„Superspreading“-Orte sind Restaurants, Fitnessstudios und Cafés
Ein Forscherteam hat auf Basis von Handydaten ein Computermodell erstellt, das die Ausbreitung von COVID-19 in zehn US-Großstädten genau vorhersagen konnte, indem drei Faktoren analysiert wurden, die das Infektionsrisiko bestimmen: Wohin die Menschen im Laufe eines Tages gehen, wie lange sie verweilen und wie viele andere Leute den gleichen Ort zur gleichen Zeit besuchen.
Die Studie, die in der Zeitschrift Nature veröffentlicht wurde, führt demografische Daten, epidemiologische Schätzungen und anonyme Standortinformationen von Mobiltelefonen zusammen und kommt zu dem Schluss, dass die meisten COVID-19-Übertragungen an „Superspreading“-Orten wie Restaurants, Fitnessstudios und Cafés stattfinden.
Die Forschenden hoffen, dass ihr Model nun als Instrument genutzt wird, um die Verbreitung von COVID-19 bei der Wiedereröffnung von Unternehmen und Geschäften in den USA zu minimieren, weil Kompromisse zwischen Neuinfektionen und Umsatzverlusten kalkulierbar werden.
Wäre eine vergleichbare Auswertung in Deutschland auch machbar?
Wäre eine vergleichbare Auswertung in Deutschland auch machbar?
Das Modell umfasst die Städte New York, Los Angeles, Chicago, Dallas, Washington, DC, Houston, Atlanta, Miami, Philadelphia und San Francisco. SafeGraph (siehe Kasten) lieferte den Forschern Daten, aus denen hervorgeht, welche der 553.000 öffentlichen Standorte von Baumärkten bis zu Kirchen täglich besucht wurden, für wie lange sich die Personen dort aufgehalten haben – und entscheidend – wie groß die Quadratmeterzahl des jeweiligen sogenannten "Point of interest" (POI) war, damit die Forscher die stündliche Belegungsdichte bestimmen konnten.
Computermodel sagt Neuinfektionszahlen korrekt voraus
Anschließend analysierte das Team die Daten vom 8. März bis 9. Mai in zwei unterschiedlichen Phasen. In der ersten Phase berechneten die Wissenschaftler die Übertragungsrate des Virus unter verschiedenen Umständen in den zehn Ballungsräumen. Dazu entwickelten und verfeinerten die Forscher eine Reihe von Gleichungen, um die Wahrscheinlichkeit infektiöser Ereignisse an verschiedenen Orten und zu verschiedenen Zeiten zu bestimmen.
Die Gleichungen konnten nach unbekannten Variablen suchen, da den Forschern eine wichtige bekannte Information vorlag: die täglichen Infektionsmeldungen der Gesundheitsbehörden. Sie verfeinerten ihr Modell, bis es in der Lage war, die Übertragungsrate des Virus in jeder Stadt zu bestimmen. Die Rate variierte wiederum von Stadt zu Stadt in Abhängigkeit davon, wie oft Menschen das Haus verließen und welche Orte sie besuchten.
Nachdem die Forscher Übertragungsraten für die zehn Ballungsräume erhalten hatten, testeten sie das Modell in Phase zwei, indem sie für jede Stadt die Infektionsrate aus ihrer Datenbank mit Mobilitätsmustern abglichen, um neue COVID-19-Infektionen vorherzusagen. Am Ende stimmten die Vorhersagen eng mit den tatsächlichen Berichten der Gesundheitsbehörden überein.
Das Team hat seine Tools und Daten jetzt öffentlich zugänglich gemacht, damit andere Forscher darauf aufbauen können. "Im Prinzip kann jeder dieses Modell verwenden, um die Konsequenzen verschiedener Entscheidungen zu Hause und zur Schließung von Unternehmen zu verstehen", sagt Stanford-Informatiker Jure Leskovec, dessen Team derzeit daran arbeitet, das Modell zu einem benutzerfreundlichen Instrument für politische Entscheidungsträger und Beamte in öffentlichen Gesundheitseinrichtungen weiterzuentwickeln.
Das Infektionsrisiko für Minderheiten ist erhöht
Das Infektionsrisiko für Minderheiten ist erhöht
news.stanford.edu/press-releases/2020/11/10/computer-model-ccovid-19s-spread/ _blank external-link-new-window
Serina Chang et al., "Mobility network models of COVID-19 explain inequities and inform reopening". Nature (2020).
