De testsamenleving: een loze belofte

Recent stemde de Tweede kamer in met de wet die het mogelijk maakt om mensen zonder klachten te testen op onder andere COVID-19. Het maakt mij duidelijk dat op dit gebied de politiek in de war is en de onafhankelijke wetenschap onvoldoende van zich laat horen op een moment dat het wel zou moeten. Bij een lage infectiegraad onder de bevolking leidt de testsamenleving tot willekeur en schijnveiligheid. Willekeur omdat de meerderheid van de positief geteste personen helemaal geen COVID-19 zal hebben en schijnveiligheid omdat een belangrijk deel van de weinige besmette mensen toch een negatieve testuitslag zal krijgen.

Armand Girbes
Prof. dr. Armand Girbes is intensivist-klinisch farmacoloog en hoofd afdeling ICV VUmc
datum: 17 mei 2021
website: https://www.artsenauto.nl/de-testsamenleving-een-loze-belofte/

Laten we daarom nu samen even kijken naar wat ook alweer de wetenschappelijke basis is van testen en de wiskundige uitwerking daarvan. Zet u even schrap om een aantal basale begrippen van het testen te begrijpen. Ik roep met name de Tweede Kamerleden en Eerste Kamerleden, die het voorstel nog moeten beoordelen, op de moeite te nemen dit te lezen en dan te vertalen naar de consequenties voor ons, burgers. Voor uw gemak heb ik er ook een PowerPointpresentatie over gemaakt die u hier kunt vinden. Geen rocket science, heel basaal en niet mijn beste praatje ooit, maar nu wel belangrijk. Ik hoop dat iedereen na het lezen en weer ophalen van deze kennis het met mij eens zal zijn dat de COVID-19 testsamenleving Fake News is, in het Frans ‘des carabistouilles’.

‘Bij een lage infectiegraad onder de bevolking leidt de testsamenleving tot willekeur en schijnveiligheid’

Wij beschikken in de geneeskunde maar heel zelden over de perfecte test en ik wil nu al vast verraden dat de verschillende COVID-19 testen niet perfect zijn. Wat is de perfecte test? Dat is de test die het in 100% van de gevallen juist heeft. Dus als de test voor een bepaalde ziekte zegt ‘positief voor de ziekte’, dan klopt dat in alle gevallen en heeft de geteste persoon die ziekte. En ‘negatief voor de ziekte’ betekent altijd dat de geteste persoon de ziekte niet heeft. Dit wordt uitgedrukt in ‘specificiteit’ en ‘sensitiviteit’. Specificiteit is het vermogen van een test om mensen zonder ziekte er te kunnen uitpikken en sensitiviteit is het vermogen van een test om mensen mét de ziekte te identificeren. Voor het gemak een voorbeeld.

Wanneer een grote groep van mensen allemaal COVID-19 heeft en zij ondergaan een test met een sensitiviteit van 90%, dan zal 10% een negatieve uitslag krijgen terwijl zij de ziekte wél hebben. Dat wil dus zeggen 10% vals negatief, ten onrechte negatief.

Wanneer een grote groep van mensen allemaal GEEN COVID-19 heeft en zij ondergaan een test met een specificiteit van 99%, dan zal 1% een positieve uitslag krijgen terwijl zij de ziekte níet hebben. Dat wil dus zeggen 1% vals positief, ten onrechte positief.

In mijn ervaring is dat dit bovenstaande meestal wel goed duidelijk te maken is. Als je nu zo’n test met een specificiteit van 99% en sensitiviteit van 90% gebruikt als dokter, is de test behoorlijk goed bruikbaar, omdat de testresultaten in het licht van het klinische beeld van de patiënt worden gebruikt. Dus wanneer een patiënt die koorts heeft, flink hoest, het reukvermogen kwijt is en in de omgeving COVID-19 is geconstateerd desalniettemin een negatieve testuitslag heeft, dan beschouw ik als arts toch dat de patiënt COVID-19 heeft en wijt ik de negatieve uitslag aan de sensitiviteit van 90%, 10% vals-negatieve uitslag. Als dokter ga ik de test dan nog eens later herhalen of ik zeg gewoon, het is COVID-19 en zoek andere ondersteunende gegevens, bijvoorbeeld een CT-scan van de longen.

Omgekeerd, wanneer ik een positieve testuitslag krijg van een patiënt die geheel geen klachten heeft, die opgesloten zat in een klooster waar niemand COVID-19 heeft, dan denk ik als arts dat er iets mis is gegaan met de test en herhaal ik de test nog eens of kijk of er een andere reden was, bijvoorbeeld verwisseling van materiaal. Zo werkt dat in de praktijk en de meeste artsen zijn ook gewend om zo te redeneren.

Maar het wordt wat moeilijker – ook voor artsen – als we het van de andere kant benaderen. Iemand komt met een positieve test, hoe groot is nu de kans dat deze patiënt ook daadwerkelijk de ziekte heeft. Welnu, dit wordt aangeduid met de PPV, positive predictive value, en ik verraad u vast dat de PPV afhangt van de (a priori) kans dat de patiënt de ziekte ook daadwerkelijk heeft, met andere woorden: hoeveel de ziekte bij die populatie vóórkomt – de prevalentie. Nu zijn er inmiddels vele typen testen voor COVID-19, maar het voorbeeld van 99% specificiteit en 90% sensitiviteit is wel een reëel uitgangspunt. In onderstaande twee voorbeelden rekenen we de PPV uit, uitgaande van dezelfde kwaliteit van de test, maar met een verschil in frequentie van voorkomen van de ziekte in de populatie die we onderzoeken.

In voorbeeld 1 testen we 100.000 mensen waarbij 40% van de mensen COVID-19 heeft en in voorbeeld 2 testen we 100.000 mensen waarbij 1% van de mensen (1000 personen) COVID-19 heeft. Voorbeeld 2 is zelfs nog een hoog percentage vergeleken met de huidige situatie, maar geeft een goede indruk waarbij er relatief weinig COVID-19 is onder de bevolking en bovendien het overwegend mensen zijn die zich goed voelen en erop uit willen gaan. Voor uitleg raad ik u aan naar de PowerPoint-presentatie te kijken.

In voorbeeld 1 is de PPV 98%, (36000/36600) hetgeen betekent dat wanneer je positief getest wordt 98% kans hebt de ziekte ook daadwerkelijk te hebben. Maar in voorbeeld 2, waarbij 1 procent van 100.000 mensen COVID-19 heeft, wat overigens nog veel en veel hoger is dan de huidige situatie in Nederland, dan blijkt de PPV nog maar 47,6% te zijn (900/1890). Met andere woorden, de helft van de positief geteste mensen heeft de ziekte niet. En wanneer het niet 1% is maar bijvoorbeeld 0,1% dan is de PPV nog lager: 4,8%. Dus 95% van de positief geteste mensen worden dan ten onrechte weggestuurd. De precieze prevalentie is niet precies bekend maar ergens tussen de 0,1 en 0,2% lijkt niet ondenkbeeldig.

[CORRECTIE 20 MEI 2021: bij een prevalentie van 0,1% is de PPV 8,26 % – en niet 4,8%. Dus 91,7% van de positief geteste mensen wordt dan ten onrechte weggestuurd.]

‘Gauw ophouden met zo veel geld stoppen in een duur, onwerkzaam en onwerkbaar scenario’

De discussie dat een klein aantal mensen mét COVID-19 ten onrechte negatief is getest en welke consequenties dat op korte en lange termijn heeft, laat ik nu even liggen.

Voor mij behoeft het verder geen uitleg dat dit plan van de COVID testsamenleving niet werkbaar is, nog los van de vraag voor hoeveel andere ziekten we dat dan ook gaan doen. Dus gauw ophouden met zo veel geld stoppen in een duur, onwerkzaam en onwerkbaar scenario ten tijde van een lage prevalentie. Hopelijk grijpt de Eerste Kamer in en laat het RIVM nog eventjes van zich horen met een onafhankelijk geluid.

Wil je meer weten over dit onderwerp?
Kijk op: https://www.dinekevankooten.nl/tag/politiek/
Voor een overzicht kijk op: https://www.dinekevankooten.nl/archief/overzicht-great-reset-corona/