Why COVID-19 infection curves behave so unexpectedly [EN, D] - CSH

Why COVID-19 infection curves behave so unexpectedly [EN, D]


Aug 24, 2020

Hub scientists extend traditional epidemiologial models

 

Most epidemics show infection curves with a typical S-shape. The COVID-19 outbreak, however, shows most infection curves exhibiting a linear growth after the first peak.

 

Stefan Thurner, Peter Klimek and Rudi Hanel extend traditional epidemiological models by describing the spread of disease as so-called cluster transmission. In this way, they are able to explain the typical linear shape of curves.

Find below the German version of this post

 

 

 

A model that finally describes the untypical shape of COVID-19 infection curves

 

Hub scientists Stefan Thurner, Peter Klimek and Rudi Hanel are the first to offer an explanation for the linear growth of coronavirus infection curves.

 

 

With the first COVID-19 epidemic peak behind them, many countries explained the decrease of infection numbers through non-pharmaceutical interventions. Phrases like “social distancing” and “flatten the curve” have become part of common vocabulary. Yet some explanations still fell short: How could one explain the linear rise of infection curves, which many countries display after the first peak, in contrast to the S-shaped curves expected, from epidemiological models?

 

In a paper that will be published today in the Proceedings of the National Academy of Sciences of the United States of America (PNAS), CSH scientists are the first ones to offer an explanation for the linear growth of the infection curve.

 

“At the beginning of the pandemic, COVID-19 infection curves showed the expected exponential growth,” says Stefan. This can be well explained by a so-called snowball effect: An infected person would infect a few others, and in a chain reaction, those would pass the virus on to a few others as well. “With measures like social distancing, governments tried to push the growth rate below the recovery rate and therefore massively reduce the number of new infections. In this logic, however, individuals would have infected less than one other person, and the curve would have flattened, eventually reaching zero—something that, as we know, did not happen,” says Stefan.

 

“What we saw instead was a constant level of infections with a similar number of new infections every day,” adds co-author Peter Klimek, “To explain this with standard epidemiological models would basically be impossible.” The use of traditional epidemiological models would have required a lot of fine-tuning of parameters, something that would make the model increasingly implausible. “If you want to balance measurements so that the effective reproduction number R stays exactly at 1—something that would explain the linear growth—, you would have to reduce contacts by the same exact and constant percentage. In reality that is extremely unlikely,” Peter adds.

 

Networks better explain the curves

 

In fact, the complexity scientists point out that the probability to observe linear growth in these standard compartmental models is practically zero. The researchers were therefore inspired to extend the model and look for further explanations.

 

They explained the linear shape of the curves through a different form of spreading than initially expected: they assumed that the spreading dynamic continued in small and limited clusters. “Most people went to work, got infected and spread it to two or three people at home, and then those people went to work or school again. The infection was basically spreading from cluster to cluster,” says Stefan. “The change of the infection curves from being S-shaped to a linear behavior is clearly a network effect.” A dynamic very different from big superspreading events.

 

Stefan, Peter and Rudi showed that there is a critical number of contacts, which they call degree of contact networks (or Dc), below which linear growth and low infection prevalence must occur. They found Dc to equal 7.2, assuming that people circulate in a coronavirus-relevant network of about five people, which is even smaller during an effective lockdown (household-size: 2.5 people on average).

 

It is the contact network density that influences transmission rates

The figure shows a contact network of employees in an office building in France, thresholded according to the number of contacts.In (a) all links are shown that connect two persons with more than 100 encounters, (b) and (c) show the cases for 200 and 500 encounters. In the densest network (a) almost all employees get infected (red). Only a few with weak ties to the network’s core stay healthy (green). The same is true for the less dense network (b).Below a certain link density, things change abruptly (c): only a few infection clusters appear, while the majority remains healthy. This is the typical pattern observed in the COVID-19 pandemic when implementing social distancing measures. That shows the importance of reducing the network density below the critical point.

Instead of having to fine-tune parameters, their model allows for a wide range of possibilities that keep the infection curves linear, which explains why linear infection curves appear in so many countries, irrespective of the magnitude of the imposed non-pharmaceutical interventions.

 

Here are two examples: the U.S. and Austria.

 

 

What if … ?

… the U.S. would have introduced measures to reduce the average degree in contact networks from five to 2.5 people early on? This could have almost halved the number of COVID-19 infections until the first week of May.What if Austria would have implemented its strict measures against coronavirus spread ten days later? According to the model, such a delay would have resulted in up to 30% more cases.

Linear curves in the U.S. and Austria

 

In a further step the scientists compared Austria, a country which responded with a severe lockdown early on, and the United States, which initially did not impose severe measures. According to Peter Klimek, their model works for both scenarios: “Both types of countries showed linear curves, but in the case of the U.S. and other countries like Sweden, these just happened on a much higher level.”

 

The model not only explains the emergence of a linear growth regime, but also explains why the epidemic may halt below the levels of herd immunity. For the standard modelling procedure, the complexity scientists use a so-called compartmental model with SIR-models, extending it with the described cluster transmission.

 

But what will happen in the next months, with the potential of numbers rising again? With additional risk factors like people returning from vacation in other countries and more time spent inside, the spread of disease could change.  “If infections rise again, there is the potential that linear curves turn to exponential growth again—something people described as a second wave,” Peter concludes.

 

Lit.:

 

Stefan Thurner, Peter Klimek, Rudolf Hanel, A network-based explanation of why most COVID-19 infection curves are linear, PNAS August 24, 2020

 

 

Warum sich COVID-19-Infektionskurven anders verhalten als erwartet

 

Mit einem erweiterten Epidemiologie-Modell gelingt es Wissenschaftlern am CSH Vienna, das lineare Wachstum bei Coronavirus-Infektionskurven zu erklären.

 

Viele Länder erklärten den Rückgang der Infektionszahlen nach dem ersten Höhepunkt der Coronavirus-Pandemie durch „nicht-pharmazeutische Interventionen“ – Ausdrücke wie „social distancing“ und „Abflachen der Kurve“ sind mittlerweile in den Sprachschatz eingegangen. Aber wie ist der lineare Anstieg der Infektionskurven zu erklären, den viele Länder nach dem ersten Peak zeigen, und der in einem Gegensatz zu den S-förmigen Kurven steht, die die gängigen epidemiologischen Modelle erwarten lassen?

 

In einem Artikel in der aktuellen Ausgabe von PNAS (Proceedings of the National Academy of Sciences of the United States of America) legen Wissenschaftler des Complexity Science Hub Vienna (CSH) und der MedUni Wien erstmal eine Erklärung für diese linearen Infektionsanstiege vor.

 

„Zu Beginn der Pandemie haben die COVID-19-Infektionskurven das erwartete exponentielle Wachstum gezeigt“, erklärt Stefan Thurner, Präsident des CSH und Professor für die Wissenschaft komplexer Systeme an der Medizinischen Universität Wien. Exponentielles Wachstum lässt sich gut durch den Schneeballeffekt erklären: Eine infizierte Person infiziert ein paar wenige andere, die das Virus ihrerseits an ein paar andere weitergeben – eine Kettenreaktion. „Mit Maßnahmen wie sozialer Distanzierung haben Regierungen versucht, die Wachstumsrate unter die Heilungsrate zu drücken und damit die Zahl der Neuinfektionen massiv zu reduzieren“, so Thurner. „Nach dieser Logik würde jede infizierte Person weniger als eine weitere Person anstecken. Damit würde die Kurve rasch abflachen und schließlich Null erreichen – was bekanntlich aber nicht geschehen ist.“

 

„Stattdessen sehen wir ein konstantes Infektionsniveau mit einer ähnlichen Anzahl von Neuinfektionen jeden Tag“, ergänzt Koautor Peter Klimek (CSH & Medizinische Universität Wien). „Epidemiologische Standardmodelle können das nicht erklären.“ Um einen solchen linearen Anstieg zu zeigen, müssten die Standardmodelle ständig nachjustiert werden – womit sie aber zunehmend unplausibel werden. “Will man die Messungen so ausgleichen, dass die effektive Reproduktionszahl R genau bei 1 bleibt – was das lineare Wachstum erklären würde –, müsste man die Kontakte um den gleichen exakten und konstanten Prozentsatz reduzieren. In Wirklichkeit ist das äußerst unwahrscheinlich“, so Klimek.

 

Tatsächlich ist die Wahrscheinlichkeit, in Standardmodellen lineares Wachstum zu sehen, praktisch null, betonen die CSH-Wissenschaftler. „Deshalb haben wir diese Modelle erweitert, indem wir eine andere Form der Ausbreitung annehmen. Wir gehen davon aus, dass sich Krankheitsfälle in kleinen, sehr begrenzten Clustern ausbreiten“, so Thurner. „Die meisten Menschen gehen zur Arbeit, infizieren sich und stecken zwei oder drei Personen zu Hause an. Dann gehen sie wieder zur Arbeit oder zur Schule. Die Infektion breitet sich also eigentlich von Cluster zu Cluster aus.“

 

Für ihr Verfahren verwenden die Komplexitätswissenschaftler ein so genanntes SIR-Modell, das sie um die beschriebene Clusterübertragung korrigieren.

 

Die Wissenschaftler zeigen, dass es eine kritische Anzahl von Kontakten gibt – sie bezeichnen sie als „Kontaktnetzwerke-Dichte“ Dc. Liegt die Zahl der Kontakte darunter, kommt es zu linearem Wachstum und einer niedrigen Infektionsrate. Laut den Forschern liegt diese Zahl ungefähr bei 7,2 – wobei sie davon ausgehen, dass die Menschen sich in einem Coronavirus-relevanten Netzwerk von etwa fünf Personen bewegen, durch einen Lockdown sogar nur auf Haushaltsgröße (durchschnittlich 2,5 Personen).

 

„Wir zeigen also, dass die Veränderung der Infektionskurven von einem S-förmigen zu einem linearen Verhalten eindeutig ein Netzwerkeffekt ist. Diese Dynamik unterscheidet sich grundsätzlich von Superspreader-Ereignissen,“ so Thurner.

 

Anstatt eine Feinabstimmung der Parameter vornehmen zu müssen, lässt das neue Modell unter unterschiedlichsten Bedingungen lineare Infektionskurven zu, etwa unabhängig vom Ausmaß der getroffenen staatlichen Interventionen. Die Wissenschaftler vergleichen Österreich, ein Land, das schon früh einen strengen Lockdown eingeführt hat, und die Vereinigten Staaten, die zunächst keine strengen Maßnahmen verhängt haben. „Das Modell funktioniert für beide Szenarien“, betont Klimek: „Beide Ländertypen zeigen lineare Kurven. Im Fall der USA – oder auch anderer Länder mit wenig strikten Maßnahmen wie Schweden – passiert das nur auf einem deutlich höheren Niveau.“

 

Das Modell der Wiener Forscher erklärt nicht nur die Entstehung von linearem Wachstum, sondern auch, dass die Epidemie durch konsequentes Social distancing schon vor Erreichen der Herdenimmunität zum Stillstand kommen könnte.

 

Aber was wird in den nächsten Monaten passieren, wenn die Zahlen wieder steigen? Mit zusätzlichen Risikofaktoren wie Auslandsurlauben oder mehr Aufenthalten in geschlossenen Räumen könnte sich die Ausbreitung der Krankheit wieder stark ändern. “Wenn die Infektionen stark steigen, kann aus dem linearen Wachstum wieder ein exponentielles werden“, so Klimek. „Dann haben wir die zweite Welle.“


Press

Massentests starten


Radio Arabella, Dec 4, 2020

Press

Lockdown in der Verlängerung: Ist das die neue Normalität?


ORF 3 | Politik live, Dec 3, 2020

News

Dec 3, 2020

Cryptofinance: our new research field!

Press

Strenge Einreisebeschränkungen in der Weihnachtszeit


Wiener Zeitung, Dec 2, 2020

Press

Corona-Experte: “Gehen auf soften Lockdown zurück”


K.at, Dec 2, 2020

News

Dec 1, 2020

What is a Complex System? A new book explains

News

Nov 25, 2020

Which measures work best? The final results

News

Nov 22, 2020

Blog | Elma Dervic: “Diabetic women at high risk for depression”

Publication

N. Cao, M. Meyer, L. Thiele, O. Saukh

Pollen video library for benchmarking detection, classification, tracking and novelty detection tasks: dataset

in: DATA '20: Proceedings of the Third Workshop on Data: Acquisition To Analysis. Association for Computing Machinery, NY (2020) 23–25

Publication

F. Papst

Privacy-preserving machine learning for time series data

in: SenSys '20: The 18th ACM Conf on Embedded Networked Sensor Systems (2020) 813–814

Publication

F. Papst, N. Stricker, O. Saukh

Localization from activity sensor data: poster abstract

in: SenSys '20: Proceedings of the 18th Conference on Embedded Networked Sensor Systems (2020) 703–704

Publication

J. Lasser, et al.

Agent-based simulations for optimized prevention of the spread of SARS-CoV-2 in nursing homes

[submitted Nov. 19, 2020]

Press

Massentests starten


Radio Arabella, Dec 4, 2020

Press

Lockdown in der Verlängerung: Ist das die neue Normalität?


ORF 3 | Politik live, Dec 3, 2020

News

Dec 3, 2020

Cryptofinance: our new research field!

Press

Strenge Einreisebeschränkungen in der Weihnachtszeit


Wiener Zeitung, Dec 2, 2020

Press

Corona-Experte: “Gehen auf soften Lockdown zurück”


K.at, Dec 2, 2020

News

Dec 1, 2020

What is a Complex System? A new book explains

News

Nov 25, 2020

Which measures work best? The final results

News

Nov 22, 2020

Blog | Elma Dervic: “Diabetic women at high risk for depression”

Publication

N. Cao, M. Meyer, L. Thiele, O. Saukh

Pollen video library for benchmarking detection, classification, tracking and novelty detection tasks: dataset

in: DATA '20: Proceedings of the Third Workshop on Data: Acquisition To Analysis. Association for Computing Machinery, NY (2020) 23–25

Publication

F. Papst

Privacy-preserving machine learning for time series data

in: SenSys '20: The 18th ACM Conf on Embedded Networked Sensor Systems (2020) 813–814

Publication

F. Papst, N. Stricker, O. Saukh

Localization from activity sensor data: poster abstract

in: SenSys '20: Proceedings of the 18th Conference on Embedded Networked Sensor Systems (2020) 703–704

Publication

J. Lasser, et al.

Agent-based simulations for optimized prevention of the spread of SARS-CoV-2 in nursing homes

[submitted Nov. 19, 2020]

News

Dec 3, 2020

Cryptofinance: our new research field!

News

Dec 1, 2020

What is a Complex System? A new book explains

News

Nov 25, 2020

Which measures work best? The final results

News

Nov 22, 2020

Blog | Elma Dervic: “Diabetic women at high risk for depression”

News

Nov 19, 2020

New theory of social fragmentation

News

Nov 5, 2020

Dealing with social media’s influence on democracy

News

Oct 9, 2020

70% less damage in case of financial collapse? The Hub knows the trick

News

Oct 8, 2020

AND THE WINNER IS: New data-driven method to fight corruption!

News

Sep 25, 2020

Corona Traffic Light New shows details for EU regions

News

Sep 21, 2020

Austrian “Scientists of the Year”: More funding for blue sky research!

News

Sep 4, 2020

Blog | Marcia Ferreira: “Measuring researcher mobility across institutions”

News

Aug 27, 2020

CCCSL: published in prominent company

Press

Massentests starten


Radio Arabella, Dec 4, 2020

Press

Lockdown in der Verlängerung: Ist das die neue Normalität?


ORF 3 | Politik live, Dec 3, 2020

Press

Strenge Einreisebeschränkungen in der Weihnachtszeit


Wiener Zeitung, Dec 2, 2020

Press

Corona-Experte: “Gehen auf soften Lockdown zurück”


K.at, Dec 2, 2020

Press

David Garcia: “In Social Media geht es immer radikaler zu” [print]


Der Standard , Dec 2, 2020

Press

Corona – Experte: “Gehen auf soften Lockdown zurück”


APA Science, Dec 2, 2020

Press

Wien kritisiert Anmeldung zu CoV-Massentests


ORF Online | Wien, Dec 2, 2020

Press

Massentests: Antigen-Tests vor allem zum Nachweis höherer Viruslast


Südtirol News, Dec 1, 2020

Press

Stabilere Banken dank Big Data?


Institutional Money, Dec 1, 2020

Press

Komplexitätsforscher Peter Klimek zu den CoV-Massentests


ORF | Report, Dec 1, 2020

Press

Brief an den Gesundheitsminister: Warnruf der Landesspitäler [print]


Kleine Zeitung, Dec 1, 2020

Press

Massen-Tests: Jetzt geht’s los [print]


Österreich, Dec 1, 2020

Publication

N. Cao, M. Meyer, L. Thiele, O. Saukh

Pollen video library for benchmarking detection, classification, tracking and novelty detection tasks: dataset

in: DATA '20: Proceedings of the Third Workshop on Data: Acquisition To Analysis. Association for Computing Machinery, NY (2020) 23–25

Publication

F. Papst

Privacy-preserving machine learning for time series data

in: SenSys '20: The 18th ACM Conf on Embedded Networked Sensor Systems (2020) 813–814

Publication

F. Papst, N. Stricker, O. Saukh

Localization from activity sensor data: poster abstract

in: SenSys '20: Proceedings of the 18th Conference on Embedded Networked Sensor Systems (2020) 703–704

Publication

J. Lasser, et al.

Agent-based simulations for optimized prevention of the spread of SARS-CoV-2 in nursing homes

[submitted Nov. 19, 2020]

Publication

T.M. Pham, I. Kondor, R. Hanel, S. Thurner

The effect of social balance on social fragmentation

J. R. Soc. Interface Vol. 17, Issue 171 (2020)

Publication

J.-P. Aguilar, J. Kirkby, J. Korbel

Pricing, Risk and Volatility in Subordinated Market Models

Risks 8(4) (2020) 124

Publication

N. Haug, [...] P. Klimek

Ranking the effectiveness of worldwide COVID-19 government interventions

Nature Human Behaviour (2020)

Publication

Á. Corral, I. Serra, R. Ferrer-i-Cancho

Distinct flavors of Zipf’s law and its maximum likelihood fitting: Rank-size and size-distribution representations

Phys. Rev. E 102 (2020) 052113

Publication

X. Dai, X. Li, et al.

Discontinuous Transitions and Rhythmic States in the D-Dimensional Kuramoto Model Induced by a Positive Feedback with the Global Order Parameter

Phys. Rev. Lett. 125 (2020) 194101

Publication

R. Hanel, S. Thurner

Boosting test-efficiency by pooled testing strategies for SARS-CoV-2—Formula for optimal pool size

PLoS ONE 15(11) (2020) e0240652

Publication

L. Zenk, G. Steiner, et al.

Fast Response to Superspreading: Uncertainty and Complexity in the Context of COVID-19

Int. J. Environ. Res. Public Health 17(21) (2020) 7884

Publication

S. Lewandowsky, L. Smillie, D. Garcia, et al.

Technology and Democracy: Understanding the influence of online technologies on political behaviour and decision-making

EUR 30422 EN, Publications Office of the European Union, Luxembourg (2020)