Mobilitätsbasierte synthetische Kontaktmatrizen als skalierbare Lösung für die Echtzeit-Modellierung von Pandemien

Warum alltägliche Mobilität in Pandemien zählt

Wenn sich ein neues respiratorisches Virus auszubreiten beginnt, ist eine der größten Ungewissheiten, wie häufig Menschen verschiedener Altersgruppen tatsächlich engen Kontakt haben. Diese alltäglichen Begegnungen in Schule, Arbeit, Zuhause oder im Bus bestimmen, wie schnell sich eine Krankheit durch die Bevölkerung bewegt. Solche Muster in Echtzeit zu messen — während Menschen ihr Verhalten als Reaktion auf Regeln oder Ängste ändern — ist jedoch extrem schwierig. Diese Studie stellt eine einfache, aber entscheidende Frage: Können wir routinemäßig gesammelte Mobilitäts- und Verhaltensdaten statt großer, wiederkehrender Umfragen nutzen, um diese sich ändernden Kontakte schnell genug zu verfolgen, um Pandemiebeschlüsse zu informieren?

Bewegungsdaten in soziale Begegnungen übersetzen

Die Forschenden konzentrierten sich auf Frankreich während der ersten zwei Jahre von COVID-19, einer Phase mit Lockdowns, Schulschließungen, Ausgangssperren sowie dem Auftreten neuer Varianten und Impfstoffe. Ihr zentrales Werkzeug ist eine „Kontaktmatrix“ — eine Tabelle, die festhält, wie viele tägliche Kontakte Personen einer Altersgruppe mit Personen einer anderen haben. Vor der Pandemie wurden solche Matrizen aus detaillierten Fragebögen erstellt, in denen Freiwillige ihre Kontakte auflisteten. Während COVID-19 erzeugte das Team stattdessen wöchentlich „synthetische“ Matrizen, indem es von vorpandemischen Mustern ausging und bestimmte Kontaktarten anhand von Echtzeitindikatoren schrumpfen oder ausdehnen ließ: Google-Arbeitsplatzmobilität, Schulbesuchs- und Ferienkalender sowie Umfragen dazu, wie häufig Menschen angaben, körperlichen Kontakt zu vermeiden.

Synthetische Kontakte mit Realwelt-Umfragen vergleichen

Um zu prüfen, ob diese synthetischen Matrizen vertrauenswürdig sind, verglichen die Autor:innen sie mit sieben Wellen der französischen SocialCov-Umfrage, die Menschen zu verschiedenen Zeitpunkten der Pandemie direkt nach ihren Kontakten befragte. Insgesamt zeigten beide Ansätze ähnliche grobe Trends: Während des ersten Lockdowns sanken die Kontakte auf etwa ein Viertel des vorpandemischen Niveaus und stiegen dann langsam, als Beschränkungen gelockert wurden, kehrten aber bis Mitte 2022 nicht vollständig zurück. Es gab jedoch entscheidende Unterschiede. Umfragebasierte Matrizen berichteten nach dem ersten Lockdown fast doppelt so viele Kontakte wie die synthetischen Matrizen — eine Lücke, die größtenteils von Kindern und Jugendlichen getrieben wurde. In Schulöffnungsphasen suggerierten die Umfragen, dass Unter-19-Jährige drei- bis viermal mehr Kontakte hatten als die synthetischen Schätzungen, während die Zahlen für Erwachsene und Senior:innen zwischen den beiden Methoden deutlich näher beieinander lagen.

Beide Ansätze in ein Krankheitsmodell einbauen

Der eigentliche Test bestand nicht nur im Zählen von Kontakten, sondern darin, wie gut jede Datenquelle den tatsächlichen Verlauf der Epidemie reproduzieren konnte. Das Team speiste drei unterschiedliche Kontaktannahmen in dasselbe COVID-19-Übertragungsmodell für Frankreich ein: wöchentliche synthetische Matrizen, die spärlicheren umfragebasierten Matrizen (zeitlich interpoliert mithilfe von Annahmen zwischen den Umfragewellen) und eine einzige feste vorpandemische Matrix. Sie justierten dann einen globalen „Korrekturfaktor“ über aufeinanderfolgende Phasen der Pandemie, um Einflüsse zu erfassen, die nicht direkt in den Matrizen enthalten waren, etwa Maskentragen oder Saisonalität. Alle drei Modelle konnten dem allgemeinen Verlauf der Krankenhausaufnahmen folgen, aber das Modell mit synthetischen Matrizen tat dies mit den geringsten Fehlern und der besten statistischen Anpassung, besonders während Übergangszeiten wie teilweisen Schulschließungen oder der schrittweisen Aufhebung von Ausgangssperren.

Was die Modelle über alterspezifische Risiken zeigen

Ein genauerer Blick auf die verschiedenen Altersgruppen zeigte, dass die synthetischen Matrizen das realistischste Bild für Jugendliche, Erwachsene und Senior:innen lieferten. Mit diesen Eingaben stimmten die vom Modell vorhergesagten Krankenhausaufnahmen und serologischen Schätzungen vergangener Infektionen eng mit beobachteten Daten für diese Altersgruppen überein. Die umfragebasierten Matrizen neigten dagegen dazu, Infektionen bei Kindern und Jugendlichen zu überschätzen, wahrscheinlich weil sie mehr Kontakte erfassten, die für die Übertragung weniger relevant waren — etwa maskierte oder kurze Begegnungen in der Schule. Die synthetischen Matrizen unterschätzten Infektionen bei jüngeren Kindern, was zeigt, dass beide Methoden weiterhin Schwierigkeiten haben, die für die Übertragung wichtigsten Kinderkontakte zu erfassen. Wichtig ist: Die Autor:innen stellten fest, dass kein globales Umskalieren eine fehlangepasste Kontaktstruktur beheben konnte — welche Altersgruppen miteinander in Kontakt treten, beeinflusste die Ergebnisse stärker als bloß die Gesamtanzahl der Kontakte.

Folgen für die künftige Pandemiebekämpfung

Für Nicht-Spezialist:innen lautet die Hauptbotschaft, dass man sich ändernde Kontaktmuster schnell genug für Echtzeitentscheidungen verfolgen kann, ohne ständig große, zeitaufwändige Umfragen durchzuführen. Durch die sorgfältige Kombination von Mobilitätsdaten, einfachen Verhaltensindikatoren und Wissen darüber, wo Kontakte stattfinden (Zuhause, Schule, Arbeit, Freizeit), können Gesundheitsteams wöchentliche synthetische Kontaktmatrizen erstellen, die flexibel, skalierbar und kostengünstig sind. In dieser Studie erklärten diese Matrizen besser, wer wann hospitalisiert wurde, als sowohl traditionelle Umfragematrizen als auch statische vorpandemische Muster. Die Autor:innen schließen, dass Investitionen in routinemäßige, altersdifferenzierte Mobilitäts- und Verhaltensdaten — und in Systeme, die diese Zahlen schnell in Kontaktmatrizen umwandeln können — ein wirkungsvolles Element für agileren und effektiveren Umgang mit künftigen Epidemien sein werden.

Zitation: Di Domenico, L., Bosetti, P., Sabbatini, C.E. et al. Mobility-driven synthetic contact matrices as a scalable solution for real-time pandemic response modeling. Nat Commun 17, 1845 (2026). https://doi.org/10.1038/s41467-026-68557-3

Schlüsselwörter: Pandemie-Modellierung, soziale Kontakte, Mobilitätsdaten, COVID-19 Frankreich, altersstrukturierte Übertragung