call download fax letter pdf search x chevron
"jcr:a6fc1edd-f0e9-42d2-96e7-54cd9a078cdb" (String)
COVID Header

Frankfurt am Main, 30.06.2022 12:00:00

Methoden, die für die Wettervorhersage eingesetzt werden, können so adaptiert werden, dass sie Einzelpersonen eine Bewertung ihres COVID-19-Risikos ermöglichen. Die Technik hat das Potenzial, effektiver und weniger einschneidend zu sein als pauschale Lockdowns. Das ist das Ergebnis einer Caltech-Studie unter der Leitung von Tapio Schneider, Theodore Y. Wu Professor für Umweltwissenschaften und -technik, die unter anderem von Lucas Böttcher, Assistant Professor of Computational Social Science an der Frankfurt School, mitverfasst wurde. Die Studie erschien am 23. Juni in PLOS Computational Biology.

Die Idee ist einfach: Wettervorhersagemodelle nutzen viele Daten, um den aktuellen Zustand der Atmosphäre zu beurteilen, prognostizieren die künftige Wetterentwicklung und wiederholen diesen Prozess regelmäßig, indem sie den prognostizierten Zustand mit neuen Daten kombinieren. Auf die gleiche Weise nutzt auch die Bewertung von Krankheitsrisiken verschiedene verfügbare Daten, um das Risiko einer Person einzuschätzen, einer Krankheit ausgesetzt zu sein oder sich mit ihr zu infizieren. Solche Bewertungen könnten die Daten von Testcentern, von am Körper getragenen Sensoren, selbstberichtete Symptome und enge Kontakte nutzen, wie sie von Smartphones aufgezeichnet werden, sowie die Dashboards von Gemeinden für die Meldung von Krankheiten.

Das Ergebnis wäre eine Smartphone-App, die bestehenden COVID-19-Benachrichtigungs-Apps ähneln würde, jedoch ausgefeilter und effektiver in der Datennutzung wäre. Bestehende Apps liefern eine binäre Risikobewertung (die Nachricht „ja, Sie hatten eine Risikobegegnung“, oder keine Nachricht, wenn keine Risikobegegnung vorliegt). Die neue App würde ein differenzierteres Verständnis der sich ständig ändernden Begegnungs- und Infektionsrisiken liefern.

FS-Professor Lucas Böttcher hat ein Computermodell einer fiktiven Stadt mit 100 000 Einwohnern erstellt und untersucht, wie gut die angepassten Wettervorhersagemethoden die Ausbreitung einer Krankheit vorhersagen. Die Ergebnisse waren ermutigend: Das Modell identifizierte bis zu doppelt so viele potenzielle Risikobegegnungen wie herkömmliche Apps bei derselben Datengrundlage.

Die Umsetzung dieser Technologie erfordert jedoch eine hohe Zahl von Smart-Device-Nutzern und wirksame Testkampagnen, damit die Software für das Management und die Kontrolle von Epidemien funktioniert. Wenn rund 75 Prozent der Bevölkerung relevante Informationen zur Verfügung stellen und angeben, wann sie dem Virus ausgesetzt waren, ist die Software genau genug, um eine COVID-Epidemie zu managen und zu kontrollieren. Ein vielversprechendes Szenario ist der Einsatz durch kleinere Nutzergruppen, zum Beispiel auf einem Hochschulcampus.