In British Columbia nutzten Forscher die Verteilung von PCR‑Cycle‑Threshold‑Werten (Ct‑Werten), um das Infektionsgeschehen von SARS‑CoV‑2 während der Omikron‑Subvariante BA.1 von November 2021 bis Januar 2022 zu prognostizieren. Dabei wurden sowohl die zu erwartende Inzidenz als auch die Reproduktionszahl, ein Maß für das Übertragungspotenzial, aus den Ct‑Daten abgeleitet.

Epidemiologisches Modell

Ein auf epidemischen Transmissionen basierendes Modell wurde zunächst anhand von Ausbruchs‑Daten eines Langzeitpflegeheims validiert. Anschließend erfolgte die Anpassung an provinzielle Gesamtdaten. Die Vorhersagen des Modells lagen für beide Anwendungsfälle innerhalb des 95‑Prozent‑Credible‑Intervals der simulierten Markov‑Chain‑Monte‑Carlo‑Ketten, was auf eine hohe Übereinstimmung mit den beobachteten Fallzahlen hinweist.

Maschinelles Lernen

Parallel entwickelten die Forscher eine Pipeline für maschinelles Lernen, die fünf unterschiedliche Algorithmen umfasste. Die Modelle wurden mit simulierten Datensätzen trainiert, um die Reproduktionszahl anhand der Ct‑Wert‑Verteilung zu schätzen, und anschließend an provinziellen Echtzeit‑Daten außerhalb des Trainingsdatensatzes getestet.

Leistungsbewertung

Alle maschinellen Lernmodelle erzielten eine mittlere quadratische Abweichung (MSE) von unter 0,17, wobei die Genauigkeit mit zunehmender Stichprobengröße weiter zunahm. Diese Kennzahl belegt eine konsistente Vorhersagequalität über die verschiedenen Algorithmen hinweg.

Wesentliche Befunde

Die Analyse zeigte, dass die Streuung der Ct‑Werte um ihren Mittelwert hinweg der stärkste Prädiktor für die Reproduktionszahl war. Andere Merkmale wie der durchschnittliche Ct‑Wert selbst hatten einen geringeren Einfluss auf die Modellleistung.

Bedeutung für die öffentliche Gesundheit

Die vorgestellten Modellierungsansätze können traditionelle Überwachungssysteme ergänzen, indem sie in Echtzeit Hinweise auf bevorstehende Anstiege der Infektionszahlen liefern. Auf dieser Basis könnten Entscheidungsträger gezielte Maßnahmen ergreifen, um die Ausbreitung zu begrenzen.

Ausblick

Für zukünftige Anwendungen wird empfohlen, die Modelle mit kontinuierlich aktualisierten Ct‑Daten zu speisen und sie mit weiteren epidemiologischen Indikatoren zu kombinieren, um die Vorhersagegenauigkeit weiter zu steigern.

Dieser Bericht basiert auf Informationen von eLife, lizenziert unter Creative Commons BY 4.0 (Open Access). Wissenschaftliche Inhalte, offen zugänglich.