Verbesserung von Contact-Tracing Apps in der COVID-19-Ära

Im Rahmen einer internationalen Zusammenarbeit mit der EPFL wurde eine Methode entwickelt, um die Leistung der COVID-19-Apps zur Ermittlung von Kontakten zu verbessern, indem kürzliche Kontakte einer Benutzerin oder eines Benutzers, die Risikostufen sowie geteilte Informationen über Tests und Symptome berücksichtigt werden.
iStock-Fotos

Apps zum Aufspüren von Kontakten, wie SwissCovid, haben ein enormes Potenzial, die Ausbreitung der COVID-19-Pandemie einzudämmen. Die Benutzenden erlauben den Apps, ihre Kontakte untereinander zu verfolgen und die Wahrscheinlichkeit abzuschätzen, dass sie mit einer mit SARS-CoV-2 infizierten Person in Kontakt gekommen sind. Sollte dies der Fall sein, sendet die App eine Benachrichtigung.

Es ist verständlich, dass die Technologie zur Ermittlung von Kontaktpersonen viele ethische und datenschutzrechtliche Fragen aufwirft, die alle gegen die Notwendigkeit des Schutzes der öffentlichen Gesundheit abgewogen werden müssen. Dennoch wurden bisher vergleichsweise wenig Anstrengungen unternommen, um die Leistung und Genauigkeit von Kontaktverfolgungs-Apps zu optimieren, obwohl sie ein grosses Potenzial zur Bekämpfung der Pandemie haben.

Nun hat eine Gruppe von Wissenschaftlerinnen und Wissenschaftlern eine statistische Methode entwickelt, die die Leistung von Kontaktverfolgungs-Apps verbessern kann, indem sie die jüngsten Kontakte einer Nutzerin oder eines Nutzers, die Risikostufen sowie die geteilten Informationen über Tests und Symptome berücksichtigt. Die in PNAS veröffentlichte Arbeit wurde von Forschenden der EPFL, aus Italien und Frankreichs durchgeführt.

Die Forschenden verwendeten Bayes'sche Statistiken, die die Wahrscheinlichkeit von Ereignissen berechnen. Mit diesem Ansatz schätzten sie das Risiko, dass eine Person infiziert ist, auf Grundlage ihres intrinsischen Risikos, der Liste ihrer jüngsten Kontakte und des geschätzten Risikos dieser Kontakte.

«Durch die einfache Weitergabe von Nachrichten konnten wir das Risiko, sich mit COVID-19 zu infizieren, mit viel höherer Genauigkeit abschätzen als durch die einfache Verfolgung von Kontakten.»      Lenka Zdeborová

«Wir wollten quantifizieren, welchen epidemiologischen Nutzen wir haben könnten, wenn Nutzende, die kürzlich in Kontakt waren, auch Nachrichten austauschen könnten», sagt Lenka Zdeborová, Professorin an der EPFL-Fakultät für Grundlagenwissenschaften und der Fakultät für Informatik und Kommunikation, eine der Hauptautorinnen der Studie. «Durch die einfache Weitergabe von Nachrichten konnten wir das Risiko, sich mit COVID-19 zu infizieren, mit viel höherer Genauigkeit abschätzen als durch die einfache Verfolgung von Kontakten.»

Der mathematische Ansatz der Forschenden verwandelte sich schnell in vollständig verteilte Algorithmen, die nur auf der Grundlage der Kommunikation zwischen Personen funktionieren, die kürzlich in Kontakt waren. Die Kommunikation kann vollständig verschlüsselt und anonymisiert werden, so dass sie möglicherweise zukünftigen Datenschutzbestimmungen entspricht.

Bei der Erprobung ihrer «probabilistischen Risikomethode» stellten die Forschenden fest, dass sie eine effiziente Methode zur Eindämmung von Epidemien wie COVID-19 darstellt. Natürlich funktioniert der Ansatz am besten innerhalb eines Zeitfensters der Epidemie, typischerweise nachdem die manuelle Rückverfolgung aller Kontakte von infizierten Personen praktisch unmöglich geworden ist, aber bevor der Anteil der infizierten Personen eine Grössenordnung erreicht, bei der eine Abriegelung unvermeidbar wird.

Da diese Art der probabilistischen Risikoabschätzung die Leistung der Technologie zur Ermittlung von Kontaktpersonen jedoch so weit verbessern kann, dass sie einen echten Unterschied bei der Ausbreitung einer Epidemie – oder Pandemie – ausmachen kann, empfiehlt die Autorenschaft auf der Grundlage ihrer Daten, dass Entwickelnde die Implementierung dieser Methode in ihre Anwendungen in Betracht ziehen sollten.

Weitere Informationen

Liste der Mitwirkenden

  • EPFL-Fakultät für Grundlagenwissenschaften (Institut für Physik)
  • EPFL-Fakultät für Ingenieurwissenschaft und Technologie (Institut für Elektrotechnik und Mikrotechnik)
  • EPFL-Fakultät für Informatik und Kommunikation
  • Laboratoire de Physique de l'Ecole Normale Supérieure, CNRS, Sorbonne Université, Université Paris-Diderot (Frankreich)
  • Politecnico di Torino (Italien)
  • Italienisches Institut für Genomische Medizin
  • Collegio Carlo Alberto (Italien)
  • INFN Sezione di Torino (Italien)
  • Internationales Abdus-Salam-Zentrum für Theoretische Physik (Italien)
  • Université Paris-Saclay, CNRS
  • Institut de physique théorique CEA (Frankreich)

Finanzierung

  • HPC@POLITO
  • Google Cloud (SIPAR-Zuschuss)
  • SmartData@PoliTO Zentrum für Big Data und Datenwissenschaft
  • Agence Nationale de la Recherche (Frankreich)
  • Chaire CFM-ENS für Datenwissenschaft

Referenzen

Antoine Baker, Indaco Biazzo, Alfredo Braunstein, Giovanni Catania, Luca Dall'Asta, Alessandro Ingrosso, Florent Krzakala, Fabio Mazza, Marc Mézard, Anna Paola Muntoni, Maria Refinetti, Stefano Sarao Mannelli, Lenka Zdeborová, Epidemic mitigation by statistical inference from contact tracing data, PNAS 10 August 2021