Update zu unserer Analyse der Auswirkungen von COVID-19-Maßnahmen.

Es ist uns immer ein Anliegen, vorhandene Daten zu verwenden um (Business) Probleme zu lösen oder brennende Fragen zu beantworten. Das hat uns zu Beginn der Pandemie dazu gebracht, uns mit den Auswirkungen der Maßnahmen (wie etwa Schulschließungen) auf die Ausbreitung der COVID-19-Pandemie zu beschäftigen (Blogpost: https://www.it-ps.at/machine-learning-am-beispiel-covid-19/

Die Ergebnisse damals haben uns überrascht, deswegen haben wir etwas tiefer gegraben. Heute melden wir uns mit einem Update zu dieser Analyse. Wir haben uns damit beschäftigt, unsere Analyse robuster zu machten: 

  • Wir haben genauere Daten der gesetzten Maßnahmen verwendet (aus dem CoronaNet Research Projecthttps://www.coronanet-project.org/). 
  • Wir verwenden nun Daten von 176 Ländern (alle zum Zeitpunkt der Analyse verfügbaren Länder). 
  • Wir haben die Analyse um länderspezifischen Kovariaten erweitert (z.B. Anteil von älteren Personen, Anteil von städtischer Bevölkerung). 
  • Wir haben die zufällige Streuung in den Ergebnissen quantifizierbar gemacht (über die Verwendung von sogenannten Bootstrap Samples). 

Nach all diesen Erweiterungen können wir sagen: Die Ergebnisse haben gehalten. Die wichtigsten Ergebnisse sind: 

  • Die Maßnahmen, die in der Anfangsphase der Pandemie die Infektionsrate am meisten gesenkt hat, waren Schulschließungen, Einschränkungen von großen Zusammenkünften, Social Distancing und die Schließung von Geschäften. 
  • Die Wirkung der meisten Maßnahmen setzt etwa 10 Tage nach dem Inkrafttreten ein, bei Social Distancing setzt die Wirkung etwas später ein (ca. 18 Tage nach Inkrafttreten). 
Die Abbildung zeigt den Verlauf der Wachstumsrate in Abhängigkeit des Implementierungsdatums. Für die Schließung von Schulen, die Einschränkung von Zusammenkünften und die Schließung von Geschäften zeigt sich eine Reduktion der Wachstumsrate nach etwa 10 Tagen, für Social Distancing nach etwa 18 Tagen.
Abbildung: Veränderungen in der relativen Wachstumsrate (prozentuelle Zunahme der COVID-Fälle pro Tag) in Zusammenhang mit der jeweiligen Maßnahme, im Durchschnitt über alle Länder. Die strichlierte Linie zeigt den Tag des Inkrafttretens der Maßnahme. Dünne graue Linien zeigen die Ergebnisse der Bootstrap-Samples, d.h. die zufällige Schwankung in den Ergebnissen.

Eine weitere Neuerung seit dem letzten Blogbeitrag ist, dass wir mit unserer Analyse am wissenschaftlichen Forschungsprozess teilnehmen wollten. Wir haben daher in Kooperation mit der Universität Wien ein Manuskript verfasst und dieses bei einschlägigen wissenschaftlichen Fachzeitschriften eingereicht, wo es einem Peer Review Prozess unterzogen wird: Andere Experten auf dem Gebiet geben kritisches Feedback und beurteilen, ob die Analyse den wissenschaftlichen Standards standhält.  

Und das hat sie. Das Ergebnis ist kürzlich in BMC Public Health publiziert worden. Dank der Universität Wien ist der Artikel frei zugänglich (open access). 

Wir sind stolz, dass unsere Fertigkeiten im Bereich Machine Learning und AI den strengen Standards der wissenschaftlichen Forschung standhalten. Ähnlich wie in einem Kundenprojekt hat die Zusammenarbeit zwischen IT-PS als Experten für ML und AI mit Domain-Experten (in diesem Fall die Forschenden der Universität Wien) zu einem nützlichen Ergebnis geführt: In diesem Fall nicht Business Value, sondern Forschungsoutput. 

Links: