Mobildata och coronatalet k avslöjar pandemins värsta smittfällor

I själva verket står 19 procent av de smittade för 80 procent av smittan, medan cirka 69 procent uppenbarligen inte alls smittar andra.

Det är här k-talet kommer in i bilden.

Om samtliga covid-19-patienter radas upp utifrån vem som har smittat flest anger det så kallade k-talet antalet smittade som personen i mitten av raden har smittat.

K-talet för covid-19 är ytterst lågt – cirka 0,1, visar en ny studie. Det betyder att medelvärdet – hur många personer person i mitten av raden har smittat – är långt under 1. Talet avslöjar att vissa personer i den ena änden av raden smittar oproportionerligt många. För spanska sjukan var k cirka 1.

Utifrån k-talet kan forskare bättre identifiera hur smittspridningen tar fart. Det låga k-värdet kan exempelvis förklara varför en fransk man redan i december tog viruset till Europa – utan att något utbrott uppstod. Omvänt förklarar värdet också hur norra Italien i början drabbades hårt av epidemin – eftersom ett fåtal superspridare och rätt förhållanden dessvärre spred viruset till många många människor.

Coronakluster driver pandemin vidare

Det låga k-talet avslöjar att superspridningshändelser är pandemins avgörande drivkraft. Det behöver inte nödvändigtvis vara dåligt eftersom:

• Högt k-tal och R-tal indikerar en linjär smittspridning som är svår att stoppa.
• Lågt k-tal indikerar en tillfällig utveckling som är svår att förutse, men de flesta smittkedjor upphör naturligt.

Med den kunskapen letar de japanska hälsovårdsmyndigheterna exempelvis upp kluster och inte enskilda personer och håller sig med relativt begränsade siffor på under 1 700 dödsfall på grund av corona.

Tanken är att om myndigheterna kan förhindra eller vidta åtgärder mot klusterutbrott kommer smittan inte sprida sig markant mellan de individuella invånarna i samhället eftersom endast ett fåtal rent faktiskt smittar andra med covid-19.

Mobildata pekar de värsta smittfällorna

En nyligen publicerad studie visar exakt var antalet smittade har störst risk för att explodera - förutsagt av k.

I studien har forskare utvecklat en modell som jämför rörelsedata från 98 miljoner mobiltelefoner i olika stadsdelar i stora amerikanska städer som Chicago, San Francisco och New York med en enkel modell av coronavirusinfektion. Tillsammans avslöjar informationen platser och befolkningsgrupper med hög risk att smittas.

Modellen kunde med hög precision förutsäga det verkliga antalet smittade i olika områden och visa infektionsutvecklingen timme för timme på 553 000 specifika platser, så kallade Points of Interest, POI (särskilt intressanta platser).

Dessa POI kan delas in i 20 olika kategorier, och modellen avslöjar infektionsrisken för varje kategori. POI med högst risk är:

• Restauranger
• Gym
• Caféer
• Hotell
• Snabbmatsrestauranger
• Religiösa byggnader
• Vårdcentraler och sjukhus
• Stormarknader

Forskarna betonar att vissa POI är underrepresenterade på grund av brist på data, såsom exempelvis skolor, vårdhem och fängelser.

I Chicago stod exempelvis tio procent av de enligt modellen specifika platserna för 85 procent av de förutspådda smittfallen.

Samtidigt bekräftar modellen en samhällsmässig snedvridning när det gäller spridningen av smittan. Stormarknader i låginkomstområden hade till exempel 59 procent fler besökare per kvadratmeter och besöken varade 17 procent längre än i liknande butiker i höginkomstområden.

Forskarna drar slutsatsen i studien att en begränsning av antalet samtidiga besökare på varje plats är mer effektivt för att begränsa infektioner än att minska den personliga rörelsefriheten.