Hoe data en AI helpen bij het opsporen en bestrijden van ebola

Etien Luc Koua, programmamanager voor gezondheidsinformatie, surveillance en laboratoriumonderzoek bij de WHO-regio Afrika, legt uit hoe epidemische informatie de tijd die nodig is om een uitbraak op te sporen heeft teruggebracht van 7 dagen naar 2, terwijl voorspellingsmodellen helpen bij het verifiëren van clusters van onverklaarbare sterfgevallen en geruchten over ziekte.

Welke digitale technologieën worden ingezet bij de huidige ebola-bestrijding in Afrika?

Digitale hulpmiddelen ondersteunen nu elke fase van de respons. Op het niveau van detectie scant het Epidemic Intelligence from Open Sources (EIOS)-systeem nieuws, sociale media en, in sommige landen, lokale radiozenders op vroege signalen van ongebruikelijke gezondheidsgebeurtenissen. Het wordt nu gebruikt in 44 van de 47 landen van de Afrikaanse regio van de WHO.

Voor de aanhoudende uitbraak in de Democratische Republiek Congo (DRC) wordt EIOS dagelijks ingezet om nieuwe signalen op te sporen in zowel getroffen als niet-getroffen provincies, ter verbetering van het alarmbeheer. Ook worden nieuwe signalen gevolgd via de routinematige Integrated Disease Surveillance and Response (IDSR)-gegevens via het DHIS2-platform (District Health Information Software 2) en het Early Warning, Alert and Response System (EWARS).

Net als andere landen in de regio rapporteert de DRC ook wekelijks over prioritaire ziekten via het gecentraliseerde regionale geïntegreerde platform voor ziektebewaking, dat is gebaseerd op DHIS2 en door 43 landen in de regio wordt gebruikt; verdachte voorvallen worden bijgehouden in een regionaal systeem voor het beheer van signalen en voorvallen. Een ander hulpmiddel is een platform voor alarmbeheer: een gecentraliseerd, op mobiele telefoons gebaseerd systeem dat alarmen uit alle bronnen, inclusief de gemeenschap, opslaat, triageert en beheert.

In de diagnosestap worden laboratoriumresultaten opgenomen in een gedeelde casusdatabase, zodat nationale en regionale teams nieuwe bevestigde gevallen nog dezelfde dag kunnen inzien. De uitbreiding van het laboratoriumnetwerk en nieuwe testplatforms, waaronder RadiOne en standaard RT-PCR met geprioriteerde Altona-kits, mobiele testmogelijkheden en verbeterde toegang tot diagnostiek, helpen de opsporing en melding van gevallen te versnellen.

Voor de inperking worden casusonderzoeken, het opstellen van contactlijsten en de follow-up vastgelegd op tablets en telefoons in DHIS2 Tracker; dashboards, casuskaartweergave en tools voor het volgen van behandelcentra, partners en grensovergangen; en analyse-instrumenten voor uitbraken volgen het aantal gevallen, sterfgevallen en responsindicatoren in de getroffen gebieden.

Smartphones lijken het belangrijkste hulpmiddel te zijn om de uitbraak te beheersen. Hoe gebruiken zorgprofessionals deze om de epidemie in te dammen?

Teams in de frontlinie gebruiken smartphones en tablets om meldingen te registreren, verdachte gevallen te onderzoeken en contacten op te volgen in de DHIS2 Tracker, die offline werkt en synchroniseert zodra er een netwerk beschikbaar is.

Dankzij GPS-coördinaten die tijdens onderzoeken en meldingen worden vastgelegd, kunnen we dagelijks gevallen en meldingen in kaart brengen, zien waar nieuwe gezondheidszones worden getroffen en behandelcentra, begrafenisteams en voorraden inzetten. Mobiele netwerken bieden ook gratis hotlines (151 in de DRC, 719 in Kenia) en berichtendiensten, zodat het publiek zieke mensen of sterfgevallen kan melden en vragen kan stellen. Bij de grensovergangen worden dagelijks enkele honderdduizend reizigers in de DRC gescreend, en de DRC breidt de digitalisering van screeninggegevens uit.

En hoe wordt AI ingezet?

Ja, op specifieke, praktische manieren, waarbij experts de resultaten altijd controleren. Het opstellen van situatieverslagen (SITREPs) is nu geautomatiseerd met behulp van AI. Dit heeft de tijd die nodig is voor de dagelijkse gegevensconsolidatie en -compilatie, gegevensverificatie en het opstellen van dagelijkse rapporten aanzienlijk verkort.

AI/machine learning in EIOS doorzoekt honderdduizenden artikelen en markeert de weinige die wijzen op echte signalen. Spraak-naar-tekst-tools transcriberen lokale radio-uitzendingen in verschillende talen, zodat geruchten en meldingen van ziekte in gemeenschappen zonder internetdekking kunnen worden opgevangen.

Ons team heeft een ensemble van zes, in samenwerking ontwikkelde voorspellingsmodellen geïntegreerd en produceert wekelijkse prognoses van het aantal gevallen en sterfgevallen, waarbij wordt geschat hoe snel het virus zich in elke gezondheidszone verspreidt. Geospatiale AI combineert surveillancegegevens met satelliet- en klimaatgegevens om gebieden met een hoger risico in kaart te brengen. Deze tools ondersteunen besluitvorming; ze vervangen geen epidemiologen of veldteams.

WHO Afrika heeft ook het AI-gestuurde Preparedness Data Exchange geïntroduceerd.

De Preparedness Data Exchange brengt beoordelingen van de paraatheid, mobiliteits-, grens- en surveillancegegevens samen om te bepalen waar het virus zich waarschijnlijk als volgende zal verspreiden. Tijdens de huidige uitbraak identificeerde de grensoverschrijdende risicoscore districten in de Centraal-Afrikaanse Republiek langs de oostgrens met de DRC, met name Bangassou en Obo, als plaatsen met het hoogste risico op onopgemerkte insleep: poreuze bos- en rivierovergangen, zeer beperkte opsporing en onveiligheid.

Als gevolg daarvan werd daar prioriteit gegeven aan surveillance en laboratoriumondersteuning: er werden mobiele laboratoria ingezet in de districten Bangassou en Obo, zodat verdachte gevallen ter plaatse kunnen worden getest in plaats van te moeten wachten tot monsters naar de hoofdstad worden vervoerd. Dezelfde risicorangschikking bepaalt nu welke buurlanden als eerste ondersteuning op het gebied van paraatheid ontvangen.

Wat kunnen epidemische-inlichtingensystemen tegenwoordig detecteren dat traditionele surveillance zou missen of te laat zou opmerken?

Epidemische inlichtingensystemen zoals EIOS vullen traditionele, op indicatoren gebaseerde surveillance aan met signalen uit online openbaar beschikbare bronnen. Traditionele surveillance is afhankelijk van het herkennen en melden van gevallen door gezondheidsinstellingen, wat dagen of weken kan duren, vooral wanneer mensen gezondheidsinstellingen mijden of thuis overlijden. Epidemische inlichtingen voegen signalen van buiten het gezondheidssysteem toe: nieuwsberichten, sociale media, lokale radio, buurtwerkers en telefoontjes naar meldpunten. EIOS kan clusters van onverklaarbare sterfgevallen, geruchten over ziekte in een dorp of ongebruikelijke meldingen uit een grensgebied opvangen en verifiëren nog voordat het eerste door een laboratorium bevestigde geval bekend is.

In 2025 was EIOS voor ongeveer de helft van de volksgezondheidsincidenten in de WHO AFRO-regio de eerste informatiebron voor WHO AFRO, nog voordat officiële meldingen van de lidstaten binnenkwamen. De meeste door de WHO in de Afrikaanse regio geverifieerde signalen kwamen via EIOS binnen in plaats van via routinematige rapportage, en de mediane tijd tussen de detectie van een signaal en de verificatie ervan bedroeg één dag. In landen die EIOS gebruiken, daalde de mediane tijd om een uitbraak te detecteren van ongeveer zeven dagen in 2023 naar twee dagen in 2025, en werd in 2025 ongeveer 76% van alle volksgezondheidsincidenten binnen zeven dagen gedetecteerd.

Dat is indrukwekkend. Hoeveel sneller kan ebola nu worden gediagnosticeerd? Welke oplossingen kunnen de tijd tussen het testen en de uitslag verkorten?

Tijdens de epidemie in West-Afrika in 2014–2016 moesten veel monsters lange afstanden afleggen naar een klein aantal referentielaboratoria, en het duurde vaak meerdere dagen voordat de uitslag bekend was. Bij de huidige uitbraak beschikt de DRC over ongeveer 25 functionerende laboratoria, waaronder laboratoria in de buurt van de getroffen gebieden, met een gezamenlijke capaciteit van enkele duizenden tests per dag.

Zodra een verdacht geval wordt gemeld, bedraagt de mediane tijd tot een laboratoriumresultaat ongeveer één dag, en de meeste resultaten komen dezelfde dag of de dag na de bemonstering binnen. In Kenia worden resultaten binnen 6 tot 12 uur teruggestuurd, ook vanuit mobiele laboratoria aan de grens met Oeganda. Wat het verschil maakt: gedecentraliseerde PCR-tests, ‘near-point-of-care’-platforms, mobiele laboratoria, sneller monstertransport en elektronische verzending van resultaten rechtstreeks naar de casusdatabase.

Worden genomische sequentiebepaling en epidemiologische gegevens nu in bijna realtime gecombineerd om besmettingsketens te reconstrueren?

In toenemende mate wel, hoewel nog niet overal in realtime. Bijna elk land in de Afrikaanse regio beschikt inmiddels over sequentiebepalingscapaciteit, en tijdens deze uitbraak zijn honderden genomen gesequenced. Uit de sequentiebepaling bleek dat het virus in het geïmporteerde geval in Kenia nauw verwant is aan stammen die in de DRC circuleren.

Epidemiologische gegevens, zoals contactverbanden en de data waarop de symptomen zijn begonnen, worden gebruikt om besmettingsketens te reconstrueren en in te schatten hoe snel de ziekte zich van de ene persoon naar de andere verspreidt. De volgende stap is het routinematig combineren van genomische en epidemiologische gegevens, zodat onverklaarbare gevallen binnen enkele dagen aan bekende besmettingsketens kunnen worden gekoppeld; daar wordt momenteel aan gewerkt.

Digitale contactopsporing was een belangrijke technologische vooruitgang tijdens eerdere ebola-uitbraken. Werkt het?

Het werkt, maar slechts zo goed als de mensen en systemen eromheen. Digitale hulpmiddelen maken het mogelijk om tienduizenden contacten in kaart te brengen, deze dagelijks te volgen en in realtime te zien wie er over het hoofd is gezien. In de DRC worden nu dagelijks ongeveer acht op de tien contacten in de follow-up bezocht, een stijging ten opzichte van ongeveer vier op de tien in juni, en in sommige provincies zelfs meer dan 90%.

De beperkingen zijn niet in de eerste plaats technologisch van aard: onveiligheid waardoor teams mensen niet kunnen bereiken; contacten die zich schuilhouden omdat 21 dagen follow-up inkomensverlies betekent; slechte internetverbinding; en de moeilijkheid om contactgegevens te koppelen aan bevestigde gevallen.

Waar die belemmeringen minder groot zijn, wordt via contactonderzoek een veel groter deel van de nieuwe gevallen opgespoord onder mensen die al worden gevolgd. Het tweede geval in Kenia werd bijvoorbeeld ontdekt terwijl de persoon al in quarantaine zat als contactpersoon.

Kunnen digitale systemen desinformatie of geruchten identificeren die de behandeling kunnen vertragen of tot vaccinweigering of -weerstand kunnen leiden?

Ja. Social listening, EIOS-mediamonitoring, radiomonitoring, telefoontjes naar de hotline en feedback uit de gemeenschap, verzameld door buurtwerkers, worden gezamenlijk geanalyseerd om geruchten vroegtijdig op te sporen. Voorbeelden uit deze uitbraak zijn onder meer de overtuiging dat behandelcentra plaatsen zijn waar mensen heen gaan om te sterven, en beweringen dat het water om handen te wassen of thermometers bij controleposten het virus zouden dragen.

Kunnen autoriteiten ingrijpen voordat dergelijke geruchten zich op grote schaal verspreiden?

Wanneer een gerucht wordt gesignaleerd, reageren teams snel via vertrouwde lokale sprekers, gemeenschapsdialoog, radioprogramma’s en gerichte boodschappen, en wordt de meeste feedback uit de gemeenschap nu binnen 48 uur behandeld. De technologie helpt ons om zorgen eerder te horen; het veranderen van meningen hangt nog steeds af van vertrouwen en van het feit dat mensen zien dat de zorg werkt.

10. Afrika beschikt nu over veel meer digitale surveillance, AI, sequentiebepaling en snelle diagnostiek dan in 2014–2016, maar de uitbraak verspreidt zich nog steeds sneller dan de autoriteiten deze kunnen indammen.

Wat lukt het met technologie nog steeds niet op te lossen?

Technologie helpt ons de uitbraak sneller te signaleren. Maar op zichzelf kan het mensen er niet toe aanzetten om vroegtijdig zorg te zoeken, mensen in onveilige gebieden bereiken, of vertrouwen vervangen.

In de DRC vinden nog steeds ongeveer zeven op de tien sterfgevallen plaats in de gemeenschap, voordat patiënten behandeling krijgen, en veel gevallen worden pas na het overlijden vastgesteld. Dat wordt veroorzaakt door angst voor behandelcentra, afstand, kosten, onveiligheid en weerstand van de gemeenschap tegen veilige begrafenissen, niet door een gebrek aan gegevens.

Er zijn ook hiaten die de technologie nog niet heeft gedicht. Voor het Bundibugyo-virus bestaat er geen goedgekeurd vaccin of specifieke behandeling; infectiepreventie en -bestrijding blijven in sommige gebieden beperkt; en datasystemen zijn nog niet volledig met elkaar verbonden, waardoor gevallen, contacten, laboratoriumresultaten en patiëntresultaten niet altijd zo met elkaar zijn gekoppeld als we zouden willen. Maar dit zijn uitdagingen waaraan wordt gewerkt.

Wat is de grootste uitdaging met betrekking tot de huidige uitbraak?

De grootste uitdaging is om mensen vroeg genoeg te bereiken, gevallen op te sporen en patiënten in zorg te krijgen voordat ze thuis overlijden en voordat ze hun gezinsleden en verzorgers besmetten. Onveiligheid in delen van Noord-Kivu en Ituri, wantrouwen binnen de gemeenschap en besmettingen onder gezondheidswerkers maken dat moeilijker.

Technologieën die het grootste verschil zouden maken, zijn – zoals eerder al genoemd – een goedgekeurd vaccin en effectieve behandelingen voor het Bundibugyo-virus; gevalideerde sneltests die op de zorglocatie in afgelegen gebieden kunnen worden gebruikt; volledig interoperabele digitale systemen die elk geval koppelen aan de contacten, laboratoriumresultaten en uitkomst; en ‘offline-first’-tools voor teams die werken in gebieden zonder internetverbinding.

Zijn er andere surveillancesystemen of oplossingen gepland of in ontwikkeling om de paraatheid en respons te versterken?

Ja, de prioriteit ligt bij het koppelen van nationale rapportages over ziektesurveillance aan epidemiologische informatie, zodat signalen en verdachte gevallen op één plek zichtbaar zijn; het uitbreiden van AI-tools zoals geautomatiseerde signaalclassificatie en radiomonitoring; het opschalen van gezamenlijke surveillance met landen, waaronder de DRC; afvalwater- en milieusurveillance in proeflanden, waaronder de DRC, Senegal, Oeganda en Zambia; en het digitaliseren van screening bij grensovergangen.

De WHO bouwt ook een AI-infrastructuur voor modellering en surveillance en een regionaal modelleringsnetwerk met Afrikaanse instellingen vanuit haar hub in Dakar, een expertisecentrum voor volksgezondheidsinformatie en data-innovatie, zodat landen veilig gegevens kunnen delen, hun eigen modellen kunnen draaien en op uitbraken kunnen anticiperen in plaats van erop te reageren.