video: This short walk-through video gives an impression of the richness in detail of the CSH COVID-19 Control Strategies List (CCCSL). The visualization, developed by CSH visualization expert Johannes Sorger, can be retrieved via http://covid19-interventions.com/CCCSLgraph/ view more
Credit: CSH Vienna
[Wien, 27. August 2020] Um zu wissen, welche nicht-pharmazeutischen Interventionen gegen die Ausbreitung des Coronavirus am besten funktioniert haben, brauchen Forschende und Gesundheitsbehörden Daten. Im März startete der Complexity Science Hub Vienna (CSH) deshalb eine umfassende weltweite Sammlung von Regierungsmaßnahmen, die jetzt im Nature-Journal Scientific Data veröffentlicht wird.
Die CSH COVID-19 Control Strategies List (CCCSL) enthält derzeit Informationen zu 6.068 Interventionen aus 56 Ländern: 33 europäischen, 12 asiatischen, fünf südamerikanischen, zwei nordamerikanischen, drei afrikanischen und einem Land Ozeaniens sowie vom Kreuzfahrtschiff Diamond Princess. Für die USA wurden Daten für 24 einzelnen Bundesstaaten erfasst.
Viele Details für vertiefte Analysen
"Der besondere Wert unseres Datensatzes liegt in seiner Detailgenauigkeit", sagt Projektleiterin und Erstautorin Amélie Desvars-Larrive (CSH & Univ für Veterinärmedizin Wien). "Unseres Wissens ist es die bisher genaueste Klassifizierung von Regierungsmaßnahmen gegen COVID-19.
Auf der obersten Ebene (L1) teilten die WissenschaftlerInnen die Maßnahmen in sieben Gruppen ein: Fallidentifizierung, Ermittlung von Kontaktpersonen und damit zusammenhängende Maßnahmen; Umweltmaßnahmen wie Desinfektion und Reinigung allgemein genutzter Flächen (etwa in öffentlichen Verkehrsmitteln oder auf Märkten); Kapazitäten im öffentlichen Gesundheitswesen (wie Kapazitätserweiterung in Krankenhäusern oder beim Gesundheitspersonal); Ressourcenzuweisung (wie spezielle Budgets oder Personalaufstockung bei der Verteilung von Gütern); Risikokommunikation; Maßnahmen für social distancing; Reisebeschränkungen; und, als neuere Kategorie, Rückkehr zum normalen Leben.
Jede Maßnahme ist in vier Ebenen kodiert, von der gröbsten Einteilung (L1) bis hin zur spezifischen Einzelbeschreibung (L4). Zum Beispiel haben wir sieben Kategorien von Reisebeschränkungen, die in mehr als 50 Unterkategorien unterteilt sind, so Desvars-Larrive. Darüber hinaus macht die Verwendung selbsterklärender Codes den Datensatz auch für Nicht-ExpertInnen leicht verständlich.
Das Kodierungsschema des Datensatzes macht ihn sehr flexibel und damit besonders wertvoll für computergestützte Techniken wie maschinelles Lernen.
Besserer Umgang mit einer Pandemie
"Wir hoffen, mit unserer Datenbank zu einem besseren Management der Coronakrise oder ähnlicher Epidemien in der Zukunft beitragen zu können", ergänzt David Garcia (CSH & Medizinische Universität Wien), einer der Koautoren. Mit umfassenden Daten können WissenschaftlerInnen und PolitikerInnen individuelle Risiken besser einschätzen, maßgeschneiderte Eindämmungsstrategien oder Ansätze entwickeln, wie aus einem Lockdown am besten wieder ausgestiegen werden kann.
Auch die ForscherInnen am CSH arbeiten intensiv mit der CCCSL. So kombinierten sie die Datenbank mit öffentlich zugänglichen Daten über COVID-19-Fälle weltweit, um festzustellen, welche Eindämmungsstrategien am wirksamsten sind. Wir konnten damit den Beitrag jeder Intervention zur Eindämmung des Coronavirus genau berechnen und haben eine Rangliste der Wirksamkeit von Maßnahmen erstellt", so Desvars-Larrive. Diese Arbeit ist derzeit im Review-Prozess.
###
Die CCCSL-Daten wurden aus öffentlich zugänglichen Quellen zusammengetragen wie wissenschaftliche Abhandlungen, Pressemitteilungen, verschiedene Veröffentlichungen von Regierungen oder soziale Medien. Alle Aufzeichnungen wurden von Hand kodiert und werden regelmäßig aktualisiert.
Während der COVID-19-Krise haben Forschungsteams weltweit ähnliche Datenbanken erstellt. Die Datenbank des Complexity Science Hub Vienna wurde mit sechs anderen internationalen Datensätzen in den globalen Datensatz Tracking Public Health and Social Measures (PHSM) der Weltgesundheitsorganisation integriert.
Journal
Scientific Data