Mobiele data en coronacijfers geven de grootste besmettingshaarden aan

In de praktijk is 19 procent van de patiënten verantwoordelijk voor 80 procent van de besmettingen, terwijl zo’n 69 procent helemaal niemand besmet.

Hier komt K om het hoekje kijken.

Als alle patiënten worden gerangschikt naar wie de meeste anderen heeft besmet, geeft K aan hoeveel mensen de persoon in het midden heeft besmet.

Voor COVID-19 is het K-getal zeer laag: circa 0,1, zo blijkt uit een nieuw onderzoek. Dat betekent dat de middelste persoon in de rij veel minder mensen dan 1 heeft besmet. De waarde van het getal laat zien dat mensen aan het uiteinde van de rij onevenredig veel mensen besmetten. Voor de Spaanse griep lag K rond de 1.

Op basis van K kan de verspreiding beter in kaart worden gebracht. Zo kan een lage K-waarde verklaren hoe het kon dat een Fransman het virus al in december naar Europa bracht zonder dat er een uitbraak volgde. En omgekeerd wordt ook duidelijk waarom Noord-Italië in het begin zo zwaar getroffen werd: een klein aantal superverspreiders bracht het virus naar veel mensen, geholpen door bepaalde omstandigheden.

Coronaclusters houden pandemie op gang

Uit het lage K-getal blijkt dat superspreader events de drijvende kracht achter de pandemie zijn. Dat is niet per se een slechte zaak, want:

• Een hoge K en R duiden op een lineaire verspreiding die moeilijk te stoppen is.
• Een lage K wijst op een grillige ontwikkeling die moeilijk te voorspellen is, maar de meeste potentiële besmettingsketens vanzelf doorbreekt.

De Japanse autoriteiten richten zich alleen op clusters en niet op individuen, en met weinig drastische maatregelen zijn er in Japan maar 1700 doden gevallen.

Het idee is dat als clusters voorkomen kunnen worden, het virus zich niet als een lopend vuurtje zal verspreiden doordat een beperkt aantal mensen COVID-19 doorgeeft.

Mobiele data wijzen ergste besmettingshaarden aan

Een zojuist gepubliceerd onderzoek geeft precies aan waar de meeste kans is dat het aantal besmette personen zal exploderen – zoals voorspeld door K.

In het onderzoek ontwikkelden de onderzoekers een model dat bewegingsgegevens van 98 miljoen mobiele telefoons in verschillende wijken van Amerikaanse steden als Chicago, San Francisco en New York vergelijkt met een eenvoudig model van coronavirusinfectie. Al die input geeft aan welke plaatsen en bevolkingsgroepen een hoog besmettingsrisico kennen.

Het model kon zeer nauwkeurig het werkelijke aantal geïnfecteerden in verschillende gebieden voorspellen en laten zien hoe de besmetting zich uur na uur ontwikkelde op 553.000 bepaalde plaatsen, Points of Interest (POI’s).

Deze POI’s kunnen worden onderverdeeld in 20 categorieën, en het model geeft het besmettingsrisico in elke categorie weer. De POI’s met het hoogste risico zijn:

• Restaurants
• Fitnesscentra
• Cafés
• Hotels
• Fastfoodrestaurants
• Religieuze gebouwen
• Medische centra
• Supermarkten

De onderzoekers benadrukken dat bepaalde POI’s ondervertegenwoordigd zijn door gebrek aan data, zoals scholen, verpleeghuizen en gevangenissen.

Zo was in Chicago 10 procent van de plaatsen volgens het model verantwoordelijk voor 85 procent van de voorspelde besmettingsgevallen.

Tegelijkertijd bevestigt het model een maatschappelijke scheefte in de besmettingsverspreiding. Supermarkten in lage-inkomensgebieden kregen bijvoorbeeld 59 procent meer bezoekers per vierkante meter, en de bezoeken duurden 17 procent langer dan in vergelijkbare winkels in gebieden met een hoog inkomen.

De studie concludeert dat het beperken van het aantal bezoekers op één tijdstip en één plek de besmetting beter in toom houdt dan het beperken van de persoonlijke bewegingsvrijheid.