Technologie

Ist Big Data der Schlüssel im Kampf gegen das Corona-Virus?

Auch Computerspezialisten haben den Kampf gegen das Corona-Virus  aufgenommen.

Auch Computerspezialisten haben den Kampf gegen das Corona-Virus aufgenommen.

Das Corona-Virus verbreitet sich rasch um den ganzen Globus. Jetzt versuchen Epidemiologen, seinen Verlauf mit komplexen Programmen zu prognostizieren.

Das Corona-Virus verbreitet sich. Die Zahl der Toten steigt täglich, mittlerweile sind Zehntausende Menschen in China infiziert – trotz Quarantäne, trotz Ausgangssperren. Es gibt immer mehr Fälle der Lungenkrankheit ausserhalb von China.

Nicht nur in Südostasien, sondern auch in Europa und den USA wurden Fälle bestätigt. Nachdem die Weltgesundheitsorganisation den internationalen Notstand ausgerufen hat, wächst die Angst vor einer Pandemie. Krankenhäuser bereiten sich auf den Ernstfall vor, Reiseveranstalter stornieren China-Reisen, Regierungen fliegen Staatsbürger aus.

Dass das Virus nicht an Landesgrenzen haltmacht, sich nicht isolieren lässt, sollte angesichts einer globalen Wirtschaft, in der täglich Millionen Personen von Kontinent zu Kontinent reisen, nicht verwundern. Trotzdem ist es quasi unmöglich, abzusehen, wo im Land das Virus ausbrechen wird. Für die Gesundheitsbehörden und Krankenhäuser wäre das aber eine entscheidende Information, weil sie danach ihre medizinische Versorgung ausrichten müssten.

Wo werden Notfallzentren eingerichtet? Wie werden infizierte Patienten transportiert, um die Ansteckungsgefahr möglichst gering zu halten? Welche Flughäfen dürfen Passagiermaschinen mit Menschen an Bord ansteuern, die möglicherweise infiziert sind? Welche Sicherheitsmassnahmen werden ergriffen?

Um die Planungssicherheit der Behörden zu erhöhen, versuchen Epidemiologen daher, mit Big-Data-Methoden, die auf Künstliche Intelligenz (KI) gestützt sind, den Verlauf der Epidemie vorherzusagen. Das kanadische Unternehmen BlueDot prognostiziert die Ausbreitungswellen und Geschwindigkeiten von Epidemien: Ein maschinell lernender Algorithmus durchforstet im Netz auffindbare Nachrichtenartikel in 65 Sprachen, Behördenmeldungen sowie Ticketdaten von Fluggesellschaften.

Mit der Methode will das Unternehmen bereits den Ausbruch des Zika-Virus im Süden Floridas vorhergesagt haben. Interessant: Der Algorithmus warnte bereits am 31. Dezember 2019 vor einem Ausbruch des Virus in der chinesischen Millionenmetropole Wuhan – neun Tage, bevor die Weltgesundheitsorganisationeine offizielle Warnung herausgab.

Die wichtigste Rolle spielen ­Flughäfen

Die Idee, den Verlauf von Krankheiten mathematisch vorherzusagen, ist nicht neu. Die ­Wissenschaftler für Strömungsforschung des Max-Planck-Instituts in Göt­tingen konnten bereits im Jahr 2004 durch die Analyse von Flugverkehrsdaten die Dynamik von Ausbreitung und An­steckung von Sars vorhersagen. Zentrale Erkenntnis damals: Bei der Ausbreitung einer Epidemie spielt der Ursprungs- ort kaum eine Rolle, entscheidend sind vielmehr die grossen Knoten im Luft­verkehrsnetz, London, New York, Frankfurt.

Der Physiker Dirk Brockmann war als Postdoc mit im Göttinger Forschungsteam. Heute leitet er das Projekt «Epidemiologische Modellierung von Infektionskrankheiten» am Robert-Koch-Institut (RKI), wo er und sein Team die globale Ausbreitung neuartiger Krankheitserreger wie zum Beispiel Sars oder Influenza A(H1N1) beschreiben und vorhersagen können.

Heute wandern Mikroben Hunderte Kilometer weit pro Tag

Durch die globale Mobilität und Ver­netzung breiten sich Infektionskrank­heiten viel schneller aus als noch vor ein paar hundert Jahren. Die mittlere Ausbreitungsgeschwindigkeit des H1N1-Erregers während der Influenza-Pandemie 2009, das haben Brockmanns Forschungen ergeben, lag bei etwa 250 bis 400 Kilometer am Tag. Zum Vergleich: Die Pest kroch im 14. Jahrhundert mit 3 bis 5 Kilometer pro Tag voran und brauchte mehrere Jahre, um von Südeuropa bis nach Skandinavien zu gelangen.

Die feudale Gesellschaft, in der die soziale Mobilität gleich null war und allenfalls Soldaten und Kaufleute über die Stadt- oder ­Dorfgrenzen hinauskamen, ist mit einer hypermobilen Gesellschaft, in der Airlines pro Jahr vier Milliarden Passagiere befördern, nicht zu vergleichen. Die Mobilität ist viel komplexer.

Diese Komplexitätsstruktur ist zum einen ein Problem, zum anderen aber eine Chance, weil heute jede Menge Flug- oder Smartphone-Daten zur Verfügung stehen, aus denen sich Mobilitätsmuster ableiten lassen. So simulierten Brockmann und sein Team beispielsweise anhand von Flugverbindungen das Importrisiko des Ebola-Virus. Ihr Mobilitätsmodell haben die Forscher nun für das Corona-Virus aktualisiert und in einer Grafik visualisiert.

Die Annahme ist, dass das globale Flugnetz einen Näherungswert für die Ausbreitungsdynamik von Epidemien darstellt. Für den Flughafen Frankfurt besteht derzeit laut den Berechnungen von Brockmann ein Importrisiko von 0,053 Prozent, für Zürich liegt es bei 0,034 Prozent.

Das heisst, wenn 10 000 infizierte Personen am Flughafen Wuhan eine Maschine besteigen, werden statistisch drei Personen mit dem Erreger in Zürich landen (was eine hypothetische Überlegung ist, weil der Flughafen von Wuhan geschlossen ist).

Die Frage ist, ob Flugverbindungen als Datengrundlage ausreichen und man nicht auch Autos oder die Eisenbahn berücksichtigen müsste. Brockmann hat vor einigen Jahren anhand der Zirkulation von Dollarnoten Mobilitätsmuster erstellt und die Ausbreitungsprozesse von Krankheiten modelliert, was aber heute obsolet ist, weil immer mehr Menschen bargeldlos bezahlen.

«Die Modelle funktionieren nur im globalen Massstab, wo der Flugverkehr dominiert», erklärt der Physiker im Gespräch, «niemand fährt mit dem Auto von Wuhan nach Paris.»

Innerhalb eines Landes, wo das Flugzeug nur eine geringere Rolle spielt, sei die Aussagekraft daher nur begrenzt. Je grösser die Distanz wird, desto genauer werden die Modelle. Die Kappung von Flugverbindungen könne die Ausbreitung des Virus verlangsamen, so Brockmann. Bei der Seuchenbekämpfung komme es aber vor allem darauf an, das exponentielle Wachstum vor Ort zu stoppen.

Meistgesehen

Artboard 1