Introduction
Introduction Statistics Contact Development Disclaimer Help
# taz.de -- Physiker über epidemiologische Modelle: Der Knackpunkt ist der Men…
> Das Infektionsgeschehen in Deutschland hat sich auf einem konstanten
> Niveau eingependelt. Modellierer stehen vor einem Rätsel, sagt Dirk
> Brockmann.
Bild: Mund-Nasen-Schutz tragen und Abstand halten beeinflussen das Infektionsge…
taz: Herr Brockmann, die USA, Spanien, Frankreich und einige andere Länder
erleben [1][derzeit eine zweite Welle der Pandemie]: die Infektionen mit
dem Coronavirus steigen nach Aufhebung des Lockdowns erneut an. In
Deutschland dagegen scheinen sich die Fallzahlen – nach einem zunächst
moderaten Anstieg in Folge der Lockerungen – inzwischen auf einem relativ
konstanten Niveau eingependelt zu haben. Woran liegt das?
Dirk Brockmann: Tatsächlich haben wir in Deutschland ein völlig anderes
Szenario als in anderen Ländern. Warum das so ist, ist ein großes Rätsel.
Ich habe hierüber mit Modellierern weltweit gesprochen, also mit
Wissenschaftlern, die anhand mathematischer Modelle Prognosen dazu
erstellen, wie sich das Infektionsgeschehen entwickeln wird. Wir sind
überrascht über Deutschland, aber wir haben derzeit keine Erklärung.
Welchen Verlauf hatten Sie für Deutschland erwartet?
Der Klassiker geht so: Die Epidemie bricht aus, die Zahlen schießen in die
Höhe, es folgt der Lockdown, die Zahlen sinken, es wird gelockert, es kommt
die zweite Welle. So ist es zum Beispiel in Frankreich. Dann gibt es
Länder, in denen das Virus nahezu verschwunden schien, Australien und
Neuseeland etwa, aber dann kamen Re-Importe, und die Infektionen stiegen
wieder an. Und schließlich ist da Deutschland, aber auch die Niederlande
und Skandinavien, wir sind also nicht allein. Es gibt bei uns seit Wochen
nahezu konstante Fallzahlen jeden Tag, wir stellen kaum noch Schwankungen
innerhalb des Infektionsgeschehens fest. Der [2][R-Wert…]
… der angibt, wie viele Menschen eine infizierte Person im Schnitt ansteckt
…
… dieser R-Wert dümpelt seit Wochen um den kritischen Wert 1 herum, an der
Schwelle zum exponentiellen Wachstum also. Mal liegt er ein wenig unter 1,
mal etwas darüber. Es gibt nach meiner Erkenntnis kein überzeugendes
Modell, das diese Art von Dynamik erklärt.
Die [3][Menschen tragen neuerdings Masken], sie halten mehr Abstand als
früher. Könnte es daran liegen?
Klar, das veränderte Verhalten spielt eine Rolle. Aber eigentümlich ist
doch, dass es weder immer weniger Fälle werden – noch immer mehr. Es muss
noch etwas anderes dahinter stecken. Die einzig plausible Erklärung dafür
ist, dass wir es hier mit selbstorganisierter Kritikalität zu tun haben.
Selbstorganisierte … wie bitte?
Selbstorganisierte Kritikalität. Der Begriff kommt aus der Physik. Bezogen
auf die Pandemie bedeutet er: Als Antwort auf das Ausbruchsgeschehen ändern
Menschen ihr Verhalten. Das drückt die Zahl der Neuinfektionen. Daraufhin
verhalten sich die Menschen wieder „normaler“, die Fallzahlen steigen
wieder, die Menschen werden wieder vorsichtiger. So pendelt sich das System
am kritischen Wert von selbst ein. Das ist ein möglicher Mechanismus. Die
Frage, die sich daran anschließt, ist, welche dynamischen Zutaten notwendig
sind, damit eine Epidemie entweder eine Doppelwelle nach sich zieht oder
aber zum Aussterben führt oder eben zum Einpendeln an diesem kritischen
Wert. Weltweit kniffeln Wissenschaftler daran, dynamische Modelle zu
entwickeln, die zeigen, wovon abhängt, welche dieser drei Möglichkeiten
wann und unter welchen Umständen wahrscheinlich wird.
Modellierungsstudien, die voraussagen sollen, wie sich die Pandemie
entwickeln wird und welche Faktoren das Infektionsgeschehen wie
beeinflussen, haben unter Corona einen großen Hype erfahren. Der
Erkenntnisgewinn indes hält sich bislang in Grenzen.
Klassischerweise arbeiten Modellierer aus dem Bereich der computational
epidemiology mit bereits existierenden Daten aus der Vergangenheit. Zu
prognostizieren, wie eine Epidemie, die noch in vollem Gange ist, in der
näheren Zukunft verlaufen wird, ist eine recht neue Sache. Es wurde
erstmals bei der [4][Schweinegrippe-Pandemie im Jahr 2009] versucht und
dann bei der [5][Ebola-Epidemie in Westafrika 2014/2015;] in beiden Fällen
ist es, meistens jedenfalls, schiefgegangen.
Woran liegt das?
Viele dieser mathematischen Modelle, das sehen wir auch jetzt bei Covid-19,
betrachten die Pandemie unabhängig davon, wie das menschliche Verhalten –
als Antwort auf das Infektionsgeschehen – sich ändert. Sie modellieren die
Ausbreitung der Pandemie sehr gut, sie versuchen, möglichst alle Details zu
erfassen und wirklichkeitsgetreu abzubilden. Aber sie lassen außer Acht,
dass so ein Virus sich eben nicht mal unbemerkt durch die Bevölkerung
frisst. Der Knackpunkt ist der Mensch. Der Mensch reagiert auf die
Pandemie. Doch wie er reagiert, kann sehr unterschiedlich sein und hängt
von vielen Faktoren ab. Diese Rückkopplungen sind komplex und entsprechend
schwer zu modellieren.
Was macht ein gutes Modell aus?
Ein gutes Modell berücksichtigt das Wesentliche und verwirft das
Unwesentliche. Ein Smiley etwa ist ein gutes Modell für ein Gesicht. Das
Smiley zeigt uns, was notwendig ist, um ein Gesicht zu identifizieren: die
Augen, der Mund, der Kreis drum herum. Ohren, Nase oder Haare dagegen sind
verzichtbar. Was ich sagen will: Wir müssen differenzieren zwischen
wichtigen und unwichtigen Parametern. Das tun detailreiche Modellierungen
oft leider nicht. Und wir müssen die Modelle auf ihre strukturelle
Stabilität hin untersuchen. Wir müssen wissen, welche der Parameter zu
völlig anderen Ergebnissen führen, sobald wir ein wenig an ihnen wackeln.
Wie sich das Infektionsgeschehen im Herbst bei uns konkret entwickeln wird,
lässt sich angesichts dieser Wackligkeiten nicht vorhersagen?
Es ist ein bisschen wie bei der Wettervorhersage: Man kann kurzzeitige
Prognosen machen, für eine Woche vielleicht, aber Langzeitszenarien halte
ich für nicht seriös. Es gibt allerdings hervorragende Modelle, die
verschiedene Szenarien skizzieren, die im Herbst eintreten könnten. Diese
Modelle sind sehr robust. Welches der Szenarien am Ende eintrifft, können
sie freilich nicht vorhersagen. Aber es ist schon mal ein Gewinn, zu
wissen, wie es aussehen könnte.
Die Klimaforschung wäre ohne Modellierungsstudien undenkbar – und leistet
dank dieser Modelle recht präzise Vorhersagen. Was hat sie
epidemiologischen Modellen voraus?
Ha, das Klima! Schön, dass Sie das ansprechen. Es stimmt, Klimamodelle sind
einerseits verwandt, aber andererseits völlig anders. Richtig ist, dass
auch in der Klimaforschung sowohl dynamische als auch statistische Modelle
eine Rolle spielen. Aber im Gegensatz zu epidemiologischen Modellen
basieren Klimamodelle auf solider Physik, von der man weiß, dass sie
richtig ist. In der Regel treffen Klimamodelle Wenn-dann-Aussagen. Also
etwa: „Wenn es so weitergeht mit der Erderwärmung, dann passiert
Folgendes.“ Und diese Erkenntnisse aus „dann passiert Folgendes“ entstamm…
komplexen Computermodellen, die die Atmosphäre, die Geosphäre und die
Hydrosphäre modellieren. Deren Gesetzmäßigkeiten sind weitestgehend
bekannt und belastbar.
Und es gibt da keine Unsicherheiten?
Einzelne Parameter kennt man vielleicht nicht so ganz genau, das schafft
dann gewisse Unsicherheiten, aber im Großen und Ganzen kennt man die
Struktur der Klimadynamik weitaus besser und kann sie insofern besser
modellieren als etwa die Risikowahrnehmung beim Menschen. Dazu kommt:
Klimamodelle verfolgen in der Regel Kurvenverläufe aus der Vergangenheit,
sie vergleichen also beispielsweise die derzeitige Erderwärmung mit den x
Erderwärmungen, die es bereits gegeben hat in der Historie. Klimamodelle
können so geeicht werden. Diese langzeitprognostischen Modelle sind viel
solider als epidemiologische Modelle, die Prognosen über einige Monate
abgeben sollen.
Angesichts der Flut immer neuer Modellierungen zum Verlauf der Pandemie ist
es für Laien schwer, den Überblick zu behalten. Was raten Sie?
Es gibt ein weit verbreitetes Missverständnis darüber, was Modelle sind.
Zum einen müssen wir Modellierer deswegen besser erklären, wie
mathematische Modelle funktionieren, was sie leisten können – und was
nicht. Modelle sollen ja, vereinfacht gesagt, eine Prognose abgeben, wie
eine Sache sich entwickeln wird, oder ein Phänomen erklären. Wenn Sie mir
jetzt aber sagen, entwickeln Sie mir doch bitte ein Modell für die
Covid-19-Pandemie, dann ist das so, als wenn Sie mich um ein möglichst
detailgetreues Modell für ein Fahrzeug bäten. Und da wüssten Sie schon, wie
grotesk diese Bitte anmutet: Denn es gibt Lastwagen und Pkw und Panzer und
Kräne – und sie alle haben unterschiedliche Funktionen. Das ist bei
Modellen auch so; es gibt dynamische Modelle, statistische Modelle,
agenten-basierte Modelle, Metapopulationsmodelle, qualitative und
quantitative Modelle, Netzwerkmodelle und noch viele mehr. Wir müssen uns
also zunächst darüber verständigen, welche Aussagen wir worüber machen
möchten und auf welchem Level.
17 Sep 2020
## LINKS
[1] /Reisewarnungen-wegen-Coronapandemie/!5714743
[2] /Neue-Corona-Zahlen-des-RKI/!5679306
[3] /Maskenpflicht-hilft-gegen-Corona/!5688043
[4] /Biologe-ueber-Herkunft-des-Coronavirus/!5708235
[5] /Bilanz-einer-Epidemie/!5011523
## AUTOREN
Heike Haarhoff
## TAGS
Schwerpunkt Coronavirus
Schwerpunkt Coronavirus
Covid-19
Epidemiologie
Infektion
Schwerpunkt Coronavirus
Schwerpunkt Coronavirus
Schwerpunkt Coronavirus
## ARTIKEL ZUM THEMA
Reisewarnungen wegen Coronapandemie: Europa voller Risikogebiete
Die Bundesregierung erklärt neben Wien und Budapest auch weitere Regionen
in Europa zum Corona-Risikogebiet.
Mobile Luftreiniger gegen Corona: Filter statt Fenster aufreißen
Was, wenn man in der kalten Jahreszeit in Büros und Hallen nicht mehr gegen
Corona lüften kann? Luftreiniger könnten eine Alternative sein.
Corona-Prognose der WHO: Mehr Corona-Todesfälle im Herbst?
Der WHO-Regionaldirektor Hans Kluge warnt vor zu großen Erwartungen an
einen Corona-Impfstoff. Dieser wird nicht das sofortige Ende der Pandemie
bedeuten.
You are viewing proxied material from taz.de. The copyright of proxied material belongs to its original authors. Any comments or complaints in relation to proxied material should be directed to the original authors of the content concerned. Please see the disclaimer for more details.