Hoor en wederhoor (finaal)

‘Hoor en wederhoor’ leverde veel nieuwe vragen op. Die kon ik niet beantwoorden. Ik heb ze opnieuw aan het RIVM voorgelegd. Vrijdagavond 19:45 kwam een mail binnen, waarin modelleur Jacco Wallinga antwoorden op de vragen gaf. Bijgaand (hieronder) de complete tekst, vragen en antwoorden. Ik heb Wallinga’s antwoorden gecursiveerd.

Mijn samenvatting: Wallinga erkent dat de R-berekening op basis van testuitslagen scheef kan lopen als er in korte tijd (vier dagen) een sterke toe- of afname is in het aantal tests. ‘Om die reden doen we allerlei extra analyses achter de schermen om te zien of de berekende Rt niet teveel uit de pas loopt met de werkelijkheid. Zo berekenen we Rt ook met ziekenhuisopnames en met IC-opnames, en hebben we rond de overgang naar asymptomatisch testen de Rt ook nog berekend nadat we de asymptomatische mensen uit de data gehaald hadden,’ schrijft hij. Dit en nog veel meer gedetailleerde antwoorden hieronder.

[vraag lezer]

Ik las het artikel inzake de manier van communiceren van Maurice de Hond met daarbij het verweer van het RIVM. Als ik alleen dit artikel lees: https://www.maurice.nl/2020/12/17/reconstructie-hoe-nederland-de-lockdown-in-werd-gemanipuleerd/ – dan zie ik een koppeling van de tests aan de eerste ziektedag en daarbij de conclusie dat de R nog steeds volgt uit het absolute aantal tests. Dat terwijl het percentage positief getesten daalt. Dus los van de toon van Maurice de Hond, heeft hij het echt bij het verkeerde eind? Ik kan er niet echt wijs uit worden, anders dan dat ik zijn antwoord kan volgen en het antwoord van het RIVM voor mij onvolledig / niet precies genoeg is. Ik ben simpelweg op zoek naar iets van ‘waarheid’ in deze data chaos.

Ik verneem graag.

Antw: Rt wordt berekend met het aantal positieve tests. Omdat Rt grofweg wordt berekend als “# nieuwe ziektegevallen op dag 4″/”aantal nieuwe ziektegevallen op dag 0” kan dit bij verandering van testbeleid tijdelijk een verstoring geven. Om die reden doen we allerlei extra analyses achter de schermen om te zien of de berekende Rt niet teveel uit de pas loopt met de werkelijkheid. Zo berekenen we Rt ook met ziekenhuisopnames en met IC-opnames, en hebben we rond de overgang naar asymptomatisch testen de Rt ook nog berekend nadat we de asymptomatische mensen uit de data gehaald hadden. Bij de toelichting op de cijfers wordt dit ook uitgelegd.

Wij begrijpen de antwoorden en definities van het RIVM niet. Laat het RIVM een voorbeeld geven van recente dagen hoe de berekening tot stand kwam.

Welke teller, welke noemer en waar staan de getallen voor?

Hoe speelt de groep besmette asymptomatische mensen  in deze berekening mee?

Antw: het principe van de berekening is “Rt op dag 0” =  “# nieuwe ziektegevallen op dag 4″/”aantal nieuwe ziektegevallen op dag 0”. Maar in werkelijkheid is het complexer omdat mensen niet exact op dag 4 na eigen besmetting anderen infecteren, en omdat veel van de meest recente gevallen nog moeten worden gemeld, en omdat van sommige gemelde gevallen de eerste ziektedag niet bekend is, en omdat sommige mensen niet ziek worden (asymptomatisch). Hoe we hier precies allemaal mee omgaan, is beschreven in wetenschappelijke publicaties, gemeld op de website van het RIVM. Van asymptomatische personen wordt aangenomen dat de tijd tussen infectie en testafname gemiddeld hetzelfde is als voor mensen met symptomen, waardoor ook zij kunnen worden meegenomen in de analyse.

Ik snap toch de reactie van het RIVM niet helemaal. Of je nou de positieve testen an sich neemt, of eerste ziektedag, er wordt toch nog steeds niet gecorrigeerd voor een toename in het aantal testen?  In een artikel van De Hond van 14 december gebruikt hij overigens wel “positieve testen op basis van eerste ziektedag” https://www.maurice.nl/2020/12/14/foute-beslissingen-op-verkeerde-data/. In dit licht ben ik eigenlijk wel benieuwd naar de reactie van Maurice de Hond op de reactie van het RIVM.

Verder begrijp ik totaal niet waarom het zogenaamde R getal nou zo interessant is, het klinkt allemaal heel wetenschappelijk… Maar het is in weze niets anders dan “het stijgt” of “het daalt” (en de berekening kan iedere basisschool leerling doen). Raar ook dat het RIVM dit eerst doet op basis van ziekenhuisopnames (betrouwbaarder) en nu blijkbaar op basis van aantal positieve testen (afhankelijk van hoeveel je test)

RIVM geeft zelf ook data over de door hun geschatte prevalentie onder de bevolking (door serologisch onderzoek naar antistoffen). Daar zie je juist een consistente afname zie onderstaande grafiek, dit is dus totaal niet te rijmen met toename positieve tests (die dus vooral is toegenomen door meer testen). Niet door toename in positieven (En dit is note bene data van RIVM zelf!

Verder is het vreemd dat het RIVM/GGD meer asymptomatische mensen wil gaan testen. Met een zeer lage prevalentie, zullen daarmee het aantal ‘vals-positieven’ gigantisch oplopen. Zelfs bij een zeer specifieke PCR test van 99% (in de praktijk halen ze dit vaak niet eens) is de kans dat je niet ziek bent maar toch (vals) positief wordt getest groter dan 50%! (Zie figuur) En zon positieve test is ingrijpend, je mag namelijk 10 dagen niks meer, niet werken, geen contact met andere mensen, niet reizen. Bij zo iets ingrijpends moet een test toch betrouwbaar zijn? En volgens het RIVM is de prevalentie op dit moment zelfs minder dan 1% dus het aantal vals positieven nog groter. Ik vind dit allemaal echt onbegrijpelijk…

Antw veel overlap met vorige vragen, bijv over toename in aantal testen.

De oorspronkelijke berekening met ziekenhuisopnames was betrouwbaarder omdat destijds van alle ziekenhuisopnames de eerste ziektedag werd gemeld (door het ziekenhuis, waar de patienten voor het eerst positief werden bevonden). Sinds verruiming van het testbeleid is dat niet meer zo, omdat veel mensen als ze in het ziekenhuis komen al bekend positief zijn. Het ziekenhuis meldt dan niet meer aan het RIVM. Ziekenhuizen melden nog wel aan stichting NICE, maar daarbij wordt geen eerste ziektedag doorgegeven. Ook daarmee berekenen we een Rt (als check op de Rt op de website), met als voordeel dat alle patienten erin komen, maar als nadeel dat we de eerste ziektedag niet weten. Zo heeft elke databron en methode voor- en nadelen en bekijken we zoveel mogelijk voor het best mogelijk beeld.

De PCR-test is veel specifieker dan 99%, anders zouden we inderdaad in de problemen komen. Dat blijkt onder meer uit data uit de zomer, waar groepen van duizenden mensen in gebieden met weinig viruscirculatie allemaal negatief bleken, of soms 1 of 2 positief. Met een specificiteit van 99% zou je altijd tientallen (vals)positief moeten krijgen.

Dankjewel. Om te beginnen, ik zit beslist niet in de fanclub van De Hond.

Je schrijft: ‘Immers: het RIVM vergelijkt niet het absolute aantal positieve gevallen in november met het aantal gevallen in mei; maar de verhouding tussen ziekenhuisopnames op dag x met ziekenhuisopnames op dag x-5.’

Iets verderop schrijf je, op basis van de mailwisseling met Wallinga: ‘De berekening van R is bij benadering de breuk: aantal meldingen met eerste ziektedag 5, gedeeld door het aantal meldingen met eerste ziektedag 1.‘

Correct me if I’m wrong, maar daarmee stel jij ziekenhuisopname en ziektedag aan elkaar gelijk en daar zit de kruks. De eerste ziektedag wordt hoogstwaarschijnlijk teruggerekend vanuit de dag waarop de test heeft plaatsgevonden. Als dat zo is, en daar heeft het alle schijn van, dan wordt het reproductiegetal dus niet gecorrigeerd voor een toename in testen.

Sla er de mailwisseling met Wallinga nog maar eens op na. Jij vraagt: ‘als er meer getest wordt, zullen er onvermijdelijk meer mensen positief testen. Hoe corrigeert RIVM hiervoor?’Het antwoord begint met: ‘Een manier om hiervoor te corrigeren bij de berekening van het reproductiegetal is door te kijken naar hoeveel ziekenhuisopnames er zijn per dag met patiënten die positief testen. Hier is geen effect van grotere testcapaciteit en ander testbeleid. Tot 12 juni werden ziekenhuisopnames met een positieve test gebruikt voor de berekening van het reproductiegetal. De reden waarom het reproductiegetal niet na 12 juni is gebruikt, is dat de informatiebron (Osiris) nu incompleet is en kampt met rapportagevertraging.’ M.a.w.: ziekenhuisopnames doen er sinds 12 juni niet meer toe voor de berekening van het reproductiegetal.

Het enige wat het RIVM terecht corrigeert is dat De Hond in zijn blog blijkbaar schreef over positieve testuitslagen dag 5 / 1 terwijl het moet zijn meldingen eerste ziektedag dag 5 / 1. Maar als die meldingen eerste ziektedag worden afgeleid uit de positieve testuitslagen dan heeft De Hond in essentie wel gelijk: het RIVM corrigeert het reproductiecijfer niet voor het enorm toegenomen testvolume.

Kun jij dit svp ophelderen.

Antw: volgens mij is alles hierboven al beantwoord.

Geintrigreerd door de factcheck, heb ik je artikel over MdH / RIVM gelezen en kom eigenlijk tot een andere conclusie: Het lijkt alsof RIVM toegeeft gebruik te maken van positieve testen, alleen nemen ze als datum niet binnenkomst van de test, maar die van de eerste klachten van de melder. Dit vergelijken ze met hetzelfde getal van een paar dagen eerder. In deze berekening gaat R dus inderdaad omhoog als er meer getest wordt (en ze geven ook aan dat de R lager gelegen zou hebben als ze inderdaad naar ziekenhuisopnames zouden kijken zoals MdH voorstelt).

Antw: volgens mij is alles hierboven al beantwoord

Dat is niet zoals het werkt met de R factor!

Je weet R niet uit deze cijfers, wat je wel ongeveer weet is dat de R factor in de 2e week 1,2X groter is dan die in week 1. Dus: als de R-factor in week-1 0,9 is dan is die R-factor in week-2 1,2*0,9=1,08. Of als in week-1 de R-factor reeds 1,2 is, dan is die in week-2 1,2*1,2=1,44. etc. etc.

En in principe is zelfs dat iets te kort door de bocht, omdat als je meer zieken waarneemt uit dezelfde testgrootte (dan wel relatief tov verschil in testgrootte) dat niet persé betekent dat R is toegenomen. Dat kan ook nog een na-ijl effect zijn.

Want nu, in dit voorbeeld, bepaal je enkel het verschil tussen die twee weken, maar uit deze cijfers, zoals ze er nu staan kun je de R-factor helemaal niet bepalen!!

In dit voorbeeld tel je enkel de nieuwe zieken, terwijl in de R-factor ook de bestaande zieken (minus beter) moeten worden meegerekend. Uiteindelijk is de R-factor namelijk – simpel gezegd – relatief hoeveel nieuwe zieken er voortkomen uit één bestaande.

Antw: dit kan ik niet volgen.