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.
Grafikken viser R, hvis hver person smitter tre andre. Et letforståeligt tal, men ikke et særligt retvisende billede for coronapandemien, fordi kun få smittede rent faktisk giver COVID-19 videre til tre andre – mange slet ikke giver noget videre – og en lille gruppe smitter mange andre.
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.
En grafisk fremstilling af k angivet til 3, dvs. hvis alle COVID-19-bærere stod på en række inddelt fra flest til færrest andre smittede ville personen i midten have smittet tre. Det giver et langt mere retvisende smittebillede, fordi modellen tager højde for, at ikke alle mennesker smitter andre. Et højt k – som fx 3 – er også typisk med en høj R-værdi.
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.
Her ses dispersionsfaktoren k med en værdi under 1. Grafikken tegner det mest retvisende billede på, hvordan COVID-19 spredes, nemlig i klynger. Her smitter enkelte personer rigtig mange andre i uheldige situationer, hvor mange faktorer er til stede samtidig, fx mange mennesker, begrænset plads og en person, der asymptomatisk spreder mange viruspartikler.
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.
Derfor er visse steder coronasmittefælder
Videnskaben bliver løbende klogere på, hvor du særligt skal vogte dig for smitte.
Kirker
Over 5000 smittetilfælde menes at stamme fra én kvinde i en sydkoreansk megakirke.
Videnskabens forklaring: Dårlig udluftning, ingen masker og tæt fysisk kontakt skabte optimale forhold for smittespredning.
Natteliv
Et sydkoreansk udbrud med mindst 246 smittede kunne spores til én mand, der en aften besøgte flere barer.
Videnskabens forklaring: Mange højrøstede mennesker udsender millioner viruspartikler i tætte, små rum, hvor virussen dårligt kan slippe væk.
Slagteri
Over 2000 fik coronavirus fra et tysk slagteri. Mange andre lande har oplevet udbrud i samme industri.
Videnskabens forklaring: Folk arbejder tæt, råber og luften bliver gencirkuleret. En patient kan under disse forhold overføre smitte over 8 meter – og viruspartiklerne trives for i øvrigt på kølige metaloverflader.