Hintergrund
Medizinische Ressourcen sind knapp in Tagen der Covid-19 Epidemie. Diese Knappheit, gekoppelt mit der Unsicherheit über den weiteren Verlauf der Epidemie auf regionaler, nationaler und internationaler Ebene, macht die richtige Verteilung der Ressourcen zu einer großen Herausforderung. Zudem kann Unsicherheit dazu führen, dass Regionen und Staaten, die unter normalen Umständen miteinander kooperieren, Ressourcen nicht teilen, obwohl dies möglich wäre.
Es ist daher wichtig, dass wir den kurzfristigen Verlauf (mehrere Tage bis eine Woche) der Epidemie vorhersagen können, um somit taktisch Ressourcen an den richtigen Ort bringen zu können. Hierzu zählt zum Beispiel die Verteilung von Patienten, Ärzten, Schutzkleidung und Beatmungsmaschinen auf Krankenhäuser.
In diesem Projekt entwickeln wir den Prototypen eines Zeitreihenmodells, dass die Anzahl von Patienten auf Intensivstationen auf regionaler Ebene vorhersagt.
Was genau machen wir
Wir modellieren die Anzahl von Patienten, die an einem Tag neu wegen Covid-19 auf die Intensivstation eingewiesen werden. Wir fokussieren uns auf Patienten auf der Intensivstation, da dies (a) relativ frei von Testing Bias sein sollte (im Gegensatz zu Fallzahlen und Todeszahlen) und (b) die relevanteste Größe für die medizinische Ressourcen-Verteilung ist. Bei dem Modell handelt es sich um ein custom-built score-driven Zeitreihen-Modell, das wir entwickelt haben, um die Patientenzahlen in einer stark wachsenden Epidemie zu modellieren. Die Wachstumsrate des Modells passt sich stets den neusten Fallzahlen an. So können sowohl Ausbrüche als auch die Effekte von Shutdowns schnell erfasst und weiter extrapoliert werden. Wir schätzen die drei Modellparameter über Maximum Likelihood. Um das Modell flexibel zu halten und einfach zu schätzen, haben wir es in PyTorch implementiert. Da es zur Zeit für Deutschland keine Zahlen zu Intensivpatienten mit Covid-19 gibt, trainieren und testen wir das Modell bisher nur auf italienischen Daten (auf Regionenebene).
Nächste Schritte
Um das Modell realistisch nutzbar zu machen, muss noch einiges geschehen. Für das Modell sollten wir u.a. versuchen Interventionen (z.B. Lockdowns) und demographische Informationen zu integrieren. Ausserdem sollten wir die Vorhersageunsicherheit genauer bestimmen. Dringend benötigen wir Daten zu den Intensivpatienten mit Covid-19 in Deutschland. Auch Daten zu Intensivbettenkapazitäten, Interventionen und demographische Informationen auf regionaler Ebene wären hilfreich.
Log in or sign up for Devpost to join the conversation.