key: cord-0695906-gqb60tdd
authors: Grodd, Marlon; Refisch, Lukas; Lorenz, Fabian; Fischer, Martina; Lottes, Matthäus; Hackenberg, Maren; Kreutz, Clemens; Grabenhenrich, Linus; Binder, Harald; Wolkewitz, Martin
title: Prognosemodelle zur Steuerung von intensivmedizinischen COVID-19-Kapazitäten in Deutschland
date: 2022-03-10
journal: Med Klin Intensivmed Notfmed
DOI: 10.1007/s00063-022-00903-x
sha: dace7aa83497449d4599bcb20e80367b3f6a204d
doc_id: 695906
cord_uid: gqb60tdd

BACKGROUND: Time-series forecasting models play a central role in guiding intensive care coronavirus disease 2019 (COVID-19) bed capacity in a pandemic. A key predictor of future intensive care unit (ICU) COVID-19 bed occupancy is the number of new severe acute respiratory syndrome coronavirus 2 (SARS-CoV-2) infections in the general population, which in turn is highly associated with week-to-week variability, reporting delays, regional differences, number of unknown cases, time-dependent infection rates, vaccinations, SARS-CoV‑2 virus variants, and nonpharmaceutical containment measures. Furthermore, current and also future COVID ICU occupancy is significantly influenced by ICU discharge and mortality rates. METHODS: Both the number of new SARS-CoV‑2 infections in the general population and intensive care COVID-19 bed occupancy rates are recorded in Germany. These data are statistically analyzed on a daily basis using epidemic SEIR (susceptible, exposed, infection, recovered) models using ordinary differential equations and multiple regression models. RESULTS: Forecast results of the immediate trend (20-day forecast) of ICU occupancy by COVID-19 patients are made available to decision makers at various levels throughout the country. CONCLUSION: The forecasts are compared with the development of available ICU bed capacities in order to identify capacity limitations at an early stage and to enable short-term solutions to be made, such as supraregional transfers.

Pandemien · Intensivstationen · Bettenbelegung · Zuteilung von Ressourcen · Statistisches Modell Einleitung Ein zentrales Element der Pandemiebewältigung und Grundlage zur datenbasierten Handlungssteuerung ist eine aktuelle, flächendeckende Erfassung und Vorhersage der unmittelbaren Entwicklung der Belegung durch intensivpflichtige COVID-19-Patienten*innen [1] .

Um diesem Ziel Rechnung zu tragen, initiierte das Robert Koch-Institut (RKI) das Forschungsprojekt "Steuerungs-Prognose von intensivmedizinischen COVID-19-Kapazitäten" (SPoCK).

In diesem Artikel werden Einblicke in die im Rahmen dieses Projekts entwickelten und fortlaufend weiterentwickelten statistisch-mathematischen Modelle gegeben.

Abb. 1 8 Schematische Darstellung der Datenquellen, Verarbeitungsschritte und Prognosemodelle im Forschungsprojekt "Steuerungs-Prognose von intensivmedizinischen COVID-19-Kapazitäten" (SPoCK) Die . Abb. 1 zeigt die Struktur des Datenflusses und der Modellierung. In einem ersten Schritt werden die gemeldeten COVID-19-Neuinfektionen (gemäß den IfSG-Meldedaten) und deren wahrscheinlich tatsächlicher Verlauf mit einem dynamischen Modell geschätzt und Vorhersagen zur Entwicklung der COVID-19-Neuinfektionen generiert. Diese Vorhersagen werden im zweiten Schritt als ein Prädiktor für das Prognosemodell der zu erwartenden COVID-19-Intensivbettenbelegung benutzt. Die Prognoseergebnisse werden Entscheidungsträgern auf verschiedenen Ebenen zur Verfügung gestellt.

Datengrundlage Die Modellierung der intensivmedizinischen Bettenbelegung mit COVID-19-Patient*innen basiert primär auf 2 Da-tenquellen: 1) die durch das RKI täglich veröffentlichten Daten zu den inzidenten COVID-19-Neuinfektionen in der Bevölkerung (gemäß Meldeweg über die Gesundheitsämter) und 2) die täglich aktuellen Meldungen der intensivmedizinischen COVID-19-Belegung (prävalente Fälle) aus dem DIVI-Intensivregister, einem Kooperationsprojekt des RKI und der DIVI e. V.

[2]. [12, 13] . Dafür bedarf es einer entsprechenden Dateninfrastruktur, bei der Informationen der gemeldeten Neuinfektionsfälle aus der Bevölkerung mit individuellen Patientenverlaufsdaten sowie den Informationen der Behandlungskapazitäten der Krankenhäuser verknüpft sind.

Zusammenfassend lässt sich die Prognoseleistung wie folgt einordnen. Retrospektive Evaluationen zeigten, dass die kurzfristigen Prognosen (ca. 5-10 Tage) der COVID-19-Patient*innen in einer Intensivbehandlung relativ robust waren. Schwierig und herausfordernd sind sicherlich Wendepunkte, die zusätzlich noch regional unterschiedlich sind. Daher ist sowohl eine zeitnahe aktualisierte Modellierung und Schätzung als auch die Einbindung der Prognoseintervalle zur Einschätzung der Lage notwendig.

Schlussendlich sollte wie bei allen Prognosemodellen in der Infektionsepidemiologieauchhier das Prognoseparadoxonangesprochen werden: Wenn z. B. aufgrund der Prognosen überregionale Verlegungen oder politische Maßnahmen durchgeführt werden, kann die ursprüngliche Prognose nicht mehr wie vorhergesagt eintreten. Somit sollten die Annahmen, Stärken und Limitationen der zugrunde liegenden Prognosemodelle stets berücksichtigt werden, um die Vorhersagen differenziert bewerten zu können. 

Ärzteblatt DÄG Redaktion Deutsches (2021) COVID-19-Pandemie: Regionale Steuerung der Patienten

Datadriven prediction of COVID-19 cases in Germany for decision making

Profile likelihood-based analyses of infectious disease models

Shortterm forecasting of COVID-19 in Germany and Poland during the second wave-a preregistered study

An ensemble approach to short-term forecast of COVID-19 intensive care occupancyinItalianregions

Bundesweites Belastungsmodell für Intensivstationen durch COVID-19

COVID-19 in-hospital mortality and mode of death in a dynamic and non-restricted tertiary care model inGermany

Development and validation of a machine learning model predicting illness trajectory and hospital utilization of COVID-19 patients: a nationwide study