Stanford-Modell kartiert COVID-19-Ausbreitung in Städten, leitet politische Entscheidungen

Da die COVID-19-Fälle landesweit zunehmen, stehen Stadtbeamte vor dem schwierigen Balanceakt, die Ausbreitung von Infektionen zu verhindern und gleichzeitig Unternehmen zu unterstützen. Ein Computermodell der Stanford University demonstriert Mobilitäts- und Kontaktmuster so, dass seine Ersteller hoffen, dass es Kommunalentscheidern bei der Entscheidungsfindung hilft.

Das Stanford-Team sagt, dass die Spezifität ihres Modells ein wertvolles Werkzeug für Beamte sein könnte, da die Simulation die Kompromisse zwischen Neuinfektionen und Umsatzeinbußen aufzeigt, wenn Einrichtungen mit begrenzter Kapazität öffnen.

Ein wichtiges Ergebnis: Laut dem Modell (und dem obigen Video der Stanford University) führt eine Belegungsobergrenze von 50 Prozent der Maximalkapazität dazu, dass die Wirtschaft nur 5 bis 10 Prozent der Besuche verliert, während die Gesamtzahl der Infektionen um über 50 Prozent reduziert wird.

Mithilfe anonymisierter großskaliger Daten von Mobiltelefonen analysierte das Stanford-Team Bewegungsmuster in 10 der größten Metropolregionen der USA, darunter Atlanta, Dallas und New York City – eine Gruppe von insgesamt über 98 Millionen Menschen.

Das Computermodell sagte die Ausbreitung von COVID-19 in den zehn Großstädten im Frühjahr genau voraus, indem es drei Faktoren analysierte, die das Infektionsrisiko antreiben: wohin Menschen im Laufe eines Tages gehen, wie lange sie verweilen; und wie überfüllt die Orte zu einem bestimmten Zeitpunkt sind.

Ein kleiner Prozentsatz von Infektionen an „Points of Interest“ macht sich heraus, für einen großen Prozentsatz der Infektionen verantwortlich.

Die Studie, die diesen Monat im Journal Nature , veröffentlicht wurde, nutzte eine Kombination aus demografischen Daten, epidemiologischen Schätzungen und anonymen Mobilfunk-Standortinformationen, um vorherzusagen, dass die meisten COVID-19-Übertragungen außerhalb des Haushalts an „Superspreader“-Orten stattfinden, wo Menschen über längere Zeit in engen Räumen verweilen.

„Wir haben ein Computermodell gebaut, um zu analysieren, wie Menschen unterschiedlicher demografischer Hintergründe und aus verschiedenen Stadtvierteln verschiedene Arten von Orten besuchen, die mehr oder weniger überfüllt sind. Basierend auf all dem konnten wir die Wahrscheinlichkeit neuer Infektionen an jedem gegebenen Ort oder Zeitpunkt vorhersagen“, sagte Jure Leskovec , Stanford-Informatiker und leitender Forscher.

Leskovec und sein Team kamen zu dem Schluss, dass Dichteobergrenzen, also die Beschränkung der Belegung von Einrichtungen, Infektionen insgesamt reduzieren sowie Ungleichheiten zwischen von COVID-19 betroffenen Gemeinschaften verringern. Das Modell deutet darauf hin, dass Mobilitätsmuster unverhältnismäßige Risiken antreiben.

„Es stellt sich heraus, dass einkommensschwache Gruppen eher Orte frequentieren, in denen die Dichten hoch sind“, sagte Studien-Co-Autor David Grusky, Soziologieprofessor an Stanfords School of Humanities and Sciences (im obigen Video). „Zum Beispiel neigen Lebensmittelgeschäfte in einkommensschwachen Vierteln dazu, eine höhere Dichte aufzuweisen und stärker frequentiert zu sein.“

Weitere Computermodelle auf Tech Briefs

Auf Tech Briefs TV ansehen: Ein MIT-Computermodell ermöglicht die komplexesten 3D-DNA-Formen, die je produziert wurden.

Billy's Blog: Ein Durchbruchmodell bietet einen besseren Blick in wiederaufladbare Batterien.

Im Magazin: NASAs modellbasierte Diagnose-Engine

Grusky, der auch das Stanford Center on Poverty and Inequality leitet, sagte, das Modell demonstriere, wie die Wiedereröffnung von Unternehmen mit niedrigeren Belegungsobergrenzen benachteiligten Gruppen am meisten nützt.

„Da die Orte, die Minderheiten und einkommensschwache Menschen beschäftigen, oft kleiner und überfüllter sind, können Belegungsobergrenzen bei wiedereröffneten Geschäften die Risiken, denen sie ausgesetzt sind, senken“, sagte Grusky. „Wir haben die Verantwortung, Wiedereröffnungspläne zu erstellen, die die Ungleichheiten beseitigen – oder zumindest reduzieren –, die aktuelle Praktiken schaffen.“

Wie Stanford die Daten sammelte

SafeGraph, ein Unternehmen, das anonymisierte Standortdaten aus mobilen Anwendungen aggregiert, zeigte den Stanford-Modellierern, wohin Menschen gingen; wie lange; und, am wichtigsten, wie groß die Quadratmeterzahl jedes Betriebs war, damit Forscher die stündliche Belegungsdichte bestimmen konnten.

Die Städte in der Stanford-Studie umfassten New York, Los Angeles, Chicago, Dallas, Washington, D.C., Houston, Atlanta, Miami, Philadelphia und San Francisco.

In Phase eins der Studie, vom 8. März bis Mai dieses Jahres, wurden Mobilitätsdaten verwendet, um die Übertragungsrate des Coronavirus vorherzusagen. In ihrem Modell, nachdem sie die täglich den Gesundheitsbehörden gemeldeten COVID-19-Infektionen einbezogen hatten, entwickelten und verfeinerten die Forschenden eine Reihe von Gleichungen, um die Wahrscheinlichkeit infektiöser Ereignisse an verschiedenen Orten und Zeiten zu berechnen.

Die Vorhersagen verfolgten die tatsächlichen Berichte der Gesundheitsbehörden eng, was den Forschenden Vertrauen in die Zuverlässigkeit des Modells gab.

Das Team, das die Doktorandin Emma Pierson umfasste, hat seine Tools und Daten öffentlich zugänglich gemacht, damit andere Forscher die Ergebnisse replizieren und darauf aufbauen können.

In einem kurzen Q&A unten erklärt Pierson Tech Briefs , warum das Modell nahelegt, dass eine Wiedereröffnungsstrategie nicht „alles oder nichts“ sein muss.

Tech Briefs: Mit dem Modell selbst, welche Art von Daten wird gesammelt, die eine wertvolle „Spezifität“ ermöglicht, besonders im Vergleich zu bestehenden Modellierungsmethoden?

Emma Pierson: Wir verwenden anonymisierte, aggregierte Daten von SafeGraph, einem Unternehmen, das menschliche Bewegungsmuster mittels Mobilfunkdaten verfolgt. Unsere Daten erfassen, wie viele Menschen zu Points of Interest (POIs) wie Restaurants und Lebensmittelgeschäften zu jeder Stunde gehen, und erfassen auch die Viertel, aus denen sie kommen.

Unsere Analyse basiert auf Daten aus zehn großen US-Metropolregionen von März bis Mai 2020 (der ersten Infektionswelle). Diese feinkörnigen Mobilitätsdaten ermöglichen es uns zu modellieren, wer infiziert wird, wo sie infiziert werden und wann sie infiziert werden.

Tech Briefs: Was war Ihrer Meinung nach die wichtigste Schlussfolgerung, die aus Ihrem Modell gezogen wurde?

Emma Pierson: Es gibt eine Reihe von Schlussfolgerungen, die aus unserer Analyse fließen, aber zwei der wichtigsten sind:

• Wiedereröffnung muss nicht „alles oder nichts“ sein: Strategien wie die Reduzierung der maximalen Belegung können es uns ermöglichen, effizienter wiederzueröffnen, indem sie eine große Reduktion der Infektionen bei einer relativ kleinen Reduktion der Besuche bieten.
• Unser Modell deutet auch darauf hin, dass rassische und sozioökonomische Ungleichheiten teilweise durch Mobilität getrieben werden: Sie sind nicht unvermeidlich, sondern können durch kurzfristige politische Entscheidungen beeinflusst werden. Daher ist es bei der Bewertung von Wiedereröffnungsstrategien wichtig, nicht nur die Auswirkungen auf die Gesamtbevölkerung zu berücksichtigen, sondern auch die Auswirkungen auf benachteiligte Gruppen. Dies unterstützt Schritte, die von Kalifornien und dem Biden-Harris-Übergangsteam unternommen werden, um die Auswirkungen von Wiedereröffnungspolitiken auf benachteiligte Bevölkerungsgruppen spezifisch zu berücksichtigen.

Tech Briefs: Wie können Beamte Ihr Modell am effektivsten nutzen?

Emma Pierson: Die beiden oben genannten Erkenntnisse sind direkt politisch relevant und helfen uns, effektivere und gerechtere Wiedereröffnungsstrategien zu entwickeln. Wir bauen auch ein Online-Tool, das politischen Entscheidungsträgern und der Öffentlichkeit ermöglicht, mit unserem Modell zu interagieren und daraus zu lernen. Schließlich arbeiten wir daran, die Analyse auf aktuellere Daten auszuweiten, da die ursprüngliche Analyse auf Daten aus dem Frühjahr basiert und sich seitdem vieles geändert hat.

Was denken Sie? Teilen Sie Ihre Fragen und Kommentare unten.