{"id":2471,"date":"2020-07-20T07:31:30","date_gmt":"2020-07-20T05:31:30","guid":{"rendered":"https:\/\/www.it-ps.at\/?p=2471"},"modified":"2024-10-16T11:16:34","modified_gmt":"2024-10-16T09:16:34","slug":"machine-learning-am-beispiel-covid-19","status":"publish","type":"post","link":"https:\/\/www.it-ps.at\/en\/machine-learning-am-beispiel-covid-19\/","title":{"rendered":"COVID-19: Machine Learning, Home Office und andere Ma\u00dfnahmen"},"content":{"rendered":"\n

Kein Thema hat uns in den letzten Monaten so besch\u00e4ftigt wie COVID-19. Viele Ma\u00dfnahmen und Ausnahmeregelungen wurden beschlossen und umgesetzt. \u00dcber die Auswirkungen wird viel diskutiert und es gibt verschiedene Meinungen dazu. Das IT-PS Data Science Team wollte sich selbst eine Meinung bilden und hat sich daher mit den entsprechenden Daten auseinandergesetzt:<\/em> <\/strong><\/p>\n\n\n\n\n\n\n\n

COVID-19: Machine Learning, Home Office und andere Ma\u00dfnahmen<\/strong> <\/h2>\n\n\n\n

Home Office und andere Ma\u00dfnahmen<\/strong><\/h3>\n\n\n\n

Mitte M\u00e4rz hat die IT-PS (und damit nat\u00fcrlich auch wir, das IT-PS Data Science Team), wie viele andere auch, die Arbeit ins Home Office verlegt: Denn der Verzicht auf die Anreise zum Arbeitsplatz ist eine der Ma\u00dfnahmen, die von der Regierung gesetzt wurde, in der Hoffnung den Verlauf der COVID-19 Pandemie zu beeinflussen und einen Engpass in der Spitalsversorgung zu vermeiden. Neben Home Office gab und gibt es noch eine Reihe weiterer Ma\u00dfnahmen, die auch weitaus gr\u00f6\u00dfere Einschnitte in das Leben vieler Menschen darstellen: Das Schlie\u00dfen der Schulen und Kinderg\u00e4rten, das Schlie\u00dfen von Restaurants, Bars, Gesch\u00e4ften und anderen \u00f6ffentlichen Einrichtungen, das Verbot von \u00f6ffentlichen Zusammenk\u00fcnften in gro\u00dfen Gruppen, sowie viele andere mehr. <\/p>\n\n\n\n

Die Auswirkungen dieser Ma\u00dfnahmen auf unseren Alltag sind unumstritten, aber \u00fcber die Wirksamkeit der Ma\u00dfnahmen, die Ausbreitung der Pandemie zu verlangsamen, wird gerne diskutiert. Das haben wir als Anlass genommen, uns nach Daten umzusehen, die diese Frage beantworten k\u00f6nnen.   <\/p>\n\n\n\n

\"\"
Foto von Ketut Subiyanto<\/a> von Pexels<\/a><\/figcaption><\/figure>\n\n\n\n

Datenlage<\/strong><\/h3>\n\n\n\n

Ma\u00dfnahmen<\/h4>\n\n\n\n

Die Ma\u00dfnahmen, die Regierungen in verschiedenen Staaten setzten, werden von mehreren Stellen gesammelt. Eine der ersten Initiativen in diesem Zusammenhang setzte das Assessment Capacities Project (ACAPS)<\/em>. Im #COVID19 government measures dataset<\/em> wurden Ma\u00dfnahmen aus verschiedenen Quellen gesammelt und standardisiert erfasst. Dies sind Ma\u00dfnahmen wie <\/p>\n\n\n\n

  • Schools closure: Schlie\u00dfung von Schulen und anderen Bildungseinrichtungen  <\/li>
  • Limit public gatherings: Einschr\u00e4nkung von Versammlungen im \u00f6ffentlichen Raum<\/li>
  • Public services closure: Schlie\u00dfungen von Einrichtungen wie Restaurants, Bars, Gesch\u00e4ften, Friseursalons, Schiliften, etc.  <\/li>
  • Strenghtening the public health system: Beschaffen von Schutzausr\u00fcstung und Masken, zus\u00e4tzliche medizinische Versorgung, Desinfektionsma\u00dfnahmen, etc.  <\/li>
  • Introduction of isolation and quarantine measures: Isolation von Einreisenden, Quarant\u00e4ne von Erkrankten und deren Kontakten, Quarant\u00e4ne einzelner Gebiete, etc.  <\/li>
  • Domestic travel restrictions: Einschr\u00e4nkungen des \u00f6ffentlichen Verkehrs, Reiseeinschr\u00e4nkungen innerhalb eines Landes, etc.  <\/li>
  • Health screenings airports and border: Gesundheitschecks (z.B. Fiebermessen) bei Einreise  <\/li>
  • Visa restrictions: Einschr\u00e4nkungen, Einreisevisum zu erhalten  <\/li>
  • Border closure: Grenzschlie\u00dfungen <\/li><\/ul>\n\n\n\n

    F\u00fcr jede dieser Ma\u00dfnahmen wird erfasst, ob sie gezielt f\u00fcr bestimmte Personengruppen oder f\u00fcr die Gesamtbev\u00f6lkerung eines Landes Anwendung findet. Ebenso wird das Datum des Inkrafttretens der einzelnen Ma\u00dfnahmen erfasst.  <\/p>\n\n\n\n

    <\/div><\/div>\n\n\n\n
    \n
    \"\"
    Bild: Anzahl der Ma\u00dfnahmen, die jedes Land umgesetzt hat (erstellt mit Cognos)<\/figcaption><\/figure><\/div>\n\n\n\n

    Fallzahlen<\/h4>\n\n\n\n

    Zudem gibt es die Zahlen zu den best\u00e4tigten COVID-19 F\u00e4llen, die von der Johns Hopkins University gesammelt werden (die auch f\u00fcr die t\u00e4gliche Berichterstattung in den Medien verwendet werden). Dieser Datensatz enth\u00e4lt die kumulativen Zahlen an best\u00e4tigten COVID-19 F\u00e4llen (getrennt nach Tagen und L\u00e4ndern).  <\/p>\n\n\n\n

    Methode<\/strong><\/h3>\n\n\n\n

    Verschiedene L\u00e4nder haben unterschiedliche B\u00fcndel von Ma\u00dfnahmen eingesetzt. Daher kann man versuchen, aus den Unterschieden in den Verl\u00e4ufen der Epidemie in diesen L\u00e4ndern R\u00fcckschl\u00fcsse auf die Wirksamkeit der unterschiedlichen Ma\u00dfnahmen zu ziehen. Wir wollten wissen, wie wirksam die Ma\u00dfnahmen sind, und vor allem wie lange es dauert, bis sie ihre Wirksamkeit entfaltet haben. <\/p>\n<\/div><\/div>\n\n\n\n

    Das leidige Thema der Datenqualit\u00e4t und deren Herausforderungen<\/h3>\n\n\n\n

    Wie in so vielen anderen Projekten auch l\u00e4sst die Datenqualit\u00e4t nat\u00fcrlich zu w\u00fcnschen \u00fcbrig: Verschiedene L\u00e4nder testen nach unterschiedlichen Strategien, die Testergebnisse werden versp\u00e4tet und geclustert gemeldet (z.B. weniger F\u00e4lle an Sonntagen, mehr F\u00e4lle zu Wochenbeginn in Europa), und die Definition von COVID-19 F\u00e4llen hat sich in einigen L\u00e4ndern \u00fcber die Zeit ver\u00e4ndert (z.B. China). Dazu kommt, dass die Ma\u00dfnahmen nicht unabh\u00e4ngig voneinander sind und dass sie in einzelnen L\u00e4ndern oft zum gleichen Zeitpunkt in Kraft gesetzt werden. <\/p>\n\n\n\n

    Mit ein paar Kniffen haben wir einige dieser Einschr\u00e4nkungen in den Griff bekommen (oder zumindest die Auswirkungen abgeschw\u00e4cht). Andere Einschr\u00e4nkungen bleiben bestehen und m\u00fcssen bei der Interpretation der Ergebnisse ber\u00fccksichtigt werden.<\/p>\n\n\n\n

    Wachstumsrate<\/h4>\n\n\n\n

    Einer dieser Kniffe ist, dass wir in unserer Analyse die relativen Zuw\u00e4chse an best\u00e4tigten COVID-19 F\u00e4llen innerhalb jedes Landes betrachten (Wachstumsrate), und diese gl\u00e4tten, um Schwankungen im Reporting \u00fcber den Wochenverlauf auszugleichen. Wenn die Zunahme an neuen F\u00e4llen in der Anfangsphase einer infekti\u00f6sen Krankheit wie COVID-19 einem exponentiellen Verlauf folgt (wie viele Studien nahelegen), dann ist die Wachstumsrate konstant, solange sich die Krankheit ungehindert verbreiten kann.  <\/p>\n\n\n\n

    Machine Learning und Ergebnisvisualisierung<\/h4>\n\n\n\n

    Wenn durch das Setzen von Ma\u00dfnahmen die Wachstumsrate verringert werden kann, dann kann ein Machine Learning Modell lernen, wie die Ma\u00dfnahmen mit der Verringerung der Wachstumsrate in Zusammenhang stehen. Durch eine geschickte Datenaufbereitung und die Verwendung eines nicht-linearen Modells (n\u00e4mlich einer Random Forest Regression) kann das Modell auch lernen, wie lange es dauert, bis die Ma\u00dfnahmen nach ihrer Implementierung beginnen, Wirkung zu zeigen. <\/p>\n\n\n\n

    Das Ziel des Machine Learning Modells ist in diesem Fall nicht die Vorhersage von zuk\u00fcnftigen Ereignissen (wie etwa dem weiteren Verlauf der Pandemie). Vielmehr geht es darum zu lernen, wie die Ma\u00dfnahmen wirken. Bei dem verwendeten Machine Learning Modell handelt es sich um ein Black Box Modell. Daher braucht es zus\u00e4tzliche Methoden, um interpretieren zu k\u00f6nnen, was das Modell gelernt hat. Wir verwenden eine relativ neue Methode, die einige Vorteile gegen\u00fcber ihren Vorg\u00e4ngern bringt, n\u00e4mlich sogenannte Accumulated Local Effect (ALE) Plots, die eine grafische Interpretationsm\u00f6glichkeit liefern. <\/p>\n\n\n\n

    Diese Plots zeigen, wie eine Ma\u00dfnahme sich auf die vom Modell vorhergesagte COVID-19 Wachstumsrate auswirkt (bzw. in der Vergangenheit ausgewirkt hat). Genauer gesagt zeigen sie, was das Modell \u00fcber die Wirkung der Ma\u00dfnahmen gelernt hat. <\/p>\n\n\n\n

    Ergebnisse und Ausblick<\/strong><\/h3>\n\n\n\n

    Die durchschnittliche t\u00e4gliche Wachstumsrate \u00fcber alle 95 L\u00e4nder in unserem Datensatz lag bei 1.164 (95% Konfidenzintervall: [1.1236, 1.2051]), solange keine Ma\u00dfnahmen in Kraft waren. Das entspricht einer Steigerung von t\u00e4glich 16.4% in den kumulierten Fallzahlen. <\/p>\n\n\n\n

    Die Wirkung der Ma\u00dfnahmen kann man an den ALE Plots ablesen, hier die (dem Modell nach) wichtigsten Ma\u00dfnahmen: <\/p>\n\n\n\n

    \"\"<\/figure>\n\n\n\n

    Die Plots zeigen, wie sich die vorhergesagte Wachstumsrate ver\u00e4ndert. Dargestellt ist der Zeitraum 14 Tage vor bis 40 Tage nach der Einf\u00fchrung. Die Einf\u00fchrung der Ma\u00dfnahme ist durch die strichlierte Linie gekennzeichnet. Die Wirkung der Ma\u00dfnahmen scheint etwa 7 bis 10 Tage nach der Implementierung eingesetzt zu haben. Die Schlie\u00dfung von Schulen scheint etwas fr\u00fcher mit einer Senkung der Wachstumsrate einhergegangen zu sein als die Einschr\u00e4nkung von \u00f6ffentlichen Versammlungen und die Schlie\u00dfung von Lokalen und Gesch\u00e4ften. Es handelt sich hierbei jedoch um eine Beobachtungsstudie, d.h. es ist keine kausale Interpretation m\u00f6glich — es handelt sich lediglich um korrelative Zusammenh\u00e4nge. Das Ergebnis muss also vorsichtig formuliert werden und erlaubt allein keinen R\u00fcckschluss auf die zugrundeliegenden Mechanismen. Etwa “Im betrachteten Datensatz gehen Schulschlie\u00dfungen st\u00e4rker mit einer Senkung der Wachstumsrate einher, als die anderen betrachteten Ma\u00dfnahmen” aber nicht “Schulschlie\u00dfungen f\u00fchren zu einer Abflachung der Epidemiekurve”. <\/p>\n\n\n\n

    Ebenso kann nicht ausgeschlossen werden, dass es konfundierende Faktoren (St\u00f6rfaktoren) gibt, die die Ergebnisse beeinflussen. Dies k\u00f6nnten beispielsweise systematische Verzerrungen in den Daten sein, die sich auf die Sch\u00e4tzungen der Effektivit\u00e4t der Ma\u00dfnahmen auswirken.  <\/p>\n\n\n\n

    Derzeit setzen wir uns damit auseinander, die Auswirkungen dieser Einschr\u00e4nkungen und Datenverzerrung zu beleuchten und somit die Ergebnisse robuster zu machen. Von Updates werden wir nat\u00fcrlich berichten! <\/p>\n","protected":false},"excerpt":{"rendered":"

    Kein Thema hat uns in den letzten Monaten so besch\u00e4ftigt wie COVID-19. Viele Ma\u00dfnahmen und Ausnahmeregelungen wurden beschlossen und umgesetzt. \u00dcber die Auswirkungen wird viel diskutiert und es gibt verschiedene […]<\/p>\n","protected":false},"author":5,"featured_media":2491,"comment_status":"closed","ping_status":"closed","sticky":false,"template":"","format":"standard","meta":{"_EventAllDay":false,"_EventTimezone":"","_EventStartDate":"","_EventEndDate":"","_EventStartDateUTC":"","_EventEndDateUTC":"","_EventShowMap":false,"_EventShowMapLink":false,"_EventURL":"","_EventCost":"","_EventCostDescription":"","_EventCurrencySymbol":"","_EventCurrencyCode":"","_EventCurrencyPosition":"","_EventDateTimeSeparator":"","_EventTimeRangeSeparator":"","_EventOrganizerID":[],"_EventVenueID":[],"_OrganizerEmail":"","_OrganizerPhone":"","_OrganizerWebsite":"","_VenueAddress":"","_VenueCity":"","_VenueCountry":"","_VenueProvince":"","_VenueState":"","_VenueZip":"","_VenuePhone":"","_VenueURL":"","_VenueStateProvince":"","_VenueLat":"","_VenueLng":"","_VenueShowMap":false,"_VenueShowMapLink":false,"footnotes":""},"categories":[20],"tags":[],"class_list":["post-2471","post","type-post","status-publish","format-standard","has-post-thumbnail","hentry","category-allgemeines"],"aioseo_notices":[],"_links":{"self":[{"href":"https:\/\/www.it-ps.at\/en\/wp-json\/wp\/v2\/posts\/2471","targetHints":{"allow":["GET"]}}],"collection":[{"href":"https:\/\/www.it-ps.at\/en\/wp-json\/wp\/v2\/posts"}],"about":[{"href":"https:\/\/www.it-ps.at\/en\/wp-json\/wp\/v2\/types\/post"}],"author":[{"embeddable":true,"href":"https:\/\/www.it-ps.at\/en\/wp-json\/wp\/v2\/users\/5"}],"replies":[{"embeddable":true,"href":"https:\/\/www.it-ps.at\/en\/wp-json\/wp\/v2\/comments?post=2471"}],"version-history":[{"count":1,"href":"https:\/\/www.it-ps.at\/en\/wp-json\/wp\/v2\/posts\/2471\/revisions"}],"predecessor-version":[{"id":10985,"href":"https:\/\/www.it-ps.at\/en\/wp-json\/wp\/v2\/posts\/2471\/revisions\/10985"}],"wp:featuredmedia":[{"embeddable":true,"href":"https:\/\/www.it-ps.at\/en\/wp-json\/wp\/v2\/media\/2491"}],"wp:attachment":[{"href":"https:\/\/www.it-ps.at\/en\/wp-json\/wp\/v2\/media?parent=2471"}],"wp:term":[{"taxonomy":"category","embeddable":true,"href":"https:\/\/www.it-ps.at\/en\/wp-json\/wp\/v2\/categories?post=2471"},{"taxonomy":"post_tag","embeddable":true,"href":"https:\/\/www.it-ps.at\/en\/wp-json\/wp\/v2\/tags?post=2471"}],"curies":[{"name":"wp","href":"https:\/\/api.w.org\/{rel}","templated":true}]}}