Mitnichten sind Restaurants, Cafés und Fitnesscenter exklusive Orte, in denen es im Frühjahr in 10 US-Städten am häufigsten zu SARS-CoV-2-Infektionen kam. Schon allein deshalb, weil offensichtlich das Infektiologie-ferne Mathematiker-, Informatiker-, Soziologen- und Politiologen-Publikationsteam sich nicht einmal die einfachste Frage der Welt epidemiologischer Betrachtungen stellen wollte, sollte und konnte:
Woher kommen denn eigentlich primär die von Ihnen sekundär und ex post festgestellten Übertragungen von SARS-CoV-2-Infektionen? Wer, was, wann, wie, wo und vor allen Dingen warum wurde nicht nach den Indexpatienten geforscht?
Die Studie in Nature (2020; DOI: 10.1038/s41586-020-2923-3) stellt lediglich ambulante Bewegungsdaten, aber nicht häusliche Ruhedaten von mobilen Smartphone-Nutzern und deren COVID-19-Erkrankungrisiken dar:
"Mobility network models of COVID-19 explain inequities and inform reopening" von Serina Chang et al.
"Abstract - The COVID-19 pandemic dramatically changed human mobility patterns, necessitating epidemiological models which capture the effects of changes in mobility on virus spread. We introduce a metapopulation SEIR model that integrates fine-grained, dynamic mobility networks to simulate the spread of SARS-CoV-2 in 10 of the largest US metropolitan statistical areas. Derived from cell phone data, our mobility networks map the hourly movements of 98 million people from neighborhoods (census block groups, or CBGs) to points of interest (POIs) such as restaurants and religious establishments, connecting 57k CBGs to 553k POIs with 5.4 billion hourly edges. We show that by integrating these networks, a relatively simple SEIR model can accurately fit the real case trajectory, despite substantial changes in population behavior over time. Our model predicts that a small minority of “superspreader” POIs account for a large majority of infections and that restricting maximum occupancy at each POI is more effective than uniformly reducing mobility. Our model also correctly predicts higher infection rates among disadvantaged racial and socioeconomic groups solely from differences in mobility: we find that disadvantaged groups have not been able to reduce mobility as sharply, and that the POIs they visit are more crowded and therefore higher-risk. By capturing who is infected at which locations, our model supports detailed analyses that can inform more effective and equitable policy responses to COVID-19."
Cite this article
Chang, S., Pierson, E., Koh, P.W. et al. Mobility network models of COVID-19 explain inequities and inform reopening. Nature (2020). https://doi.org/10.1038/s41586-020-2923-3
Zusammenfassend die folgenden Kritikpunkte:
1. Nur aktive Mobilphone-Nutzer wurden erfasst
2. Keine Lockdowns, Maskenpflicht oder AHA-Regeln implementiert
3. Öffentliche Anti-Prävention durch US-Regierung
4. Erfasst wurden nur Bewegungs-, keine Ruheprofile
5. Häusliches Milieu blieb unberücksichtigt
6. Ohne Differenzierung Mobilität / Aktivität / Beruf / Freizeit
7. Keine Übertragbarkeit auf Lockdown-, Teil-Lockdown-Regelungen in Europa, Asien, Australien, Südamerika (Sonderfall Afrika bleibt ausgeblendet)
8. Propagandistische Verharmlosung jeglicher Schutzmaßnahmen im Untersuchungszeitraum selbst durch den Präsidenten der Vereinigten Staaten von Amerika.
Mit Fug und Rech kann diese Nature-Publikation als "Unstatistik des Jahres" mit vorsätzlicher wissenschaftlicher Irreführung (scientific misconduct) bezeichnet werden.
Sonnenaufgang copyright Dr. Schätzler