COVID-19 SZENARIEN FÜR DIE STADT WOLFSBURG - MODELLIERUNG SZENARIOBASIERTER COVID-19 EPIDEMIEVERLÄUFE UNTER BERÜCKSICHTIGUNG DER LOKALEN ...
←
→
Transkription von Seiteninhalten
Wenn Ihr Browser die Seite nicht korrekt rendert, bitte, lesen Sie den Inhalt der Seite unten
COVID-19 SZENARIEN FÜR DIE STADT WOLFSBURG MODELLIERUNG SZENARIOBASIERTER COVID-19 EPIDEMIEVERLÄUFE UNTER BERÜCKSICHTIGUNG DER LOKALEN DEMOGRAPHISCHEN STRUKTUR Bild: Kunstmuseum Wolfsburg (Foto: Marek Kruszewski)
AGENDA 1. Einführung und Aufgabenstellung 2. Methodik ▪ Herangehensweise ▪ S-E-I-R Modelle ▪ Eingangsdaten ▪ Regionale Anpassung ▪ Kalibrierung ▪ Szenarien 3. Ergebnisse 4. Fazit
EINFÜHRUNG UND AUFGABENSTELLUNG 1. Anfrage Klinikum Wolfsburg 2. Prüfung der Möglichkeit von regionalen Vorausrechnungen (http://covidsim.eu/) 3. Anforderungen formuliert 4. Tools recherchiert 5. Herangehensweise festgelegt
WARUM VERLÄUFE MODELLIEREN? Auch wenn im Frühjahr 2020 viele Eigenschaften von SARS-CoV-2 noch unbekannt waren, gibt es epidemiologische Modellrechnungen schon seit 100 Jahren. Regionale Modellrechnung unterstützen den Krisenstab mit Informationen zum Einfluss unterschiedlich effizienter Maßnahmen auf den weiteren Epidemieverlauf. Dabei geben die Modellszenarien nicht nur Auskunft über die Ausbreitung von COVID-19, sondern liefern auch Hinweise zur Auslastung des lokalen Gesundheitssystem im zeitlichen Verlauf.
2 Methodik
METHODIK Herangehensweise 1. Ziele festlegen 2. Überblick über geeignete Methodik verschaffen 3. Überblick benötigte Daten und Informationen ▪ Altersstruktur ▪ Krankenhauskapazität ▪ Aktuelles Expertenwissen zu epid. Parametern 4. Kalibrierung unserer Modelle 5. Szenarien formulieren und rechnen 6. Ergebnisse für Krisenstab aufbereiten
METHODIK S-E-I-R Modelle ▪ https://covid19-scenarios.org/ S (susceptible) E (exposed) ▪ Makroskopisches Modell H (hospitalized) I (Infectious) ▪ Mathematische Grundlage: Differentialgleichungen C (critically ill) R (recovered) ▪ Altersspezifische Wahrscheinlichkeiten, welcher D (dead) Verlauf eintritt
METHODIK Beispiel: Altersgruppenspezifischer Krankheitsverlauf Die Abbildung zeigt den angenommenen Anteil der Infektionen, die jeweils das nächst schwerere Stadium der Erkrankung und Behandlung durchlaufen. Dies wird im Modell für jede Altersgruppe differenziert hinterlegt. Angenommene Parameter im Modell für die durchschnittliche Dauer der Erkrankungsphasen und die Übergangswahrscheinlichkeiten in Prozent (eigene Abbildung nach RKI, 2020).
METHODIK Eingangsdaten ▪ Demographie ▪ Gesundheitswesen ▪ Altersstruktur ▪ Anzahl Krankenhausbetten ▪ Bevölkerungszahl ▪ Intensivkapazitäten ▪ Epidemiologie ▪ Nicht-pharmazeutische Maßnahmen ▪ Reproduktionsfaktor R0 ▪ Dauer ▪ Infektiöse Periode ▪ Effizienz ▪ Vulnerabilität nach Alter etc.
METHODIK Covid19 – Szenario Tool (1 / 2)
METHODIK Covid19 – Szenario Tool (2 / 2)
METHODIK Regionale Anpassung ▪ Berücksichtigung der Einzugsbereiche der Krankenhäuser der Region ▪ Gewichtung der Altersstruktur in Abhängigkeit der Krankenhausdichte im Umland
KALIBRIERUNG ▪ Statistisches n auf regionaler Ebene zu klein ▪ Lokale statistischer Ausreißer durch Ausbruch in Pflegeeinrichtung ▪ Kalibrierung mit Daten vom Land Niedersachsen ▪ PCR-Testungen mit hoher Dunkelziffer ▪ Statistisch verlässlicheres Merkmal: Anzahl Sterbefälle
SZENARIEN Szenario A Vorherige Maßnahmen zur Kontaktsperre, Kita- und Schulschließungen etc. werden berücksichtigt. Ab 11. Mai keine Maßnahmen mehr bis auf persönliche Hygiene („worst case“). Szenario B Maßnahmen vom 23. März (Kontaktverbot, etc.) werden bis Modellende (18.06.2020) fortgeführt. Status Quo Szenario, zum Vergleich mit Szenario C. Szenario C Schrittweise Öffnungen sind mitberücksichtigt bis Modellende. „Realistisches Szenario“, um die Auswirkungen von Öffnungen epidemiologisch, modellhaft und rein theoretisch abzubilden.
3 Ergebnisse
ERGEBNISSE Epidemiologische Verläufe Szenario A – „worst case“ Szenario B – „status quo“ Szenario C – „realitätsnah“ ▪ Schnelle Rückkehr in ▪ Lineares Wachstum ▪ Eventuell Rückkehr in exponentielles Wachstum exponentielles Wachstum
ERGEBNISSE Krankenhauskapazitäten Szenario A – „worst case“ Szenario B – „status quo“ Szenario C – „realitätsnah“ ▪ Überbelastung des ▪ Keine Überbelastung des ▪ Im Modellzeitraum keine Gesundheitssystem Gesundheitssystems Überbelastung schon im Modellzeitraum ▪ Aber: exponentielles Wachstum am Ende des Prognosezeitraums besorgniserregend
ERGEBNISSE Schwere Verläufe – kumuliert nach Altersgruppen ▪ Nicht-pharmazeutische Maßnahmen unabdingbar ▪ Unterschiede zwischen Szenario B und C eher klein ▪ Aber: exponentielles Wachstum bei zu viel Lockerung ▪ Siehe zweite Welle im Herbst 2020
ERGEBNISSE Kritische Verläufe und Sterbefälle – kumuliert nach Altersgruppen
4 Fazit
FAZIT Grenzen des Modells ▪ Lokale Ausbrüche, bspw. in Sammelunterkünften oder Pflegeeinrichtungen nicht modellierbar ▪ Kalibrierung mit kleinen Fallzahlen nicht möglich ▪ Wichtige Kennwerte des Gesundheitssystems können nicht integriert werden: z.B. Pflegepersonal
FAZIT ▪ Epidemiologische Vorausrechnungen auch auf regionaler Ebene möglich ▪ Demographie als entscheidender Proxy für wahrscheinliche Krankheitsverläufe ▪ „worst-case“ Szenario zeigt den allgemeinen Handlungsbedarf auf ▪ Szenario B und C zeigen deutlich auf, wie schmal der Grad zwischen linearem und exponentiellen Wachstum ist ▪ Informativ in Bezug auf Belastung der städtischen Infrastruktur – vor allem im Gesundheitswesen ▪ Genauer Blick auf das Infektionsgeschehen unabdingbar: ▪ Regelmäßiges Monitoring wichtiger Kennwerte (siehe Vortrag Dr. Gerhard Bender) ▪ Aufbau automatisiertes Monitoring für die Stadt Wolfsburg ▪ Bisher 91 Monitoring Berichte für den Krisenstab
WERBUNG UND DANKSAGUNG: STADTFORSCHUNG UND STATISTIK (AUSGABE 01-2021)
VIELEN DANK FÜR IHRE AUFMERKSAMKEIT! BLEIBEN SIE GESUND!
Sie können auch lesen