Rörelsebaserade syntetiska kontaktmatriser som en skalbar lösning för realtidsmodellering vid pandemier

Varför vardaglig rörelse spelar roll vid pandemier

När ett nytt luftvägsvirus börjar spridas är en av de största osäkerheterna hur ofta människor i olika åldrar faktiskt kommer i nära kontakt. De vardagliga mötena i skolan, på jobbet, hemma eller på bussen avgör hur snabbt en sjukdom rör sig genom en befolkning. Att mäta dessa mönster i realtid, samtidigt som människor ändrar beteende som svar på regler och oro, är dock extremt svårt. Denna studie ställer en enkel men avgörande fråga: kan vi använda rutinmässigt insamlade rörelse‑ och beteendedata istället för stora återkommande undersökningar för att följa förändrade kontakter tillräckligt snabbt för att vägleda pandemiska beslut?

Att omvandla rörelsedata till sociala möten

Forskarnas fokus var Frankrike under de första två åren av COVID‑19, en period präglad av nedstängningar, skolstängningar, utegångsförbud och ankomsten av nya varianter och vaccin. Deras centrala verktyg är en "kontaktmatris"—en tabell som registrerar hur många dagliga kontakter personer i en åldersgrupp har med personer i en annan. Före pandemin byggdes sådana matriser från detaljerade frågeformulär där frivilliga listade sina kontakter. Under COVID‑19 genererade teamet istället veckovisa "syntetiska" matriser genom att utgå från mönster före pandemin och sedan krympa eller utvidga specifika kontakttyper utifrån realtidsindikatorer: Googles arbetsplatsrörlighet, skolnärvaro och semesterkalendrar samt undersökningar om hur ofta människor uppgav att de undvek fysisk kontakt.

Jämförelse mellan syntetiska kontakter och verkliga undersökningar

För att pröva om dessa syntetiska matriser var trovärdiga jämförde författarna dem med sju vågor av Frankrikes SocialCov‑undersökning, som direkt frågade människor om deras kontakter vid olika tidpunkter under pandemin. Övergripande visade båda metoderna liknande breda trender: under den första nedstängningen sjönk kontakterna till ungefär en fjärdedel av nivåerna före pandemin, och sedan steg de långsamt när restriktionerna lättades, utan att helt återgå till det normala i mitten av 2022. Men det fanns viktiga skillnader. Undersökningsbaserade matriser rapporterade nästan dubbelt så många kontakter som de syntetiska efter den första nedstängningen, en skillnad som i stor utsträckning drevs av barn och tonåringar. Under perioder när skolorna var öppna föreslog undersökningarna att under‑19 hade tre till fyra gånger fler kontakter än de syntetiska uppskattningarna, medan vuxna och äldre hade mycket närmare överensstämmelse mellan de två metoderna.

Att sätta båda metoderna i en sjukdomsmodell

Det verkliga testet var inte bara att räkna kontakter utan att se hur väl varje datakälla kunde reproducera sjukdomens faktiska förlopp. Teamet matade tre olika kontaktantaganden in i samma COVID‑19‑spridningsmodell för Frankrike: veckovisa syntetiska matriser, de glesare undersökningsbaserade matriserna (utsträckta över tid med antaganden mellan undersökningsvågor) och en enda fast matris från före pandemin. De justerade sedan en global "korrigeringsfaktor" över på varandra följande faser av pandemin för att fånga in influenser som inte direkt fanns i matriserna, såsom maskanvändning eller säsongsvariation. Alla tre modeller kunde följa den övergripande kurvan för sjukhusinläggningar, men modellen med syntetiska matriser gjorde det med minst fel och bäst statistisk anpassning, särskilt under övergångsperioder som delvisa skolstängningar eller gradvis upphävda utegångsförbud.

Vad modellerna visar om åldersspecifika risker

När man granskade olika åldersgrupper närmare gav de syntetiska matriserna den mest realistiska bilden för ungdomar, vuxna och äldre. Med dessa insatsdata stämde modellens förutsagda sjukhusinläggningar och blodprovsskatteuppskattningar av tidigare infektioner väl överens med observerade data för dessa åldrar. De undersökningsbaserade matriserna tenderade däremot att överdriva infektioner bland barn och tonåringar, troligen eftersom de räknade fler kontakter som var mindre relevanta för smittöverföring—till exempel maskerande eller korta möten i skolan. De syntetiska matriserna underskattade infektion hos yngre barn, vilket visar att båda metoderna fortfarande har svårt att fånga de mest betydelsefulla barndomskontakterna. Viktigt är att författarna fann att ingen mängd global omskalning kunde åtgärda en missanpassad kontaktstruktur: vilka åldrar som blandas med vilka var viktigare än bara det totala antalet kontakter.

Konsekvenser för framtida pandemisvar

För icke‑specialister är huvudbudskapet att det är möjligt att följa förändrade kontaktmönster tillräckligt snabbt för realtidsbeslut utan att ständigt genomföra stora, tidskrävande undersökningar. Genom att noggrant kombinera rörelsedata, enkla beteendeindikatorer och kunskap om var kontakter äger rum (hem, skola, arbete, fritid) kan folkhälsoorganisationer bygga veckovisa syntetiska kontaktmatriser som är flexibla, skalbara och kostnadseffektiva. I denna studie förklarade dessa matriser bättre än både traditionella undersökningsmatriser och statiska mönster före pandemin vem som lades in på sjukhus och när. Författarna drar slutsatsen att investeringar i rutinmässiga, åldersstratifierade rörelse‑ och beteendedata—och i system som snabbt kan omvandla dessa siffror till kontaktmatriser—kommer att vara en kraftfull komponent för mer smidiga och effektiva svar på framtida epidemier.

Citering: 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

Nyckelord: pandemimodellering, sociala kontakter, rörelsedata, COVID-19 Frankrike, åldersstrukturerad smittspridning