COVID-19 Dispersion Modeling of Data with Minimax Measurement

Wanneer een ziekte zich over een landschap verspreidt, beweegt deze niet als een enkele golf die op een kust breekt. In plaats daarvan verschijnt het als een verspreide verzameling uitbraken, sommige klein en verborgen, andere groot en zichtbaar, die allemaal in de loop van de tijd verschuiven. Om te begrijpen waar een virus naartoe gaat, proberen wetenschappers vaak een vorm rond deze verspreide punten te tekenen, waarbij ze zoeken naar een centrum en een grens die het hele plaatje vastlegt. Dit is een klassieke uitdaging in de wiskunde: het vinden van een cirkel die de gewogen maximale afstand tot een groep punten minimaliseert, een probleem dat teruggaat tot de eeuwenlange arbeid van wiskundigen zoals Pierre de Fermat. In de context van een pandemie helpt het oplossen van dit puzzelstukje onderzoekers om niet alleen te zien waar gevallen zijn, maar ook hoe de infectie zich uitbreidt, krimpt of stabiliseert. Door de verspreiding van ziekte te behandelen als een geometrisch probleem, kunnen wetenschappers de onzichtbare krachten volgen die het virus van de ene stad naar de andere duwen, waardoor ruwe cijfers worden omgezet in een heldere kaart van beweging.

In een studie gepubliceerd in augustus 2026 pasten onderzoekers Dongyung Kim en Grace Kim dit geometrische denken toe op de begindagen van de COVID-19-pandemie. Ze richtten zich op een specifieke week in april 2020, een kritieke periode waarin het virus zich versnelde door het zuidwesten van de Verenigde Staten. Met behulp van gegevens uit Arizona, Colorado en New Mexico bouwde het team een model dat elke bevestigde cluster als een punt op een kaart behandelde. Hun doel was om één enkel, bewegend middelpunt te vinden dat de verspreiding van de ziekte het beste vertegenwoordigde, beperkt door twee vaste referentiepunten die fungeerden als ankers voor de berekening. Deze aanpak stelde hen in staat om een "minimax-cirkel" te tekenen—een grens die geoptimaliseerd is om de gewogen maximale afstand tot alle bekende gevallen te minimaliseren, aangepast aan het gewicht of de belangrijkheid van elke locatie. Door te observeren hoe de grootte van deze cirkel en het centrum dag na dag veranderden, konden zij de kracht en richting van de dispersie van het virus meten.

De onderzoekers analyseerden dagelijkse gegevens van 1 tot 7 april 2020 en brachten de locaties van bevestigde gevallen in elke staat in kaart. Ze zetten de werkelijke breedtegraad en lengtegraad van deze clusters om naar een plat, tweedimensionaal rooster om de geometrie te laten werken. Voor elke dag berekenden ze het optimale centrum van de cirkel en de straal, die de reikwijdte van de uitbraak vertegenwoordigt. Ze maten ook een "dispersiekracht", een waarde die ons vertelt hoe dicht de gevallen binnen die cirkel gepakt zijn. Als de cirkel groter wordt terwijl het aantal gevallen gelijk blijft, daalt de kracht, wat betekent dat het virus zich over een groter gebied verspreidt. Als de cirkel kleiner wordt of even groot blijft terwijl de gevallen toenemen, stijgt de kracht, wat wijst op een compacte, geconcentreerde uitbraak.

De resultaten toonden duidelijke patronen voor elke staat. In Arizona liet het model een duidelijke verschuiving zien gedurende de week. Tijdens de eerste vier dagen groeide de straal van de cirkel gestaag, wat betekende dat het virus naar nieuwe, verre locaties sprong. Tegelijkertijd daalde de dispersiekracht scherp, wat bevestigde dat de uitbraak meer verspreid raakte. Echter, tegen de vijfde dag stopte de groei. De grootte van de cirkel stabiliseerde en de kracht verstevigde zich in een stabiel patroon. Dit suggereerde dat het virus een limiet had bereikt in hoe ver het zich binnen die specifieke week kon verspreiden, waarbij het een verzadigingspunt bereikte waarop nieuwe gevallen binnen de bestaande grens verschenen in plaats van de grens naar buiten toe te duwen.

Colorado vertelde een ander verhaal. Gedurende de gehele week behield de staat de hoogste dispersiekracht van de drie, wat betekende dat de gevallen compact geclusterd bleven. Het model toonde aan dat het virus zwaar geconcentreerd was rond het metropoolgebied van Denver, waarbij de cirkel relatief klein bleef. Dit gaf aan dat de uitbraak intens maar geografisch compact was, waarbij nieuwe infecties dicht bij de gevestigde centra verschenen in plaats van zich ver in het platteland te verspreiden.

New Mexico presenteerde het tegenovergestelde extreme. Hier nam de dispersiekracht continu af zonder ooit te stabiliseren. De cirkel werd elke dag groter, wat de enorme omvang van het territorium en de verspreide bevolking van de staat weerspiegelde. Het virus verspreidde zich langzaam maar gestaag over een uitgestrekt landschap, waarbij nieuwe clusters ver van de oorspronkelijke epicentra verschenen. In tegen tegenstelling tot Arizona, dat een tijdelijk evenwicht vond, was de uitbraak in New Mexico in een constante staat van expansie, zonder tekenen van het bereiken van een verzadigingslimiet tijdens die week.

De studie bevestigt dat deze geometrische methode een betrouwbaar instrument is voor het volgen van ziektebewegingen, mits er voldoende gegevens beschikbaar zijn. Gevoeligheidsanalyse geeft aan dat bij kleine datasets (N = 20) de resultaten instabiel en gevoelig zijn voor kleine veranderingen. Echter, naarmate de empirische gegevens opschalen naar N = 200 en N = 800, vertoont het model robuust convergentiegedrag, wat de computationele stabiliteit ervan voor grootschalige toepassingen valideert. Het team ontdekte dat de wiskundige aanpak erin slaagde om de trend van de verspreiding te voorspellen, waarbij onderscheid werd gemaakt tussen een virus dat naar buiten toe explodeert en een virus dat zich in een patroon nestelt.

Door zich te richten op de vorm en beweging van de uitbraak in plaats van alleen op het totale aantal gevallen, biedt dit onderzoek een nieuwe manier om de pandemie te visualiseren. Het laat zien dat de verspreiding van een virus niet alleen een kwestie is van het tellen van zieke mensen, maar van het begrijpen van de geometrie van hun distributie. Het model suggereert dat verschillende regio's op fundamenteel verschillende manieren op hetzelfde virus kunnen reageren, gedreven door hun geografie en bevolkingsdichtheid. Voor functionarissen in de volksgezondheid betekent dit dat één enkele strategie mogelijk niet overal werkt; wat in de ene staat lijkt op een ingedamde uitbraak, kan in een andere staat een snel expanderende grens zijn. Het werk beweert de pandemie niet op te lossen of de toekomst met absolute zekerheid te voorspellen, maar het biedt een heldere, wiskundige lens waardoor we de beweging van het virus kunnen observeren, waarbij een chaotische verspreiding van gegevens wordt omgezet in een leesbaar verhaal van expansie en beheersing.