Cholera-epidemieën

Modelleren van cholera-epidemieën in Haı̈ti

Authors:

Maaike van den Berg

Student number: 4665422
Delft University of Technology

Lara Goudsmit
Student number: 4701186
Delft University of Technology

Manuela Hoogwerf
Student number: 4689755
Delft University of Technology

Leonie Nipius
Student number: 4666038
Delft University of Technology

26 mei 2019
Samenvatting

1
Inhoudsopgave

Samenvatting 1

Lijst van gebruikte symbolen 3

1 Inleiding 4

2 Cholera-epidemie 5
2.1 Epidemie . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 5
2.2 Cholera . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 5
2.3 Conclusie . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 5

3 Vereenvoudigd model 6
3.1 SIR-model . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 6
3.2 Analyse van het SIR-model . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 6
3.2.1 Evenwichtspunten . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 7
3.2.2 Gevoeligheidsanalyse . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 8
3.3 Integratiemethoden . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 10

4 Cholera toepassen op vereenvoudigd model 11

4.1 Parameters bepalen . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 11
4.2 Resultaten . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 11

5 Toevoegingen op het model die het realistischer maken 13

5.1 Veranderingen in populatiegrootte . . . . . . . . . . . . . . . . . . . . . . . . . . . 13
5.2 Analyse van het model . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 14

6 Modellen met vaccinatie 15

6.1 Aanpassen parameters vereenvoudigd model . . . . . . . . . . . . . . . . . . . . . . 15
6.1.1 Resultaten . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 15
6.2 Splitsen van bevolkingsgroepen . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 15
6.2.1 Analyse van het model . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 15
6.2.2 Resultaten . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 16
6.3 Conclusie . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 16

7 Model met schoon drinkwater 17

8 Vergelijken van modellen 18

9 ..... 19

10 Conclusie 20

11 Discussie 21

A ..... 23

2
Lijst van gebruikte symbolen

Symbool Beschrijving Eenheid

β infectiekracht (contact rate)
δ geboortegraad: aantal geboortes per tijdseenheid
D duur van infectie dagen
 sterftegraad: aantal sterftegevallen per tijdseenheid
γ genezingssnelheid (transition rate between I(t) and R(t), per tijdseenheid
rate of recovery or death)
I(t) totaal aantal personen dat besmettelijk is -
I1 (t) aantal ingeënte personen dat besmettelijk is -
I2 (t) aantal niet-ingeënte personen dat besmettelijk is -
S(t) totaal aantal personen dat vatbaar is -
N grootte van populatie -
P0 reproductiegetal -
R(t) aantal personen dat genezen is -
S2 (t) aantal ingeënte personen dat vatbaar is -
S1 (t) aantal niet-ingeënte personen dat vatbaar is -
Tc gemiddelde tijd tussen contact
Tr gemiddelde duur van besmetting
∆t tijdstap van integratiemethode

Tabel 1: Gebruikte Symbolen

3
1 Inleiding
Met dit project is ons doel om een epidemie zo nauwkeurig mogelijk te modelleren. In ons project
gaan we de epidemie cholera bestuderen.

Om dit epidemie zo goed mogelijk te kunnen modelleren, beginnen we met een basismodel en
die gaan we naderhand uitbreiden.

Met deze verschillende modellen kunnen we conclusies trekken over wanneer een piek van het
cholera-epidemie te verwachten valt en wat de consequenties zijn van een vaccinatie die gebruikt
wordt door de bevolking die vatbaar is.

4
2 Cholera-epidemie
2.1 Epidemie
Om te weten wat een cholera-epidemie inhoudt, is het goed om eerst wat nader op het begrip
epidemie in te gaan. Een epidemie is een uitbraak van een besmettelijke ziekte. Als een ziekte
plotseling onder een groot aantal mensen voorkomt en dit aantal aanzienlijk groter is dan gewoon-
lijk binnen een bepaalde tijdsperiode het geval is. Dan wordt de uitbraak een epidemie genoemd,
[14]. Er is geen officiële definitie van een epidemie, [13]. Daarom zullen we een plotselinge piek in
het aantal infecties in een bepaald gebied als epidemie beschouwen.

2.2 Cholera
Cholera is een besmettelijke infectieziekte van het maag-darmkanaal die wordt veroorzaakt door
de bacterie Vibrio cholera. Er zijn meer dan 200 serotypen van deze bacterie, slechts twee daarvan
kunnen de bekende epidemieën veroorzaken, namelijk O1 en O139, [8]. De ziekte komt vooral voor
in Tropisch-Afrika ten zuiden van de Sahel, Midden-Oosten, Zuid-Azië, Zuid-Amerika en Golf van
Mexico, [10].

Bij een aardbeving, overstroming of hongersnood neemt het aantal cholera-patiënten toe, [8].
Waarom dit zo is, kan afgeleid worden van de veelvoorkomende manieren van besmetting. Het
contact met besmette patiënten is natuurlijk een manier om besmet te worden, [10]. Een andere
oorzaak is het eten en drinken dat besmet is door ontlasting van cholera-patiënten. Ook het eten
van schelp- en schaaldieren die bactiëren in zich op hebben genomen kan leiden tot het hebben
van cholera. Verder kan een individu besmet worden door onvoldoende gezuiverd leidingwater te
drinken. Doordat reizigers vaak gezuiverd leidingwater drinken en beter letten op wat ze eten, is
deze groep minder kwetsbaar, [10]. Doordat zij vaak gezonder zijn, moeten ze een twee keer zo
grote dosis van de bacterie binnen krijgen dan hen die niet zo gezond zijn, [12].

De tijd tussen besmetting en eerste symptomen zit meestal tussen de 12 uur en 5 dagen en is
gemiddeld 2 à 3 dagen, [12]. Naast de besmetting is ook het verloop van de ziekte, een darmont-
steking, verschillend. Als gezonde reizigers ziek worden, verloopt de ziekte vaak mild. De ziekte
stopt dan meestal vanzelf. Dit is bij anderen zeker niet het geval. De ziekte begint met plotseling
braken. Door grote hoeveelheden diarree loopt de besmette persoon het risico uitgedroogd te
raken en hieraan te overlijden, [10]. De behandeling van cholera bestaat daarom uit het toedie-
nen van extra vocht met daarin belangrijke zouten, [8]. Ook wordt er antibiotica gegeven om de
ziekteperiode te verkorten. Dit betekent dat de periode waarin de persoon anderen kan besmet-
ten korter wordt aangezien deze gelijk staat aan de periode van eerste symptomen tot een paar
dagen na herstel, [12]. Als er geen behandelingen beschikbaar zijn, overlijdt meer dan 50% aan
de ziekte. Maar als er gebruik gemaakt wordt van behandelingen, is dit slechts 5%, [8]. Cholera
kan ook tegengegaan worden door vaccinaties. Het vaccin Dukoral biedt 85% bescherming, [10].
Dit vaccin werkt echter maar voor een korte tijd, [8]. Inenting tegen cholera is niet verplicht en
wordt door veel reisorganisaties niet aanbevolen, dus het is niet waarschijnlijk dat er veel mensen
ingeënt worden tegen cholera, [10].

Tegenwoordig komt cholera slechts sporadisch in Nederland voor. In 2007 zijn er meer dan 177.000
gevallen uit 53 verschillende landen gemeld. De Wereldgezondheidsorganisatie schat dat maar 5-
10% van de gevallen gemeld wordt. Verder is opmerkelijk dat meer dan 90% van de gevallen
voorkomt in Afrika, [11]. Ook in Haı̈ti zijn er afgelopen jaren cholera-epidemieën geweest, [16].
Er is veel informatie te vinden over cholera-epidemiën in dit land. Om ons onderzoek te beperken
kijken we in het vervolg alleen naar Haı̈ti.

2.3 Conclusie

5
3 Vereenvoudigd model
3.1 SIR-model
We beginnen met ons model bij het basis SIR-model dat al bestaat, zie [2], [15]. Dit model bestaat
uit de volgende differentiaalvergelijkingen:
dS −βIS
= (1)
dt N

dI βIS
= − γI (2)
dt N
dR
= γI (3)
dt
Hierbij is S het aantal personen van de populatie dat vatbaar is, I de hoeveelheid van de populatie
dat besmettelijk is en R de hoeveelheid van de populatie dat gestorven, hersteld en/of immuun
is. Verder is N de grootte van de populatie, oftewel N (t) = R(t) + S(t) + I(t). Je hebt ook
nog β dat de contact graad is tussen mensen van I en S, hoe makkelijk of moeilijk wordt de
ziekte overgedragen. Hierbij is βI de kans om de ziekte te krijgen tussen contact van een persoon
uit S met een persoon uit I, de overgangssnelheid van de ziekte. Als laatste hebben we nog γ
1
dat de snelheid van herstel of overlijden is. Als D de duur van een infectie is, dan hebben we γ = D .

Verder houden we bij dit basismodel geboortes en immigraties en al dit soort wisselingen in de
populatie buiten beeld. We zeggen ook dat R zowel het aantal mensen bevat dat is hersteld en
het aantal mensen dat is overleden. We bekijken alleen de simpelste situatie hier. Dus we kunnen
zeggen dat de populatie grootte constant is, dus als we beginwaarden zoals S0 , I0 en R0 hebben,
dan is N = S0 + I0 + R0 . Deze N blijft ook altijd constant, omdat als je de drie differentiaal
vergelijkingen bij elkaar optelt de uitkomst nul is.

De variabelen β en γ kunnen ons ook nog een paar andere dingen over het verloop van een
epidemie vertellen. Namelijk Tr = γ1 is de tijd tot herstel en Tc = β1 is de tijd tussen contact van
mensen. Dit kan worden gecombineerd tot P0 = βγ = TTrc de basis reproductiesnelheid, namelijk
het aantal contacten dat een geı̈nfecteerde heeft voordat deze persoon herstelt of overlijdt.

Een logische simulatie van het model begint met een bepaalde waarde voor S0 en lage waar-
den voor I0 en R0 . Dan laat vergelijking 1 ons zien dat het aantal mensen dat vatbaar is afneemt,
omdat I, S, N ≥ 0 want alle drie staan voor een aantal mensen. En onder de aanname dat β, γ > 0,
zie paragraaf 3.2, hebben we dat de afgeleide van S negatief is en dus neemt S af. Met deze infor-
matie kan je ook zien dat de vorm van de lijn van I eerst toeneemt als S nog groot is, de afgeleide
is positief. Aan de ander kant heb je als S heel klein wordt dan wordt de afgeleide ook klein en
negatief dus dan neemt I af, dus de vorm van de lijn is een piek. Het neemt eerst toe en dan af.
De afname gebeurt wanneer γI groter is dan βIS N . De vorm van de grafiek van R is stijgend, want
I, γ ≥ 0 dus de afgeleide is positief dus de lijn neemt toe en omdat I op een gegeven moment 0
wordt vlakt de lijn af. Voor grafieken om dit te laten zien zie paragraaf 3.2.2.

3.2 Analyse van het SIR-model

Stelsel differentiaalvergelijkingen: 
dS −βIS
 dt = N

dI βIS
dt = N − γI
(4)
 dR

dt = γI
Bij dit stelsel differentiaal vergelijkingen kunnen de volgende aannames gedaan worden: β 6= 0 en
γ 6= 0. Want als β = 0 dan raakt niemand besmet en is er geen epidemie. Als γ = 0 dan is er voor

6
besmette patiënten geen herstel mogelijk en overlijdt niemand aan de ziekte. Dit is erg onrealis-
tisch. Een andere manier om dit in te zien is dat γ = 1/D → 0 dan en slechts dan als D → ∞.
Verder geldt dat S, I, R ≥ 0, omdat dit het aantal vatbare, geı̈nfecteerde en herstelde personen is.
Het aantal mensen dat geı̈nfecteerd kan worden, kan alleen afnemen, dS dt ≤ 0, dus moet β > 0. Het
aantal patiënten dat hersteld is na ziekte kan alleen toenemen, dus dR
dt ≥ 0. Hieruit volgt dat γ > 0.

3.2.1 Evenwichtspunten
Voor het analyseren van de epidemie is het belangrijk om te weten wanneer er een evenwichts-
situatie ontstaat. Eerst berekenen we de evenwichtspunten handmatig en daarna gebruiken we
Maple. Om de evenwichtspunten te berekenen, worden de drie afgeleiden gelijk aan nul gesteld.
We vinden dat er een evenwicht is als I(t) = 0. Dit is het geval als niemand besmet is. Dus er is
evenwicht in (S, I, R) = (S, 0, R).

Het stelsel kan ook geschreven worden in de volgende vorm:

 −βIS 
d N
(S, I, R) =  βIS
N − γI  (5)
dt
γI
d
De Jacobi-matrix van dt (S, I, R) is:
 −βI −βS

N N 0
βI βS
J d/dt (S, I, R) =  N N −γ 0 (6)
0 γ 0

In de evenwichtspunten is deze matrix gelijk aan:

−βS
 
0 N 0
βS
J d/dt (S, 0, R) = 0 N −γ 0 (7)
0 γ 0

De eigenwaarden van deze matrix zijn λ1 = 0 met algebraı̈sche multipliciteit 2 en λ2 = βS

N − γ met
algebraı̈sche multipliciteit 1. Als een van de eigenwaarden groter is dan nul, dan is het systeem
S(t) S(t)
instabiel. Ofwel als λ2 = βS γ γ
N − γ > 0. Dit is het geval als N > β . Als N ≤ β dan kan er
geen conclusie worden getrokken over de stabiliteit van het evenwicht. Omdat de eigenwaarden
dan allemaal kleiner dan of gelijk aan nul zijn.

Het is gewenst dat het aantal mensen dat besmet raakt afneemt, oftewel dat dS dt < 0. Zodat
S
na verloop van tijd I(t) = 0 en er een evenwichtssituatie ontstaat. Dus het is gewenst dat N < βγ
als I 6= 0. Merk op dat er dan geen conclusie kan worden getrokken over de stabiliteit van het
evenwicht dat op deze manier ontstaat.

Als we vervolgens met Maple de Jacobi-matrix gaan berekenen, dan vinden we precies dezelfde
matrix. Vervolgens vinden we als we de vergelijkingen, zie (4), gelijk stellen aan nul, voor S,
I en R de waarden S = S, I = 0 en R = R. Daarna kunnen we deze waarden invullen in de
Jacobi-matrix en dan vinden we dezelfde Jacobi-matrix als in vergelijking (7). Hier berekenen
we de eigenwaarden van en dan vinden we exact dezelfde eigenwaarden, die we gevonden hadden
bij het handmatig berekenen van de evenwichtspunten. Dus we kunnen concluderen dat de even-
wichtspunten handmatig en met Maple dezelfde uitkomst geven.

7
3.2.2 Gevoeligheidsanalyse
Nu we ons vereenvoudigde model hebben, kunnen we gaan analyseren wat er gebeurt als we de
waarde van een van de parameters β of γ aanpassen. Ook kunnen we gaan analyseren naar wat
er gebeurt als de aantallen voor S, I en R veranderen.

We beginnen met de waarden voor β te veranderen. Nu nemen we de volgende waardes, die

we invullen in ons model, deze waardes gebruiken we voor alle 5 figuren:

S = 4,

I = 0.1,

R=0


8
 (a) β = 4.1, γ = 1 (b) β = 2.1, γ = 1

(c) β = 6.1, γ = 1 (d) β = 4.1, γ = 0.25

(e) β = 4.1, γ = 1.75

Figuur 1: Vijf grafieken met verschillende waardes voor β en γ

In figuur 1 zien we vijf verschillende grafieken met allemaal verschillende waardes voor β en γ
ingevuld. Laten we aannemen dat Figuur 1a onze basisfiguur is, dus we kiezen steeds een grafiek,
die we vervolgens vergelijken met ons basisfiguur.

We beginnen bij figuur 1b, waar we β = 2.1 hebben gekozen. Dan zien we dat de piek van
de epidemie een stuk kleiner is en daardoor dalen en stijgen de lijnen van S en R ook minder snel,
respectievelijk.

Als we nu β = 6.1 kiezen, dan vinden we dat de piek van de epidemie hoger ligt, zoals te zien is
in figuur 1c. Hierdoor daalt S sneller en ook R stijgt hier sneller door. Ook zien we dat de piek

9
minder lang duurt in vergelijking tot de piek van de epidemie bij ons basisfiguur.

Nu veranderen we niks meer aan β, maar gaan we γ aanpassen. We beginnen met γ = 0.25. Dan
komt de piek veel hoger te liggen en deze piek duurt dan ook veel langer, wat te zien is in figuur 1d

Als laatste bestuderen we figuur 1e, waar we γ = 1.75 kiezen. Nu zien we dat de piek lager
ligt, maar nog wel ongeveer even lang duurt als de piek in ons basisfiguur.

Zo kunnen we nu dus concluderen dat als β groter wordt of we verkleinen γ de piek van de
epidemie dan hoger wordt. Als we β groter maken en γ verkleinen, dan vinden we ook een hogere
piek, maar dit figuur ziet er ongeveer net zo uit als figuur 1d. Als we β verkleinen, dan vinden we
juist een lagere piek, net zo als voor een γ die we vergroten.

Wat er gebeurt met de pieken voor verschillende β’s en γ’s is belangrijk en handig voor het
bepalen van deze parameters als we bepaalde data gebruiken. Op die manier kunnen we op de
beste manier deze parameters vinden, door de parameters op zo’n manier te veranderen dat de
grafieken van ons model overeenkomen met de grafieken die de data geeft.

3.3 Integratiemethoden
Om numerieke berekeningen aan het model uit te voeren, is het nodig om een integratiemethode
te kiezen. In de volgende tabel staan een aantal integratiemethoden met hun error order:

Orde
Euler Forward* O(∆t)
Euler Backward O(∆t)
Modified Euler Method* O((∆t)2 )
Runge-Kutta 4* O((∆t)4 )

Tabel 2: Orde van verschillende integratiemethoden

De integratiemethoden die wij vergelijken zijn: Euler Forward, Modified Euler en Runge-Kutta
4. Deze zijn gekozen vanwege hun bekendheid en verschillende nauwkeurigheden. Deze methoden
zijn in tabel 2 met een * aangeduid.

Uit tabel 2 volgt dat de methodes Euler Forward en Euler Backward niet gebruikt hoeven worden,
aangezien de methodes Euler Forward en Euler Backward orde O(∆t) hebben en dus minder nauw-
keurig zijn. De Modified Euler Method is van orde O((∆t)2 ). Ook voor deze integratiemethode
staat er een methode in de tabel die nauwkeuriger zijn. Dus we kiezen er voor om Runge-Kutta 4

Bij het implementeren van deze methodes moet een tijdstap ∆t gekozen te worden. Het is van
belang om hierbij rekening te houden met de duur van de epidemie. Als een epidemie een paar
maanden tot een paar jaar duurt, dan zal een tijdstap ∆t van één geen nauwkeurig resultaat geven.
We zullen ∆t kiezen als we ook de rest van de parameters kiezen voor het model.

10
4 Cholera toepassen op vereenvoudigd model
Onze eerste stap is het toepassen van de ziekte cholera op het basis model. Hierbij hebben we
gekozen om naar het land Haı̈ti te kijken en vooral naar de jaren 2010-2014. We hebben data
verzameld over het aantal gevallen, [4], over de duur van de ziekte, [5] en over de parameters, [9].
We bepalen eerst de parameters en laten daarna de resultaten van het model zien.

4.1 Parameters bepalen

Om het basis SIR-model te kunnen toepassen op onze data moeten we de volgende parameters
bepalen: γ, D, β, N0 , S0 , I0 , R0 , ∆t.

Om te beginnen kijken we naar welk land we modelleren, we hebben gekozen voor Haı̈ti tus-
sen 2010 en 2014. Als tijdstap nemen we ∆t = 1 week. Dit is een goede keus omdat we een paar
jaar gaan bekijken. De populatie van Haı̈ti groeit in deze periode. In 2010 was de populatie-
grootte 9.999.617 en in 2014 was het 10.572.466 ,[3]. Om het model eenvoudig te houden, wordt
de bevolkingsgroei verwaarloosd. Voor N0 nemen we daarom het gemiddelde: N0 = 10.286.042.
Het is bekend dat er 20.905 gevallen zijn in de eerste maand, [4]. Voor I0 delen we door vier:
I0 = 5226, omdat de tijdstap een week is. In dit vereenvoudigde model nemen we aan er voor
2010 in Haı̈ti nog niemand cholera heeft gehad en genezen is. In dat geval is R0 = 0. We krijgen
S0 = N0 − I0 = 10.280.816.

Verder zegt, [5], dat het ongeveer 5 dagen duurt voor een behandeling na de eerste symptomen.
En uit ,[1], volgt dat iemand besmettelijk is tot een paar dagen na dat ie beter is geworden. We
nemen dat de duratie van besmettelijkheid en ziekte ongeveer 7 dagen is, 1 week, D = 1. Verder
hebben we dat γ = 1/D, dus γ = 1.

Als laatste moeten we nog β bepalen. We weten dat P0 = βγ , met P0 het basis reproductie
nummer. We weten dat γ = 1 dus we krijgen P0 = β. In het artikel ”Cholera in Haiti: Reproduc-
tive numbers and vaccination coverage estimates”, [9], staan een aantal reproductiegetallen van
de cholera epidemie in Haı̈ti, al deze getallen liggen tussen 1.04 en 6.89. Deze waardes hebben we
geprobeerd. We kwamen er op uit dat 1.03 het beste overeenkwam met de data, [4] en [16]. Dus
we krijgen β = 1.03.

4.2 Resultaten

(a) S, I en R lijnen (b) I lijn

Figuur 2: Data van cholera in Haı̈ti toegepast op het SIR-model

11
In figuren 2a en 2b zijn de resultaten te zien van ons model met de parameters die we hebben
bepaald. In 2a staat ook de lijn van I in de legenda. De waardes van I zijn veel kleiner zijn dan
die van S en R daarom zie je die niet. In figuur 2b is een aparte plot voor I te zien.

Verder kan worden gezien dat de piek van de epidemie aan het begin zit, net voordat er een
jaar voorbij is. Het aantal geı̈nfecteerden neemt daarna af. Dit komt overeen met de data. De
piek ligt alleen veel lager dan in het echt het geval is, zie figuur 3. Bovendien zijn er in werkelijk-
heid nog een paar kleine pieken, terwijl in ons model het aantal geı̈nfecteerde naar nul gaat. In
de komende hoofdstukken zullen we daarom ons model uitbreiden om het realistischer te maken.

Figuur 3: Werkelijke aantal besmettingen met t=0 in oktober 2010 en gemodelleerde aantal be-
smettingingen vanaf januari 2010

12
5 Toevoegingen op het model die het realistischer maken
5.1 Veranderingen in populatiegrootte
Om ons model realistischer te maken op wat er in het echt gebeurd, voegen we ook geboorte en
sterfte toe aan het model. Dit doen we op de volgende manier:
dN dS dI dR
= + + = δN − 1 S − 1 I − 2 I − 1 R (8)
dt dt dt dt

dS βIS
= δN − 1 S − (9)
dt N
dI βIS
= − γI − 1 I − 2 I (10)
dt N
dR
= γI − 1 R (11)
dt
Hierbij is δ de geboortegraad per ∆t en is 1 de sterftegraad per ∆t, in het algemeen, dus van
allerlei ziektes en oorzaken. Als laatste is 2 de sterftegraad per ∆t als gevolg van cholera. Voor
een omschrijving van de rest van de variabelen zie 3.1.

We hebben gevonden dat er over de jaren 2010-2014 gemiddeld 23,874 geboortes per 1000 in-
23,874
woners per jaar plaatsvinden, [6]. Dus δ = 1000∗52 , waarbij we nog steeds gebruiken dat ∆t = 1
week. Verder sterven er gemiddeld 8,055 mensen per 1000 inwoners per jaar, [7]. Hierbij hebben
8,055
we de piek van het jaar 2010 eruit gelaten. Dus we krijgen 1 = 1000∗52 . Als laatste is er nog 2 .
We hebben ook gevonden dat de ’case fatality rate’ voor cholera als het behandeld wordt 1% is,
[17]. Dus van de geı̈nfecteerden sterft 1% als ze worden behandeld, dit scenario nemen we nu aan.
1
Dan krijgen we 2 = 100 .

Verder laten we alle parameters hetzelfde als in paragraaf 4.1, behalve S0 en β. Het enige verschil
is de populatiegrootte. Hiervoor hadden we voor N0 het gemiddelde genomen, maar nu hebben we
toegevoegd dat de populatiegrootte verandert. We nemen daarom N0 = N (2010) = 9.999.617 en
S0 = N (2010) − I0 = 9.999.617 − 5226 = 9.994.391, [3]. Verder geldt dat het aantal geı̈nfecteerden
omlaag is gegaan met de toevoeging van geboorte en sterfte. Dus om opnieuw het goede totaal
aantal geı̈nfecteerde te krijgen hebben we getest dat β verhogen naar 1,04 werkt.

Dit heeft voor de volgende resultaten gezorgd, te zien in figuur 4.

(a) S, I, R en N lijnen (b) I lijn

Figuur 4: Data van cholera in Haı̈ti toegepast op het SIR-model, met sterfte en geboorte toege-
voegd

13
Als je figuur 4 vergelijkt met 2 dan kan je zien dat de lijn van I ongeveer hetzelfde blijft. Het
verschil is dat je nu ook een lijn van N krijgt omdat die niet meer constant is. Verder kan je zien
dat de lijn van S nu eerst een beetje naar beneden gaat als je de piek van I krijgt en dat het
daarna weer omhoog gaat, door toename van de bevolking.

5.2 Analyse van het model

Nu kunnen we de evenwichtspunten berekenen door vergelijking (9), (10) en (11) gelijk te stellen
aan 0.

14
6 Modellen met vaccinatie
Aan het vereenvoudigde model, het SIR-model, dat we in de voorgaande hoofdstukken beschreven
hebben, kan vaccinatie worden toegevoegd. In dit hoofdstuk laten we voor deze toevoeging twee
verschillende manieren zien. Eerst kijken naar alleen de parameters β en γ veranderen. Daarna
kijken we naar een model met I en S opgesplits en met aparte β’s en γ’s.

6.1 Aanpassen parameters vereenvoudigd model

De eerste manier om vaccinatie toe te voegen aan het eenvoudige model (zie paragraaf 3.1), is
door de variabelen β en γ aan te passen. Hoe groter het deel van de bevolking dat ingeënt is,
hoe kleiner de infectiekracht β. Dus als we vaccinatie toevoegen aan het model, wordt β kleiner.
Verder wordt γ groter, omdat men gemiddeld sneller geneest. Patiı̈enten die gevaccineerd zijn,
hebben namelijk al antigenen en kunnen de ziekte dus beter bestrijden.

Omdat we het model dezelfde vorm behoudt, verwijzen we voor de analyse van dit model naar
het SIR-model van paragraaf 3.2.

6.1.1 Resultaten

6.2 Splitsen van bevolkingsgroepen

Een andere manier om het model uit te breiden met vaccinatie is door de bevolking in groepen
te verdelen. We maken onderscheid tussen de volgende twee groepen: een ingeënte groep en een
niet-ingeënte groep. Al eerder hebben we onderscheid gemaakt tussen S, I en R. Voor S, I en R
gaan we kijken of het zin heeft om deze groepen te splitsen. Voor S, de groep die vatbaar is, is
er zeker verschil tussen het aantal mensen dat cholera krijgt. De infectiekracht β is voor de groep
ingeënte mensen S1 kleiner dan voor de groep niet-ingeënte mensen S2 . Het verloop van de ziekte
is korter en minder hevig voor degenen die ingeënt zijn. Daarom splitsen we de groep I, de groep
die besmettelijk is, ook in een ingeënte groep I1 en een niet-ingeënte groep I2 . Aangezien in ons
vereenvoudigde model het niet mogelijk is dat een persoon voor een tweede keer cholera krijgt, is
het niet nodig om de groep R, de groep die genezen is, te splitsen. Het splitsen van de groepen S
en I geeft het volgende model:

dS1 −β1 (I1 +I2 )S1
dt =

 N
−β2 (I1 +I2 )S2

dS
 dt =

 2
N

dI1 β1 (I1 +I2 )S1
dt = N − γ1 I1 (12)
 dI2 β2 (I1 +I2 )S2
 dt = − γ2 I2


 N
 dR = γ I + γ I

dt 1 1 2 2

De variabelen β en γ zijn dus verschillend voor beide de ingeënte en niet-ingeënte groep.

6.2.1 Analyse van het model

Om de evenwichtspunten te berekenen, stellen we de vijf vergelijkingen van het model gelijk aan
0. Als we dit uitwerken, krijgen we dat er een evenwicht is als I1 (t) = 0 en I2 (t) = 0, ofwel als
(S1 , S2 , I1 , I2 , R) = (S1 , S2 , 0, 0, R).

15
Het stelsel kan geschreven worden in de volgende vorm:
 −β
1 (I1 +I2 )S1

 −β2 (I1N+I2 )S2 
d  N
 β1 (I1 +I2 )S

(S1 , S2 , I1 , I2 , R) = − (13)
1

γ 1 I 1
dt
 
 β2 (I1N+I )S


N
2 2
− γ2 I2 
γ1 I1 + γ2 I2
d
De Jacobi-matrix van dt (S1 , S2 , I1 , I2 , R) is:
 −β
1 (I1 +I2 ) −β1 S1 −β1 S1

N 0 N N 0
−β2 (I1 +I2 ) −β2 S2 −β2 S2
0 0
 
 N N N
J d/dt (S1 , S2 , I1 , I2 , R) = 
 β1 (I1 +I2 ) β1 S1 β1 S1 (14)
N − γ1

N 0 N 0
β2 (I1 +I2 ) β2 S2 β2 S2
 
0 N − γ2 0

N N
0 0 γ1 γ2 0

In de evenwichtspunten is deze matrix gelijk aan:

 −β1 S1 −β1 S1 
0 0 N N 0
0 0 −β2 S2 −β2 S2
 N N 0
β1 S1 β1 S1
J d/dt (S1 , S2 , I1 , I2 , R) = 
0 0 N − γ1 N 0 (15)
β2 S2 β2 S2
N − γ2
0 0 0
N
0 0 γ1 γ2 0

6.2.2 Resultaten

6.3 Conclusie
Voor beide manieren om vaccinatie toe te voegen aan het vereenvoudigde model, zijn de even-
wichtspunten gelijk. Namelijk als I1 (t) = 0 en I2 (t) = 0. Dit is hetzelfde als I(t) = 0.

16
7 Model met schoon drinkwater

17
8 Vergelijken van modellen

18
9 .....

19
10 Conclusie

20
11 Discussie

21
Referenties
[1] Cholera. https://lci.rivm.nl/richtlijnen/cholera. Geraadpleegd op 23-05-2019.
[2] Compartmental models in epidemiology. https://en.wikipedia.org/wiki/
Compartmental_models_in_epidemiology#The_SIR_model, 2019. Geraadpleegd op
24-04-2019.
[3] Haiti population. https://www.worldometers.info/world-population/
haiti-population/, 2019. Geraadpleegd op 23-05-2019.
[4] Amadou Ndong Ana Maria Pereira. Hati: number of cholera ca-
ses per month since 2010. https://data.humdata.org/dataset/
haiti-number-of-cholera-cases-per-month-since-2010, 2016. Geraadpleegd op
23-05-2019.
[5] Artzen zonder Grenzen: David Olsen, Jean-François Fesselet, Véronique Grouzard. Manage-
ment of A Cholera Epidemic. 2017.
[6] indexmundi. Historical data graphs per year. https://www.indexmundi.com/g/g.aspx?c=
ha&v=25, 2015. Geraadpleegd op 26-05-2019.
[7] indexmundi. Historical data graphs per year. https://www.indexmundi.com/g/g.aspx?c=
ha&v=26, 2015. Geraadpleegd op 26-05-2019.
[8] Lexia. Cholera, zeer besmettelijk, maar zeldzaam in neder-
land. https://mens-en-gezondheid.infonu.nl/aandoeningen/
41560-cholera-zeer-besmettelijk-maar-zeldzaam-in-nederland.html, 2019. Ge-
raadpleegd op 8-05-2019.
[9] Zindoga Mukandavire, David L. Smith, and J. Glenn Morris Jr. Cholera in haiti: Repro-
ductive numbers and vaccination coverage estimates. https://www.nature.com/articles/
srep00997#t1, 2013. Geraadpleegd op 23-05-2019.
[10] GGD Reisvaccinaties. Cholerastempel. https://www.ggdreisvaccinaties.nl/
vaccinaties/cholerastempel, 2018. Geraadpleegd op 8-05-2019.
[11] RIVM. Cholera. https://www.rivm.nl/cholera, 2018. Geraadpleegd op 15-05-2019.
[12] RIVM. Cholera richtlijn. https://lci.rivm.nl/richtlijnen/cholera, 2019. Geraadpleegd
op 8-05-2019.
[13] Green M. S., T. Swartz, E. Mayshar, B. Lev, A. Leventhal, P. E. Slater, and J. Shemer. When
is an epidemic an epidemic? IMAJ, 4, 2002.
[14] W. C. Shiel Jr. Medical definition of epidemic. https://www.medicinenet.com/script/
main/art.asp?articlekey=3273, 2018. Geraadpleegd op 01-05-2019.
[15] David Smith and Lang Moore. The sir model for spread of disease - the
differential equation model. https://www.maa.org/press/periodicals/loci/joma/
the-sir-model-for-spread-of-disease-the-differential-equation-model, 2004. Ge-
raadpleegd op 24-04-2019.
[16] WHO. Global health observatory data repository: Cholera. http://apps.who.int/gho/
data/node.main.174?lang=en, 2016. Geraadpleegd op 23-05-2019.
[17] WHO. Cholera. https://www.who.int/news-room/fact-sheets/detail/cholera, 2019.
Geraadpleegd op 26-05-2019.

22
Bijlages
A .....

23