Neues Deep Learning ermittelt Mobilitätsgraphen aus Epidemiedaten

Metapopulationsmodelle sind ein zentrales Werkzeug zur Analyse großflächiger Ausbrüche, doch die knappe Verfügbarkeit von Tracing‑Daten erschwert die gleichzeitige Schätzung der Epidemienparameter und des zugrunde liegenden Mobilitätsnetzes zwischen Subpopulationen. Traditionell konnte man entweder die Parameter oder das Netzwerk annehmen, aber die gemeinsame Inferenz blieb bislang ungelöst.

In der aktuellen Studie werden zwei Encoder‑Decoder‑Architekturen vorgestellt, die aus Zeitreihen von Infektionsdaten Mobilitätsgraphen rekonstruieren – einmal unter der Annahme bekannter Epidemienparameter und einmal ohne diese Annahme. Durch die Kombination von Deep Learning mit epidemiologischer Modellierung gelingt es, die Struktur des Mobilitätsnetzes direkt aus den Beobachtungen zu extrahieren.

Die Leistung der neuen Ansätze wurde an einer Vielzahl zufälliger und empirischer Mobilitätsnetzwerke getestet. Dabei übertrifft das Verfahren die bisherige Topologie‑Inference deutlich. Besonders auffällig ist, dass die Genauigkeit weiter steigt, wenn Daten zu zusätzlichen Pathogenen einbezogen werden, was die Robustheit des Modells unterstreicht.

Damit liefert die Arbeit ein robustes, gleichzeitiges Inferenzframework für Epidemienparameter und Mobilitätsnetzwerke. Diese Fortschritte schließen eine langjährige Lücke in der Modellierung von Krankheitsausbreitungen und eröffnen neue Möglichkeiten für die Analyse und Vorhersage von Ausbrüchen auf großem Maßstab.