{"id":4411,"date":"2021-04-28T05:55:46","date_gmt":"2021-04-28T05:55:46","guid":{"rendered":"https:\/\/lamarr-institute.org\/blog\/maschinelles-lernen-gegen-corona\/"},"modified":"2025-11-12T14:53:41","modified_gmt":"2025-11-12T14:53:41","slug":"maschinelles-lernen-gegen-corona","status":"publish","type":"blog","link":"https:\/\/lamarr-institute.org\/de\/blog\/maschinelles-lernen-gegen-corona\/","title":{"rendered":"Wie kann Maschinelles Lernen bei der Bek\u00e4mpfung von Corona helfen?"},"content":{"rendered":"\n

Die aktuelle Corona-Pandemie stellt die Gesundheits\u00e4mter in Deutschland vor neue Herausforderungen. Innerhalb k\u00fcrzester Zeit mussten die personellen und technischen Voraussetzungen geschaffen werden, um auf die dynamischen Entwicklungen zu reagieren. Eine Hauptaufgabe besteht dabei in der Nachverfolgung von Infektionsketten und der anschlie\u00dfenden Anordnung von Isolation beziehungsweise Quarant\u00e4ne. Um diese Aufgabe zu bew\u00e4ltigen, erfassen Gesundheits\u00e4mter verschiedene Informationen von positiv getesteten Personen und deren Kontaktpersonen – darunter demografische und epidemiologische Daten.<\/p>\n\n\n\n

\"-
\u00a9 Fraunhofer IAIS, Dario Antweiler
Die Visualisierung und Analyse des Infektionsgeschehens unterst\u00fctzen die Kontaktnachverfolgung. Das Bild zeigt ein fiktives Beispiel von infizierten Personen (rote Quadrate beziehungsweise Punkte) und den zugeh\u00f6rigen bekannten Ansteckungen zwischen ihnen (Pfeile).<\/figcaption><\/figure>\n\n\n\n

Im Sommer 2020 startete im Rahmen der Initiative \u00bbFraunhofer vs. Corona<\/a>\u00ab eine Kooperation bestehend aus jeweils sechs deutschen Gesundheits\u00e4mtern und Fraunhofer-Instituten. Das Projekt \u00bbCorASiV<\/a>\u00ab (\u00bbUnterst\u00fctzung der Gesundheits\u00e4mter in der Cor<\/strong>ona-Response durch A<\/strong>nalyse, Si<\/strong>mulation und V<\/strong>isualisierung\u00ab) hat zum Ziel, die verf\u00fcgbaren Daten des Infektionsgeschehens zu analysieren, aufzubereiten und dadurch die Gesundheitsexpert*innen bei der Kontaktverfolgung zu unterst\u00fctzen. Eingesetzt werden daf\u00fcr Techniken des Maschinellen Lernens, der Datenvisualisierung und der mathematischen Simulation. Data Scientists am Fraunhofer IAIS arbeiten innerhalb des Projektes eng mit dem Gesundheitsamt K\u00f6ln zusammen, welches als gr\u00f6\u00dftes deutsches Gesundheitsamt f\u00fcr mehr als eine Millionen Menschen zust\u00e4ndig ist. Die Projektschwerpunkte des Fraunhofer IAIS liegen dabei auf der Analyseunterst\u00fctzung von strukturierten sowie raumzeitlichen Daten im Hinblick auf die Eind\u00e4mmung der Pandemie.<\/p>\n\n\n\n

Muster in der Infektionsausbreitung erkennen<\/h2>\n\n\n\n

Gemeinsam mit dem Gesundheitsamt wurden zun\u00e4chst Analyse-Fragestellungen definiert, die in der aktuellen Situation besonders wichtig sind. Dazu z\u00e4hlt beispielsweise die Identifikation von \u00bbInfektionsclustern\u00ab, das hei\u00dft von mehreren Personen, die sich vermutlich an einer gemeinsamen Quelle infiziert haben. Eine weitere Aufgabenstellung ist die Erforschung der geografischen Ausbreitung des neuartigen Virus in der Stadt: Mit welcher Geschwindigkeit und in welchen Stadtbezirken erfolgt die Ausbreitung?<\/p>\n\n\n\n

Die aktuellen Analysen der Fraunhofer-Wissenschaftler*innen in Zusammenarbeit mit dem Gesundheitsamt zeigen altersspezifische, geografische und damit auch eingeschr\u00e4nkt sozio-\u00f6konomische Zusammenh\u00e4nge in der Verbreitung von Covid-19 in K\u00f6ln auf. Allerdings zeigen sie auch, dass diese Zusammenh\u00e4nge allein keine kausalen R\u00fcckschl\u00fcsse auf die Ursachen dieser Ausbr\u00fcche oder der Infektionsverl\u00e4ufe zulassen. Die Analysen unterst\u00fctzen das Gesundheitsamt K\u00f6ln dabei, konkrete Ma\u00dfnahmen wie zum Beispiel in der Kommunikation der AHA-Regeln oder auch die Platzierung der Standorte f\u00fcr Schnell- und Selbsttests strategisch auszubauen.<\/p>\n\n\n\n

Bei der Analyse wurde der Infektionsverlauf in drei zeitliche Phasen unterteilt und jeweils individuell betrachtet wie auch miteinander verglichen: Die Phase 1 von M\u00e4rz 2020 bis Juni 2020, Phase 2 von Juli 2020 bis November 2020 und Phase 3 von Dezember 2020 bis Januar 2021. Es zeigt sich ein klarer geografischer Unterschied in der Verbreitung. W\u00e4hrend sich in Phase 1 das Infektionsgeschehen prim\u00e4r in linksrheinischen Stadtteilen ausbreitete, trat es in Phase 2 und 3 \u00fcberwiegend im rechtsrheinischen Stadtgebiet auf.<\/p>\n\n\n\n

Bei den Infektionsgeschehen zwischen Altersgruppen<\/strong> bezieht sich die Analyse auf die F\u00e4lle, in denen die bekannte Ansteckungsquelle in K\u00f6ln liegt, was in etwa 30 Prozent der F\u00e4lle passiert. Es finden sich drei \u00dcbertragungsmuster:<\/p>\n\n\n\n