Een virtuele zombie-epidemie tijdens Lowlands

zombievirus

D. Klinkenberg, R. Tieben, J. van Rijswijk, S. Bhulai, R. Luigies, J. Hermans, Y. van Rixtel, T. Vaessen, J. Wallinga, C. Elschot

Tijdens Lowlands 2017 hebben we met een virtueel zombiespel de contactnetwerken tussen festivalgangers onderzocht. We wilden weten of mensen bereid waren om met een game mee te doen aan contactonderzoek, en of dat goede data oplevert voor wiskundige modellen voor infectieziekteverspreiding. Hiervoor zijn gegevens nodig over hoe vaak iedereen contact maakt en met hoeveel verschillende anderen. Festivalgangers konden een app installeren en  meedoen aan een virtueel omgeving waar een epidemie was uitbroken van zombievirus. Ondertussen hield de app alle contacten tussen de spelers bij.

Om infectieziekteverspreiding beter te kunnen verklaren en voorspellen, maken we gebruik van wiskundige modellen. Met die modellen evalueren we wat de impact is geweest van maatregelen tijdens uitbraken, en rekenen we door wat er zal gebeuren in toekomstige uitbraken als er veranderingen optreden in bijvoorbeeld vatbaarheid of infectiviteit (door vaccinatie) of gedrag of hygiene. (1) Een belangrijk onderdeel in die modellen bestaat uit het beschrijven van de contacten tussen mensen: hoe vaak hebben mensen contact, en vooral met wie? In sommige gevallen is dat vrij goed te doen, bijvoorbeeld bij het bestuderen van infecties op een intensive-care-afdeling waarbij wordt bijgehouden waar patiënten op welk moment zijn. (2) Belangrijk voor het bestuderen van verspreiding van respiratoire infecties zijn studies geweest met behulp van dagboekjes, waarin mensen van verschillende leeftijden moesten bijhouden met wie ze in contact waren wat de leeftijd van deze mensen was. (3) Echter, hoe goed we ook kunnen meten, het zal vrijwel nooit mogelijk zijn precies te achterhalen wie met wie contact heeft (gehad) en bij welk van die contacten een infectie is overgedragen. We zullen in modellen dus altijd aannames moeten doen, bijvoorbeeld over hoe vaak iedereen contact maakt, en met hoeveel verschillende anderen. Het zou goed zijn te kunnen testen hoe goed de gebruikte modellen zijn.

Met huidige technieken is het mogelijk om mensen voor bepaalde tijd heel nauwkeurig te volgen, en op die manier beter inzicht te krijgen in contactnetwerken. Zo is het mogelijk om op een specifieke locatie met draadloze sensoren contacten registreren, bijvoorbeeld tijdens een schooldag of op een afdeling in een ziekenhuis. (4, 5) Omdat tegenwoordig vrijwel iedereen een smartphone bij zich draagt met GPS (global positioning system), moet het mogelijk zijn om voor een groep mensen hun locatie een tijd lang nauwkeurig bij te houden en op die manier hun contacten in beeld te brengen. Contact is hier gedefinieerd als nabijheid voor een bepaalde duur. Het zal wel nodig zijn mensen te motiveren hieraan mee te doen, als ze er niet direct zelf iets aan hebben.

Om te zien of we mensen hiertoe kunnen motiveren en om te testen hoe bruikbaar die gegevens dan zijn, hebben we in de zomer van 2017 op het Lowlands Festival in Biddinghuizen een proef gedaan. We hebben een game ontwikkeld waarmee mensen konden meespelen in een virtuele zombie-epidemie. In dit artikel leggen we uit wat de game voor de speler inhield en welke gegevens het experiment voor ons opleverde. We laten resultaten van spelrondes (epidemieën) zien, en illustreren gebruik van de data met het vergelijken van 3 infectieziektemodellen. Tenslotte bediscussiëren hoe we met de opgedane ervaring verder kunnen om meer realistische contactnetwerken te bestuderen.

Methoden

Doel

Ons primaire doel was om te kijken of we contactgegevens kunnen verzamelen door mensen vrijwillig een app te laten gebruiken. Voor deze pilot stelden we ons als doel om data te krijgen van een virtuele epidemie waarvan we de exacte informatie hebben wie door wie geïnfecteerd is, en wanneer dat gebeurd is. Om te testen hoe bruikbaar de gegevens echt zijn, wilden we de contactdata gebruiken om wiskundige modellen voor de gesimuleerde epidemie te testen.

Lowlands Science

Het spel is gespeeld tijdens het Lowlands Festival van 18-20 augustus 2017 in Biddinghuizen, een muziek- en cultuurfestival met 55.000 bezoekers. Naast optredens van popartiesten en dance acts is er een uitgebreid randprogramma waaronder sinds 2015 ook Lowlands Science. De bedoeling van Lowlands Science is dat gedurende de 3 dagen van het festival bezoekers kunnen deelnemen aan verschillende wetenschappelijke experimenten. Onderwerpen in 2017 waren onder meer Typen met je brein, Ziek worden van kou en Partnermatchen met DNA. En ons project, De LowlandZ zombie-epidemie.

De LowlandZ app

We hebben een app ontwikkeld onder de naam LowlandZ, die kon worden gedownload via Apples AppStore en de Android Play Store. Festivalgangers konden meedoen door de app te installeren, digitaal informed consent te geven, en een spelersnaam op te geven.

Het spel werd gespeeld in rondes van 1 à 2 uur (en 2 langere rondes in de nacht). Enkele minuten voor start van elke speelronde werd een notificatie gestuurd en iedereen die na de notificatie en voor het einde van de speelronde de app opende, deed mee. In het begin van elke ronde was iedereen vatbaar (mens). De zombie-epidemie werd gestart door 1 persoon als ‘patient zero’ aan te wijzen: deze werd zombie. Iedereen binnen 20 meter van een zombie kreeg een melding dat er een zombie in de buurt was; als je 30 seconden later nog steeds binnen 20 meter was, werd je geïnfecteerd en na een ‘incubatietijd’ van 1 of 2 minuten (verschillend per speelronde) werd je ook zombie. Vanaf dat moment kon je anderen infecteren door binnen 20 meter afstand te komen.

Spelers konden hun eigen status en de status van andere spelers volgen via de app (Figuur 1). Ze zagen hun eigen positie op het festivalterrein met een kleur die hun status weergaf: groen als ze nog vatbaar waren, geel als ze geïnfecteerd waren maar nog geen zombie, en rood als ze zombie waren. Om hun eigen positie zagen ze een cirkel van 20 meter, en verder zagen ze de positie en spelstatus van de andere spelers. Op die manier was het mogelijk zombies te ontwijken, of als zombie juist andere spelers op te zoeken.

Figuur 1. Screenshot LowlandZ

Deelnemers werven

We hebben ruim gebruikt gemaakt van pers en sociale media om het spel en het onderzoek onder de aandacht te brengen en daarmee deelnemers te werven. In de week voorafgaand aan Lowlands zijn er persberichten verspreid door onszelf en door Lowlands. Ook via Twitter en Facebook hebben we met regelmaat aankondigingen gedaan.

Tijdens Lowlands zijn we met doorgegaan met Twitter en Facebook, ook om nieuwe rondes aan te kondigen en te melden hoeveel mensen er meededen. Op het terrein van Lowlands was een hoek ingericht voor Lowlands Science, waar we een groot scherm hadden opgesteld waar het spel real time te volgen was en waar we het verloop van eerdere rondes lieten zien. Omdat door gebruik van de app de batterij van de telefoon sneller leeg raakt en we bang waren dat dat deelname in de weg zou staan, hadden we voor deelnemers bij onze stand een gratis (tegen borg) powerbank.

Dataverzameling

Deelnemers hadden bij installatie toestemming gegeven voor het registreren van hun locatie. Als de telefoon in actieve stand stond (scherm aan) werd elke 10 seconden de locatie van de speler aan de spelserver doorgegeven. Op basis van de geregistreerde locaties van de spelers werd op de server de status van alle spelers geüpdatet, en als die veranderde werd deze naar de telefoons van de spelers toegestuurd. De verspreiding van het zombievirus vond dus plaats door registratie en verwerking van locaties op de server, niet doordat er rechtstreeks contact was tussen de telefoons van spelers. Op die manier kon de volledige zombie-epidemie worden vastgelegd.

Dataverwerking en –analyse

De ruwe data bestonden uit verschillende bestanden, zoals de locatie en infectiestatus van elke speler aan het eind, alle doorgegeven locaties van alle spelers, en van elke geïnfecteerde speler het infectiecontact (waar, wanneer en door wie). We hebben deze data eerst gecontroleerd op consistentie, dus bijvoorbeeld of de 2 betrokken spelers bij een infectiecontact ook volgens de locatiedata bij elkaar in de buurt waren. Vervolgens hebben we 3 opgeschoonde datasets per ronde gemaakt. In de eerste staan alleen alle tijden waarop nieuwe infecties plaatsvonden (incidentiedata) voor het maken van een epidemische curve. In de tweede staat per seconde voor elke speler, geïnfecteerd of niet, de locatie (gps-coördinaten). In de derde staat voor elke zombie de tijd en locatie waarop hij geïnfecteerd werd, en door wie.

Om te kijken hoe bruikbaar de data zijn voor een analyse hebben we enkele wiskundige modellen met behulp van de data vergeleken.

In de eerste stap werden de locatiedata gebruikt om het contactnetwerk in beeld te brengen. In figuur 2 is een voorbeeld van een klein contactnetwerk te zien, met personen weergegeven als stippen en contacten als lijnen tussen de stippen. We hebben de netwerken voor elke spelronde samengevat door voor iedereen te kijken met hoeveel anderen er contact is geweest (lijntjes in het netwerk), en hoeveel van deze contacten onderling ook weer contact hebben gehad (driehoekjes in het netwerk). In het algemeen kan je stellen dat het hebben van veel contacten goed is voor de verspreiding, maar dat veel driehoekjes (hoge clustering) de verspreiding weer minder efficiënt maakt. Hiervan hebben we telkens het gemiddelde berekend:

  1. De verdeling van de verbindingsgraad: het gemiddeld aantal mensen met wie iemand contact heeft gehad, en de standaardafwijking hiervan
  2. De clustercoëfficient: het gemiddeld aantal gesloten driehoekjes per drietal

Figuur 2. Voorbeeld van een contactnetwerk

In de tweede stap hebben we gekeken of deze netwerkparameters (verbindingsgraad en clustercoëfficient) gebruikt kunnen worden om het verloop van de zombie-uitbraken te verklaren. Dit hebben we gedaan door 3 bestaande wiskundige modellen te vergelijken. Alle 3 modellen zijn gebaseerd op het SI-model (susceptible infected), waarin wordt aangenomen dat vatbare mensen besmet worden door contact met een iemand die geïnfecteerd is en direct daarna zelf ook anderen kunnen besmetten:

  • model 1: random. Dit is het standaard SI-model (1), waar helemaal geen gebruik wordt gemaakt van verbindingsgraad of clustercoëfficient. Er wordt aangenomen dat iedereen met iedereen contact kan hebben gehad.
  • model 2: netwerk. Dit model (6) maakt gebruik van de verdeling van de verbindingsgraad, maar niet van de clustercoëfficient. Het houdt er dus rekening mee dat sommige mensen veel en andere heel weinig contacten hebben gehad.
  • model 3: cluster. Dit model (7) maakt van beide netwerkparameters gebruik. Het houdt dus rekening met de aantallen contacten, maar ook met de driehoekjes in het netwerk.

Met de 3 modellen worden de incidentiedata gefit, wat wil zeggen dat de uitbraken zo goed mogelijk worden voorspeld en vergeleken met de echte incidentiedata. Daarna hebben we berekend welk model het best bij de data past (de posterior modelkansen), gebruik makend van het Bayesian Information Criterion (BIC). (8)

Resultaten

De persberichten en onze activiteiten op social media hebben geleid tot diverse krantenberichten, artikelen op websites en een interview op NPO radio 1. Alle aandacht had ertoe geleid dat voor aanvang van het festival de app al ongeveer 1000 keer gedownload was. Tijdens het festival was er veel belangstelling bij het grote scherm waarop de epidemieën te volgen waren: festivalgangers installeerden direct de app om mee te spelen; ook werd veel gebruik gemaakt van de  powerbanks.

We hebben in totaal 12 speelrondes gespeeld (Tabel 1) die tussen de 1 en 5 uur duurden. Van 8 rondes zijn volledige datasets beschikbaar, van 2 rondes onvolledige data, en van 2 rondes geen data (oorzaak onbekend). Het totaal aantal spelers was 5000 over alle rondes en er waren 2500 unieke spelers. GPS-locaties van spelers werden elke 10 seconden gelogd zolang het scherm aan was. Als het scherm na een tijd opnieuw werd aangezet kon de speler zich intussen over grote afstand hebben verplaatst. Omdat een telefoon tijd nodig heeft om de nieuwe locatie te bepalen, leidde dat soms tot fouten in de registratie: locaties van de telefoonmast of van ver buiten het terrein. Meestal werd dat snel hersteld, maar als de telefoon snel weer uit was gezet bleef de foute locatie lang bewaard. Als gevolg hiervan zijn niet alle contacten op de juiste manier geregistreerd: een kleine 5% van de zombies is volgens de locatiedata niet binnen 20 meter geweest van hun infectiecontact. Het grootste deel van de data was wel consistent, wat verdere analyse mogelijk maakte.

Tabel 1. Gegevens van elke speelronde

-- geen gegevensa aantal geregistreerde infectiecontacten die volgens de locatiedata binnen 20 meter lagenb voor elk model de kans dat dat model het best bij de uitbraak past

8 van de 12 rondes waren geschikt voor analyse met de wiskundige transmissiemodellen. Figuur 3 laat de analyse zien van ronde 3. Op het kaartje (figuur 3a) zijn alle spelers aan het eind van de ronde aangegeven met hun speelstatus (vatbaar of geïnfecteerd, ofwel mens of zombie). Het effect van de locatie van spelers is goed te zien: de geïnfecteerde spelers zitten dicht op elkaar, en de spelers die nog vatbaar zijn bevinden zich geïsoleerd aan de randen. De incidentie (figuur 3b) toont een duidelijke epidemische curve. De 3 modellen zijn aan de data gefit, en het blijkt dat model 1 (random) erg afwijkt van de andere 2 (netwerk en clusters). In de prevalentiecurve (figuur 3c) is goed te zien dat de netwerk- en clustermodellen beter fitten: in dit geval past het netwerkmodel zonder clustering met 65% kans het best bij de data. Tabel 1 laat zien welk model in elke ronde het best de data fit, aan de hand van posterior modelkansen. Het random contactmodel past in 1 ronde het best maar meestal helemaal niet, het netwerkmodel en het clustermodel ontlopen elkaar niet veel, met lichte voorkeur voor het model zonder clustering.

Figuur 3. Spelronde 3: (A) eindsituatie op het speelveld; (B) epidemische curve in intervallen van 5 minuten, data en gefitte curves volgens de drie modellen; (C) verloop van de prevalentie, data en modelcurves

Discussie

Het primaire doel van ons project was om te kijken of we mensen kunnen enthousiasmeren om mee te doen met een onderzoek naar contactnetwerken met de mobiele telefoon, en of we daarmee data kunnen verzamelen van voldoende kwaliteit voor verdere analyse. Het antwoord daarop is volmondig ja: er waren boven verwachting veel deelnemers en de data waren goed geschikt voor analyses met wiskundige modellen. De analyses lieten bovendien zien dat het in kaart brengen van de contactnetwerken kan leiden tot betere modellen voor de verspreiding van infectieziekten, want de modellen met netwerkparameters leidden tot betere modelfit in de meeste gevallen.

Het meten en analyseren van contacten die relevant zijn voor een zombie-epidemie tijdens Lowlands is eenvoudiger dan het in kaart brengen van contactnetwerken die relevant zijn voor echte infectieziekten. Een eerste belangrijk verschil is dat we nu de volledige populatie in beeld hadden waarbinnen de infectie zich verspreidde. Zelfs als je contacten zou gaan meten in een gesloten setting als een intensive-care unit of een school, hebben de betrokkenen contact met andere mensen die niet worden gevolgd. Dat maakt het gemeten contactnetwerk incompleet. Een tweede verschil is de tijdschaal. Tijdens de zombie-epidemieën was enkele uren meten voldoende, maar bij echte infectieziekten zit je al gauw in dagen of zelfs weken. De afgelegde afstanden zullen daarmee groter zijn, met ook meer contacten buiten de gemeten populatie (het eerste verschil). Mensen moeten bereid zijn zich zolang te laten volgen, of je moet niet iedereen continu blijven volgen. Een derde verschil zit in de soorten contact waarmee ziektes zich verspreiden. In onze zombie-epidemieën waren de gemeten contacten ook de contacten waarmee het zombievirus zich verspreidde. Bij echte infecties is nabijheid niet voldoende (laat staan 20 meter), en hangt het erg van de infectie af wat voor soort contact nodig is. Voor respiratoire infecties bijvoorbeeld zal nabijheid een redelijke benadering zijn, voor gastro-intestinale infecties in mindere mate, en voor soa niet.

Al deze verschillen maken dat het voor echte infecties onmogelijk is om het werkelijke contactnetwerk compleet in beeld te krijgen. Om vanuit incomplete metingen toch een goed beeld te krijgen zullen meer statistische technieken nodig zijn, en het zal nodig zijn om het gemeten contact (bijvoorbeeld nabijheid) te vertalen naar het echte transmissiecontact. Een kritische vergelijking van verschillende modellen voor het contactnetwerk wordt daarmee erg moeilijk. De data van de zombie-epidemieën zijn dan misschien niet direct te vertalen naar de werkelijkheid, ze zijn door de compleetheid wel veel geschikter om wiskundige contactmodellen te vergelijken, en op die manier verdere ontwikkeling van modellen te sturen.

De ervaring met de zombie-epidemie laat de mogelijkheden zien van het gebruik van real-life games in contactonderzoek. Het blijkt mogelijk veel mensen te laten meedoen aan metingen, en in ons geval bleken de data goed genoeg voor verdere analyses. De spelvorm en de app waarin je direct ziet wat jouw rol in het spel was hebben hier zeker aan bijgedragen. Het was die directe betrokkenheid dat deelnemers vooral aansprak, en dit bleek uit de feedback die we van deelnemers kregen tijdens het festival. Bij het meten van contacten in de echte wereld is het dus zaak om die betrokkenheid te genereren, in de vorm van een spel of ander soort informatie over je eigen rol in relatie tot die van anderen.

Auteurs

D. Klinkenberg1, R. Tieben2, J. van Rijswijk2, S. Bhulai3, R.Luigies2, J. Hermans2, Y. van Rixtel2, T. Vaessen2, J. Wallinga1,4, C. Elschot5

  1. Centrum voor Infectieziektebestrijding, Rijksinstituut voor Volksgezondheid en Milieu, Bilthoven
  2. Games for Health Projects, Eindhoven
  3. Faculteit de Bètawetenschappen, Vrije Universiteit, Amsterdam
  4. Centrum voor Biostatistiek, Leiden Universitair Medisch Centrum, Leiden
  5. GGD Flevoland, Almere

Correspondentie

don.klinkenberg@rivm.nl

Literatuur

  1. Keeling MJ, Rohani P. Modeling infectious diseases in humans and animals. Princeton, NJ: Princeton University Press; 2008. 368 p.
  2. Bonten M. Transmission of nosocomial pathogens. Neth J Med. 2002;60(7 Suppl):52-4; discussion 4-7.
  3. Mossong J, Hens N, Jit M, Beutels P, Auranen K, Mikolajczyk R, et al. Social contacts and mixing patterns relevant to the spread of infectious diseases. PLoS Med. 2008;5(3):e74.
  4. Isella L, Romano M, Barrat A, Cattuto C, Colizza V, Van den Broeck W, et al. Close encounters in a pediatric ward: measuring face-to-face proximity and mixing patterns with wearable sensors. PLoS One. 2011;6(2):e17144.
  5. Salathe M, Kazandjieva M, Lee JW, Levis P, Feldman MW, Jones JH. A high-resolution human contact network for infectious disease transmission. Proc Natl Acad Sci U S A. 2010;107(51):22020-5.
  6. Volz E. SIR dynamics in random networks with heterogeneous connectivity. J Math Biol. 2008;56(3):293-310.
  7. House T, Keeling MJ. Insights from unifying modern approximations to infections on networks. J R Soc Interface. 2011;8(54):67-73.
  8.  Burnham KP, Anderson DR. Model selection and multimodel inference: a practical information-theoretic approach. 2nd ed. New York: Springer Science + Business Media, LLC; 2002. 488 p.

Infectieziekten Bulletin, jaargang 29, nummer 3, maart 2018