Kann KI die Ausbreitung einer Infektionskrankheit in einer Stadt allein anhand anonymisierter Mobilitätsdaten vorhersagen ?

Öffentliche Gesundheitsbehörden verlassen sich zunehmend auf datengesteuerte Modelle, um Krankheitsausbrüche vorherzusagen, doch viele benötigen sensible personenbezogene Daten oder komplexe Simulationen. Eine aktuelle KI-Fähigkeit besteht darin, die Ausbreitung von Infektionskrankheiten mithilfe anonymisierter Datensätze zu menschlichen Bewegungsmustern vorherzusagen. Die KI muss dabei Variationen im Verhalten, der Bevölkerungsdichte und Umweltfaktoren berücksichtigen, um handlungsrelevante, hochpräzise Vorhersagen zu treffen.

KI-Systeme können die Ausbreitung von Krankheiten nun anhand anonymisierter Mobilitätsdaten schätzen, indem sie Fahrten als Vektoren für die Übertragung behandeln und Monte-Carlo-Simulationen über Kontaktnetzwerke durchführen, die aus Standortspuren abgeleitet werden. Modelle wie Epifcast, Epigram und tiefenlernbasierte Ansätze, die Graph-Neuronale Netze mit Mobilitätseinbettungen kombinieren, berichten von medianen absoluten Fehlern von etwa 3–8 % bei wöchentlichen Inzidenzvorhersagen in Städten wie Boston und Singapur und übertreffen dabei Gravitations- und Strahlungsmodelle. Diese Methoden stützen sich typischerweise auf aggregierte Mobilfunkstandortdaten statt auf Rohdaten zu Bewegungsverläufen und wenden Differential Privacy oder k-Anonymität an, um die Anonymität zu wahren und gleichzeitig grobe Mobilitätsmuster zu erhalten.

— Aktualisiert am 13. Mai 2026 · Quelle: Nature Communications — https://www.nature.com/articles/s41467-023-38814-1