Kann ein Algorithmus uns helfen, sicher durch die Coronakrise zu navigieren?

Wie stark müssen Politiker in den Alltag eingreifen, um das Coronavirus zu bremsen? Ein Algorithmus schätzt den Erfolg von Maßnahmen.

Der Erfolg sei zerbrechlich, kommentierte Angela Merkel vor Kurzem die sinkenden Zahlen registrierter Infektionen mit dem Coronavirus in Deutschland. Politiker, die darüber entscheiden, wie stark das öffentliche Leben eingeschränkt oder wieder gelockert werden kann, riskieren stets ein Wiederaufflammen der Epidemie. Das Problem: Wie eine Maßnahme wirken wird, lässt sich kaum vorhersagen. Übereilte Lockerungen könnten katastrophale Folgen haben, warnt George Barbastathis vom Massachusetts Institute of Technology in Boston. Der Forscher hat einen lernfähigen Algorithmus mit Daten über den Verlauf der Pandemie in vier Ländern gefüttert. Die künstliche Intelligenz (KI) lernte daraus, wie effektiv die unterschiedlichen Maßnahmen die Ausbreitung des Coronavirus bremsten. Mit dem Gelernten konnte die KI auch abschätzen, wie sich mehr oder weniger strenge Maßnahmen in der nahen Zukunft auswirken. Die Ergebnisse haben die Forscher auf einem Server für wissenschaftliche Arbeiten publiziert, die noch nicht von Gutachtern geprüft wurden..

Die Wucht der Nachkommastelle

Welche Folgen selbst kleine Änderungen im Kontaktverhalten haben können, drückt eine Kennzahl besonders eindrücklich aus: Die „effektive Reproduktionszahl“, abgekürzt R. Sie gibt an, wie viele Menschen ein Infizierter durchschnittlich ansteckt. Um die Epidemie einzudämmen, muss R unter den Wert von 1 sinken. Steigt er hingegen über 1, setzt exponentielles Wachstum ein. Dann infizieren sich an jeden neuen Tag mehr Menschen als am Tag zuvor. Über kurz oder lang explodiert die Fallzahl und es gibt mehr Erkrankte mit schwerem Verlauf als Betten in den Intensivstationen. Schon Änderungen von R hinter dem Komma haben große Folgen. Bei R = 1,1 stecken neun von zehn Personen je eine Person an. Der zehnte infiziert zwei Menschen. Bei dieser Rate, so rechnete Merkel vor, würde die Kapazität des deutschen Gesundheitssystems im Oktober überschritten. Steigt R nur wenig weiter auf 1,3, würde das Fassungsvermögen der Intensivstationen schon im Juni gesprengt.

Nun lässt sich R nicht einfach regeln wie die Lautstärke im Kopfhörer. Klar ist nur: Um den Wert zu senken, müssen Infektionsketten durchbrochen werden. Welche Maßnahmen sich aber wie stark und wie schnell auf R auswirken, wird derzeit erforscht. Länder reagierten unterschiedlich schnell und restriktiv auf den Ausbruch der Epidemie. Südkorea etwa setzt unter anderem auf Contact-Tracing mit Hilfe einer App. Das Nachverfolgen von Infektionsketten funktioniert aber nur bei relativ kleinen Fallzahlen. In Deutschland ist das derzeit nicht praktikabel. Dafür dürfte die Zahl der täglich Neuinfizierten höchstens dreistellig sein, sagte Michael Meyer-Hermann vom Helmholtz-Zentrum für Infektionsforschung in Braunschweig jüngst der Süddeutschen Zeitung. Auch in Italien oder den USA lässt sich die Seuche auf diese Weise nicht eindämmen. Diese Länder setzen auf Ausgangsbeschränkungen und andere Eingriffe ins Alltagsleben. Auch der Umfang, in dem ein Land auf Corona testet, wirkt sich auf R aus. Denn positiv getestete Menschen können gezielt in Quarantäne geschickt werden. So hat Italien Anfang März die Coronatests auf Menschen mit Symptomen beschränkt. Dadurch sei R von 1,66 auf 1,8 angestiegen, schreiben Forscher um Giulia Giordano von der Universität Trient in einer im Fachmagazin nature publizierten Studie.

Der Algorithmus aus Boston verglich nun die Effizienz der Maßnahmen in vier Ländern: Südkorea, China, Italien, USA.

Dazu haben George Barbastathis und sein Doktorand Raj Dandekar ihr lernfähiges Programm mit den Daten über das Infektionsgeschehen in diesen Ländern gefüttert. Dazu gehört neben der Zahl der Infizierten die Zahl der Menschen, die sich potenziell anstecken können und wie viele sich bereits wieder erholt haben.

Eine Größe in der Gleichung lässt sich jedoch nur schwer in Zahlen fassen: Wie gut wirken Maßnahmen wie das Contract-Tracing, Schulschließungen oder die Quarantäne einer ganzen Bevölkerung mittels einer Ausgangssperre? Es lasse sich laut den Forschern nicht leicht simulieren, wie sich Lockerungen auswirken, ob man beispielsweise die „Stärke“ von Quarantäneregeln, von 100% auf 50% senkt.

Der Algorithmus schätzt, wie viele Menschen den Anordnungen folgen

Hier könnte künstliche Intelligenz helfen, genauer gesagt: ein so genanntes neuronales Netz. Das ist eine Software, die den Lernprozess im menschlichen Gehirn imitiert. Wie das Denkorgan besteht es aus künstlichen Neuronen, die untereinander verknüpft sind. Beim Lernen verstärken sich die Verbindungen zwischen bestimmten Neuronen, andere schwächen sich ab. Soll ein neuronales Netz etwa Hunde auf Fotos erkennen, füttert man es mit tausenden Bildern, auf denen zum Teil Hunde zu sehen sind. Bei diesem Training erhält das Netz die Information „Hund“ mit jedem Bild, der eines dieser Haustiere zeigt. Die Verknüpfungen zwischen den Neuronen passen sich entsprechend an. Am Ende des Trainings spiegelt das Muster der Verbindungen allgemeine Charakteristika eines Hundes wieder, etwa vier Beine und eine Schnauze.

Neuronale Netze können viele verschiedene Muster erkennen: Gesichter, die Gangart eines Menschen, Sprachbefehle oder Übersetzungen von einer Sprache in die andere. Bezogen auf die Ausbreitung eines Virus ist eine ähnliche Lernfähigkeit wichtig: Anhand von Messdaten kann ein neuronales Netz die mathematische Funktion erlernen, die den Verlauf dieser Daten beschreibt. Gibt man einem so trainierten Netz eine Zahl X ein, spuckt es den Funktionswert dieser Zahl aus.

Die vier Länder bremsten das Virus unterschiedlich effektiv

Die Forscher aus Boston fütterten ihr neuronales Netz mit Daten zum Infektionsgeschehen in der chinesischen Stadt Wuhan, Italien, Südkore und den USA. Die unbekannte Größe, die es erlernen sollte: Wie viele Menschen folgten jeweils tatsächlich der angeordneten Quarantäne? Denn das ist ein Maß für die Wirksamkeit der Maßnahmen. So konnten sie die Wirksamkeit der Maßnahmen quantifizieren. Der Algorithmus zeigte auch den zeitlichen Verlauf der Reproduktionszahl, also wie R in den vier Ländern von anfangs hohen Werten auf Werte nahe 1 oder darunter gesunken ist.

Dabei zeigten sich erhebliche Unterschiede.

Während in Südkorea R binnen 20 Tagen unter 1 drückte, dauerte es in Italien über 25 Tage, in Wuhan sogar 30 Tage. Den Anfangszeitpunkt setzten die Forscher in jedem Land beim Überschreiten von 500 bestätigten Coronafällen. In den USA ging es noch langsamer. Anfang April, als die Forscher die Arbeit publizierten, war R dort noch knapp über 1. Die KI prognostizierte das Unterschreiten von 1 erst nach mehr als 35 Tagen.

Der Algorithmus sagte die weitere Entwicklung für die USA voraus: Um den 17. April würde die Anzahl der täglich neu Infizierten ein Maximum erreichen und dann abnehmen. Zu diesem Zeitpunkt würde es etwa 600.000 Infizierte geben. Tatsächlich überschritten die USA diese Grenze am 14. April.

Blick in die Zukunft

Die Forscher simulierten dann eine Fiktion: Dass die USA ab 31. März die gleichen Maßnahmen eingesetzt hätten wie Südkorea. Dann hätten die USA den Wert von R auf 0,7 gesenkt, statt nur auf etwa 0,9 – was einen erheblichen Unterschied gemacht hätte: Das Land hätte das Maximum schon eine Woche früher durchlaufen. Zu diesem Zeitpunkt hätte es vergleichsweise wenige, rund 400.000, Infizierte gegeben.

Die Forscher machten Anfang April, als die Zahl der bestätigten Infektionen bei rund 200.000 lag, auch eine umgekehrte Prognose: „Das Lockern oder Lösen der Maßnahmen würde binnen 17 Tagen zu rund einer Million Infizierten führen, ohne dass die Zahl der Neuinfizierten stagniert.“

Die Lockerungen der Maßnahmen in Deutschland stoßen indessen auf Kritik. Der Berliner Virologe Christian Drosten warnte, dass die Epidemietätigkeit in nicht erwarteter Wucht wieder losgehen könnte, wenn die Reproduktionszahl wieder über 1 kommen sollte.

Flatrate ab 8 € RiffReporter unterstützen
KI für alle