Im Gegensatz zu herkömmlichen Ansätzen nutzt das Projekt Drohnenbilder, um Lebensräume zu identifizieren, in denen Zecken – und damit potenzielle Infektionsherde – besonders häufig vorkommen. In Zusammenarbeit mit Entomologen werden die Erkenntnisse über die Ausbreitung von Vektoren und Krankheitserregern verfeinert, um die Modellgenauigkeit zu verbessern. Für die Modellierung werden Algorithmen des maschinellen Lernens eingesetzt, und Wetterdaten werden integriert, um die Auswirkungen des Klimas auf Zeckenpopulationen zu berücksichtigen. In einer Modellregion, die als Hotspot für Frühsommer-Meningoenzephalitis (FSME) und Lyme-Borreliose gilt, werden in späteren Projektphasen Freiwillige zu einem Bluttest (serologische Studie) eingeladen. Mithilfe von Trockenblutproben-Selbsttests (DBS) wird ermittelt, wie viele Menschen bereits Antikörper gegen die Krankheitserreger aufweisen. Dies ermöglicht es, bisher unentdeckte Infektionen zu identifizieren und die verfügbaren Daten zu verbessern. Gleichzeitig werden Vorhersagen über die Standorte von Infektionsherden durch Feldstudien validiert.

Zielsetzungen:

• Modellierung und Analyse von Umweltfaktoren für FSME und Borreliose mithilfe von ML-Algorithmen und Drohnen
• Vorhersage von FSME- und Borreliose-Hotspots
• Bestimmung der Prävalenz von FSME und Borreliose in der Bevölkerung
• Entwicklung mathematischer Modelle für die Populationsdynamik von Zecken und die Infektionsdynamik beim Menschen und Kalibrierung mit erhobenen Daten
• Analyse pharmazeutischer und nicht-pharmazeutischer Interventionen
• Etablierung von Erkennungs- und Überwachungsmaßnahmen