gms | German Medical Science

Hintergrund: Während der COVID-19-Pandemie haben sich die Kapazitäten an Betten auf Normal- und Intensivstation, die den Krankenhäusern zur Verfügung stehen, hierbei als wichtiger Indikator zur Belastbarkeit des Gesundheitssystems herausgestellt. Nach Ende der Pandemie steht das Gesundheitssystem vor der Aufgabe, sich im Sinne einer „pandemic preparedness“ zu einem resilienten Gesundheitssystem weiter zu entwickeln.

Zielsetzung: Auf dem Weg zu einem resilienten Gesundheitswesen sollen modellbasierte Analysen und Vorhersagen den Ressourcenbedarf in Krankenhäusern abschätzen und damit die Versorgungssteuerung zuverlässig unterstützen. Ziel sind kurz- und langfristige Vorhersagen der Krankenhausbelastung auf mehreren Versorgungsebenen und deren Integration in Monitoring- und Surveillancesysteme in der Versorgung.

Methode: Im hier vorgestellten Projekt werden die Erfahrungen aus der Modellierung für den Bettenbedarf für Covid-19 in Zusammenarbeit mit Stakeholdern im Gesundheitsmanagement weiterentwickelt, um den Ressourcenbedarf für verschiedene Szenarien in der Versorgung vorhersagen zu können. Die vorgesehenen Erweiterungen für bestehende Modelle sind i) Vorhersage von Infektionserkrankungen wie z.B. Influenza und ii) Erweiterung der Modelle von Bettenvorhersagen auf Vorhersage des Pflegebedarfs. Diese Erweiterungen sollen in eine modular aufgebaute Systemarchitektur eingefügt werden, die es mit Hilfe der Datenvisualisierungplattform Superset ermöglicht, für die Entscheider:innen im Krankenhauswesen Live-Systeme für die Steuerung zur Verfügung zu stellen [1]. Im Rahmen der Pandemie sind Modellvorhersagen auf eigens hierfür ins Leben gerufenen Datensammlungen erfolgt [1], [2]. Im Sinne einer modernen Gesundsheitsversorgung wird ausspezifiziert, wie eine Anbindung der Modellvorhersagen an bestehende Datensysteme im Krankenhauswesen, z.B. über Datenintegrationszentren der Universitätskliniken, gelingen kann.

Ergebnisse: Wir stellen einen frei verfügbaren und erweiterbaren Modellieransatz vor, der, in ein Live-System integriert, Fachkräften im Gesundheitswesen und staatlichen Einrichtungen relevante und detaillierte Vorhersagen zur Krankenhausbelastung liefert und es so ermöglicht, das Aufkommen von Patient:innen im Sinne einer modernen Gesundheitsversorgung zu steuern. Die Modelltypen, die hier gebündelt werden, bestehen aus minimalistischen Modellansätzen, die in der Analyse und Kurzzeitvorhersagen von Zeitreihen Verwendung finden, z.B. autoregressive Modelle wie ARIMA bzw. Infektionsmodelle vom Typ SEIR, die sich automatisiert parametrisieren lassen.

Die Verankerung des Modellieransatzes wird in enger Zusammenarbeit mit der Universitätsmedizin Dresden, als Teil des bundesweit neu ins Leben gerufenen Modellierungsnetzwerks für schwere Infektionskrankheiten MONID (https://webszh.uk-halle.de/monid/ sowie mit Anbindung an das Prepared (PREparedness and PAndemic REsponse in Deutschland) -Projekt des Netzwerks Universitätsmedizin NUM (https://www.netzwerk-universitaetsmedizin.de/) durchgeführt.

Diskussion: Mathematische Modelle, die als Steuerung in der klinischen Praxis eingesetzt werden sollen, erfordern sowohl komplementäres Fachwissen als auch einen ebenbürtigen Dialog der Partner aus Wissenschaft und Praxis. Der erfolgreiche Einsatz von mathematischen Modellen zur Prognose der Bettenkapazitäten als Steuerungsmöglichkeit in der klinischen Praxis zeigt, dass modellbasierte Prognosen in Zukunft ein wesentlicher Bestandteil der sektorenübergreifenden Ressourcensteuerung werden.

Die Autoren geben an, dass kein Interessenkonflikt besteht.

Die Autoren geben an, dass kein Ethikvotum erforderlich ist.