduction level of interventions on 10th Dec 2021. ("-55%", "-50%", "-45%")
- Change_trans_rate_open1: reopening level of interventions on 1st Feb 2022. ("60% c.r. Feb 1", "80% c.r. Feb 1", "Full c.r. Feb 1")
- Change_trans_time_open2: time of full reopening in 2022. ("Full reop. Feb 15", "Full reop. Mar 1", "Full reop. Mar 15")
Each scenario consists of 100 simulations, distinguished by the "sim" column.
Korttidsframskrivninger
- Korttidsframskrivninger 10.05.2022 (pdf) - publisert 23.5.2022
Se liste nederst for tidligere rapporter.
Om rapportene (norsk)
FHI lager både prognoser og scenarier
Hva er en prognose?
FHIs ukentlige modelleringsrapporter inneholder blant annet prognoser (også omtalt som «prediksjoner»). Dette er beskrivelser av sykdomsbildet de nærmeste tre ukene fram i tid dersom den nåværende utviklingen fortsetter uendret.
Prognosene er basert på historiske data opp til dagen de mates inn i modellene. De vil derfor ikke kunne ta hensyn til nylige endringer som ikke ennå er synlige i dataene. For eksempel er det forsinkelse mellom smitte og sykehusinnleggelse. En annen forutsetning for at prognosene slår til, er at det ikke skjer betydelige endringer de neste ukene i for eksempel smitteverntiltak. Slike faktorer kan være:
- At nye tiltak settes inn.
- At det lettes på tiltak.
- At vi får en kombinasjon av nye tiltak og lettelser.
- At vaksinasjonsdekningen endrer seg betydelig.
- At vi ikke oppdager nye virusvarianter som smitter annerledes enn de vi til nå kjenner.
Vi mener at det ikke er mulig å lage gode langtidsprognoser for covid-19-pandemien. Derfor er våre prognoser begrenset til 3 uker fram i tid. Dette er altså beskrivelser av nær framtid som vi mener det er god grunn til å feste lit til, dersom forutsetningene ikke endrer seg.
Hva et scenario er – og ikke er
I tillegg til prognoser for nær framtid, vanligvis 3 uker fram i tid, lager vi scenarier. Scenarier er ikke prognoser om hvordan Folkehelseinstituttet mener covid-19-epidemien vil utvikle seg framover. Ofte inkluderer scenariene derimot en rekke forutsetninger vi ikke tror vil skje. Det vil derfor være galt å presentere ett tenkt scenario fra FHI som et bilde på hva FHI tror vil kunne skje.
Scenariene er ment å fungere som uttrykk for en situasjon vi kan komme i hvis en rekke beskrevne forutsetninger slår til. Derfor lages flere scenarier – inkludert et verstefalls-scenario.
Hensikten med scenariene er å gi oss og andre som tar beslutninger og planlegger for den videre beredskapen et stykke frem i tid, en bedre forståelse for hvilke alternative framtidsbilder vi bør være forberedt på. Det kan dermed være støtte for videre strategisk planlegging på lengre sikt.
Smittetallet R
Jevnlig oppdatering av smittetallet R (reproduksjonstallet) vil i tiden framover bli publisert i ukerapportene.
Modellberegninger av smittetallet R legger stor vekt på utviklingen av antallet pasienter som legges inn på sykehus med covid-19-diagnose i Norge. I tillegg benyttes testdataene for å få best mulig estimater av smittsomheten av viruset. Testdataene er mer oppdaterte enn pasientdata og inneholder derfor mer informasjon om eventuelle nylige endringer i smittesituasjonen. Estimatene oppdateres jevnlig og publiseres i ukesrapportene.
Du finner liste over tidligere rapporter fra modelleringsgruppen nederst på denne siden. I rapporten finner du R i tabell 1.
Stor usikkerhet
Siden koronavirus er et nytt virus, er det fortsatt stor usikkerhet knyttet til sykdomsforløpet, og hvor stor andel av de smittede personene som krever innleggelse og behandling på sykehus. Følgelig er det store usikkerhetsmomenter knyttet til modellens prediksjoner. Vi håndterer dette i noen grad ved å gjøre stokastiske simuleringer.
Vi oppdaterer løpende parameterne i modellen, når ny kunnskap og bedre data blir tilgjengelig. Samtidig jobber vi stadig med å forbedre metodene vi bruker for å tilpasse modellen til data. En del av parameterne er basert på estimater fra litteraturen, mens andre er estimert fra norske pasientdata på individnivå.
Metapopulasjonsmodell
Modellen er en stokastisk SEIR-type modell med en lokal smitteprosess i hver kommune. Smittespredningen mellom kommunene er modellert ved folk som reiser mellom kommunene. Mengden reising mellom de ulike kommunene er basert på mobiltelefondata fra Telenor. Modellen er en videreutvikling av Engebretsen et al. (2019) og Engebretsen et al. (2020).
Flere artikler (Ferretti et al. 2020, ECDC rapport, LSHTM rapport) har pekt på viktigheten av presymptomatisk smitte. Vi inkluderer derfor presymptomatiske og asymptomatiske i modellen. En skjematisk oversikt over den epidemiologiske modellen er illustrert i figur 1 nedenfor:
Mobilitetsdataene fra Telenor Norway viser hvor mange som har reist fra kommune A til kommune B i løpet av 6-timersintervaller hver dag. Vi simulerer mobilitet ved å flytte personer hver 6. time, i henhold til mobilitetsdataene for det relevante tidsintervallet. Mellom forflytningene lar vi alle mikse der hvor de er i 6 timer, slik at viruset kan spre seg mellom folk i simuleringen, ved at et smittsomt individ befinner seg i samme kommune som et mottakelig individ.
Modellimplementeringen er tilgjengelig på GitHub. Vi bruker asymmetric_mobility_se1e2iiar-modellen fra denne pakken.
Modellen gir oss tidsrekker for antallet i hver sykdomstilstand (klassene i figuren over) i hver kommune. Vi bruker predikert insidens i hver kommune til å simulere antall sykehusinnleggelser, intensivpasienter og dødsfall.
Modellens parametre
For smittespredningsdelen av modellen bruker vi data fra Ferretti et al. (2020), med noen mindre endringer basert på ECDC-rapporten om presymptomatisk tid.
|
Parameter |
Value |
|
Latenstid |
3 dager |
|
Presymptomatisk tid |
2 dager |
|
Smittsom periode |
5 dager |
|
Relativ smittsomhet presymptomatiske |
1.25 |
|
Andel asymptomatiske |
40 % |
|
Relativ smittsomhet asymptomatiske |
0,1 |
For andelen som må på sykehus, bruker vi aldersbestemte rater basert på data fra Salje et al. (2020) justert for andel som er på sykehjem, slik at dødsraten i Norge blir 0,7 % per infeksjon.
I tillegg justerer vi for aldersfordelingen av smittetilfellene i befolkningen, som vi estimerer ut fra testdata. Disse oppdateres jevnlig, og vi refererer til de ulike rapportene for oppdaterte sannsynligheter. Vi korrigerer også for rapporteringsforsinkelser for de fire siste dagene når vi kalibrerer til data. Ved å benytte historiske datasett, har vi estimert sannsynlighet for rapporteringsforsinkelser på 1-4 dager, både for sykehusinnleggelser, positive tester og negative tester. De estimerte sannsynlighetene oppdateres jevnlig, og vi refererer til den nyeste modelleringsrapporten for oppdaterte estimater.
|
Parameter |
Verdi |
|
Tid tilbragt på sykehus |
Se figur 2 nedenfor |
|
Innleggelsesrisiko (samlet) |
3,9 % |
|
Sykehusinnleggelser per infeksjon 0- 9 år 10-19 år 20- 29 år 30-39 år 40-49 år 50-59 år 60-69 år 70-79 år 80+ år |
0,2 % (Salje et al, 2020) 0,2 % 0,6 % 1,3 % 1,7 % 3,5 % 7,1 % 11,3 %* 27 %* |
|
Innsykning til sykehus |
9,7 dager fram til 1. august 2020 (neg. binomial). |
|
Andel på intensiv: |
|
|
februar-juli 2020 |
16 % |
|
august- 2020 |
7,6 % |
|
*Andel innlagt på sykehus er redusert siden beboere på sykehjem vanligvis ikke blir innlagt |
|
Kalibrering
En av nøkkelparameterne i modellen er reproduksjonstallet. Vi kalibrerer modellen og estimerer reproduksjonstallet slik at modellen tilpasses sykehusinnleggelser og testdata både på nasjonalt og fylkesnivå.
I kalibreringen og simuleringene, tar vi hensyn til alle bekreftede importerte tilfeller fra utlandet. Vi plasserer dem i deres bostedskommuner på den datoen de fikk symptomer i modellen, i den symptomatiske klassen. Siden det er sannsynlig at det var flere importerte tilfeller enn de bekreftede, inkluderer vi en forsterkningsfaktor som vi også kalibrerer til data på sykehusinnleggelser.
Vi varierer det estimerte reproduksjonstallet underveis i modellen, definert som R0 (reproduksjonstallet i starten av modellen) og Reff1, Reff2 .....etter tiltak. Vi introduserer løpende nye reproduksjonstall for å kunne fange opp den nylige utviklingen. Vi kalibrerer disse sammen med amplifiseringsfaktoren ved sekvensiell ABC, hvor vi sammenlikner simulerte nye sykehusinnleggelser med observerte nye sykehusinnleggelser og de simulerte positive testtilfellene med de observerte.
Usikkerhet
Resultatene fra modellen er beheftet med usikkerhet på grunn av tilfeldighet i smittespredningen, tilfeldighet i mobilitet (om det er smittsomme eller mottakelige som reiser for eksempel) og usikkerhet i de kalibrerte parameterne. I tillegg er det flere kilder til usikkerhet som modellen ikke fanger opp, og vi tar ikke høyde for usikkerhet knyttet til modellens øvrige parametre. Modellen er en forenklet representasjon av virkeligheten og bygger på en antakelse om gjennomsnittlig atferd i befolkningen på tvers av alder.
Antall innlagte på sykehus er basert på parameterne som angir andelen av smittede som legges inn på sykehus. Dette har store usikkerheter og gir store utslag for estimater av antallet som har blitt smittet i Norge. Basert på ny kunnskap er anslaget for risiko for sykehusinnleggelse justert i uke 12 og i uke 16. Anslaget for antallet smittede i Norge vil justeres opp, når anslag om innleggelsesrisiko justeres ned, og omvendt.
Vi har oppdatert flere parametre i modellen om helsesektorbruk til norske forhold, med bruk av data fra beredskapsregisteret. For andelen som blir innlagt på sykehus vil det være essensielt å få data fra lokale prevalensstudier. Disse dataene kan endre andelene på sykehus betraktelig. For de mest oppdaterte parameterverdiene refererer vi til den nyeste modelleringsrapporten.
Modellen inneholder ikke aldersstruktur, og ulik smittespredning mellom ulike aldersgrupper fanges derfor ikke opp. Råd om at eldre ikke burde ha kontakt med andre og på den måten minske sin risiko for smitte er for eksempel ikke inkludert i modellen.
Tolking av resultatene
Resultatene fra modellen bør tolkes med varsomhet og må alltid ses i sammenheng med annen informasjon og med epidemiologiske vurderinger. Som nevnt ovenfor er det mange usikkerhetsmomenter, og modellen forbedres stadig.
I modellen er det sykehusdata og testdata som brukes for å forstå utviklingen av epidemien. Hvis nye tall for innleggelser ikke stemmer med modellens estimater, betyr det at modellen må revideres for bedre å beskrive den utviklingen vi observerer. Hvis andre data ikke er godt beskrevet av modellen, betyr det mest sannsynlig at noen av de andre parameterne ikke beskriver situasjonen i Norge godt nok. Vi prøver å oppdatere disse parameterne så snart vi får oppdatert informasjon.
Endringer i modellen
Modellen er dynamisk, og den oppdateres den når det kommer ny informasjon fra Norge eller utlandet. Større endringer er beskrevet i den detaljerte rapporten. Disse endringene forklarer hvorfor resultatene endrer seg fra rapport til rapport.
Modellframskrivninger av sykehusinnleggelser basert på GAM og forløpsanalyser
I tillegg til ovenstående modelleringer er det også gjort analyser med en modell basert på flere nivåer av generaliserte additive modeller (Generalized Additive Models, GAM) kombinert med forløpsanalyser (Event History Analyses, EHA). Denne modellen tilpasses direkte til helt oppdaterte data fra BeredtC19.
Modellen tar utgangspunkt i meldte positive tester og estimerer antall innleggelser og intensivinnleggelser med covid-19 som hovedårsak. Modellen er spesielt rettet mot korttidsprognoser, og beregner sannsynligheten for å bli innlagt i kommende uker basert på trend i antall meldte tilfeller av covid-19 siste tre ukene, under forutsetning av at denne trenden holder seg relativt stabil. Nyere data vektes høyere enn eldre data. Den estimerer også tid til sykehusinnleggelse og forventet tid innlagt på sykehus, og de tilsvarende størrelsene for intensivinnleggelser. Smittetrend, sannsynligheter for innleggelse og tid innlagt avhenger i modellen av kjønn, alder, vaksinestatus og risikogruppe for alvorlig forløp av covid-19.
Modellen er på nasjonalt nivå og inkluderer ikke regionale trender. Den tar heller ikke eksplisitt hensyn til planlagt vaksinering i ukene som kommer. Det er imidlertid lagt inn en komponent i modellen som delvis kompenserer for de store endringene som fant sted i teststrategier i august 2021.
Andre covid-19-modeller utviklet ved FHI
I tillegg til metapopulasjonsmodellen vi har beskrevet over utvikler FHI en individbasert covid-19 modell basert på en publisert modell i Di Ruscio et al. (2019), som ble utviklet for å studere spredning av methicillin-resistent S. aureus i Norge. I denne modellen simuleres smittespredningen i detalj og modellen kan brukes til å estimere effekt av tiltak som stengning av skoler eller bruk av hjemmekontor. Denne modellen kan også se på effekter i ulike aldersgrupper.
Vi har også utviklet en nasjonal modell med aldersstruktur for å vurdere effekter av mulige vaksiner mot covid-19. I denne nasjonale modellen bruker vi data fra Helsedirektoratet om risikogrupper for COVID-19 og antall helsepersonell som jobber aktivt i helsesektoren for målrettet vaksinering.