Mobildata og coronatallet k afslører pandemiens værste smittefælder

Husker du den røde og den grønne kurve?

Den overskyggende coronastrategi var fra starten at holde smittetrykket på den lave, grønne kurve. Målet krævede at kontakttallet R røg under 1, dvs. at patienter i gennemsnit smitter færre end én anden.

R er meget nyttig til at vurdere, hvor hårdt epidemien har fat, men nyttigheden holder hurtigt op.

Derfor fokuserer forskere i stigende grad også på den såkaldte dispersionsfaktor, k.

I en netop udgivet undersøgelse har forskere med baggrund i k og mobildata udpeget pandemiens største smittefælder – og hvor restriktionerne har størst gavn.

K tegner smittens sande billede

For COVID-19 svinger kontakttallet R typisk mellem 2 og 6.

Reelt står 19 procent af de smittede for 80 procent af smitten, mens omkring 69 procent tilsyneladende slet ikke smitter andre.

Her kommer k ind i billedet.

Hvis samtlige COVID-19-patienter stilles op på en række efter hvem, der har smittet flest, angiver k antallet af smittede, som personen midt i rækken har smittet.

For COVID-19 er k meget lavt – ca. 0,1, viser en ny undersøgelse. Det betyder, at middelværdien – hvor mange personer den midterste person i rækken har smittet – er langt under 1. Tallet afslører, at visse personer i den ene ende af rækken smitter uforholdsmæssigt mange. For den spanske syge var k ca. 1.

Ud fra k kan forskere bedre udpege, hvordan smittespredningen tager fart. Den lave k-værdi kan fx forklare, hvorfor en franskmand allerede i december bragte virussen til Europa – uden der opstod udbrud. Omvendt forklarer værdien også, hvorfor Norditalien i starten blev lagt ned af epidemien – fordi få superspredere og de rette forhold uheldigvis spredte virussen til mange mennesker.

Coronaklynger driver pandemien

Den lave k-værdi afslører, at superspredningsbegivenheder er pandemiens afgørende drivkraft. Det er ikke nødvendigvis skidt, fordi:

• Høj k og R indikerer en lineær smittespredning, der er svær at stoppe.
• Lav k indikerer en tilfældig udvikling, der er svær at forudse, men selv naturligt stopper de fleste smittekæder.

Med den viden opsporer de japanske sundhedsmyndighederne fx klynger og ikke enkeltpersoner, og holder sig med relativt begrænsede tiltag på under 1700 dødsfald.

Tankegangen er, at hvis myndighederne kan forhindre eller sætte ind overfor klynge-udbrud, så vil smitten ikke sprede sig markant mellem de individuelle borgere i samfundet, fordi kun et fåtal rent faktisk giver COVID-19 videre.

Mobildata udpeger de værste smittefælder

En netop udgivet undersøgelse pinpointer præcis hvor, antallet af smittede har højest risiko for at eksplodere – som forudsagt af k.

I undersøgelsen har forskerne udviklet en model, der sammenholder bevægelsesdata fra 98 millioner mobiltelefoner i forskellige kvarterer i store amerikanske byer som Chicago, San Francisco og New York med en simpel model for coronavirussmitte. Tilsammen afslører inputtet steder og befolkningsgrupper med høj smitterisiko.

Modellen kunne med høj præcision forudsige det reelle antal smittede i forskellige områder og vise smitteudviklingen time for time på 553.000 bestemte steder, kaldet Points of Interest, POI.

Disse POI kan inddeles i 20 forskellige kategorier, og modellen afslører hver kategoris smittefare. POI med højest risiko er:

• Restauranter
• Fitnesscentre
• Caféer
• Hoteller
• Fastfood-restauranter
• Religiøse bygninger
• Lægehuse
• Supermarkeder

Forskerne fremhæver, at visse POI er underrepræsenteret pga. mangel på data, fx skoler, plejehjem og fængsler.

I fx Chicago stod ti procent af stederne ifølge modellen for 85 procent af de forudsete smittetilfælde.

Samtidig bekræfter modellen en samfundsmæssig skævvridning i smittespredning. Supermarkeder i lavindkomstområder havde fx 59 procent flere besøgende pr. kvadratmeter, og besøgene varede 17 procent længere end i tilsvarende butikker i højindkomstområder.

Undersøgelsen konkluderer, at en begrænsning i antal samtidige besøgende på hvert sted mere effektivt bremser smitte end reduktion i den personlige bevægelsesfrihed.