1_043_C_Medizinische_Versorgung_ForecastFallzahlen

• GIF

  Visualisierung, blau: IST, gestrichelt: Modell

Inspiration

Limitierte Ressourcen (Intensivplätze, Atmungsgeräte, Pflegepersonal, …) und deren bedarfsgerechter Einsatz stellen eine große Herausforderung bei der Bewältigung der aktuellen und sich stetig weiter entwickelnden Situation dar. Vorschaudaten für Neuinfektionen auf lokaler Ebene können dabei für Krankenhäuser von großer Hilfe sein, um ihre Behandlungskapazitäten entsprechend zu planen und somit die Versorgung möglichst vieler Patienten zu gewährleisten.

Wir vermuten dabei einen Einfluss des Wetters (Temperatur, Sonnenstunden, Niederschlag) auf die Anzahl der sozialen Kontakte. Der Frühling und damit einhergehender Sonnenschein verführt Menschen dazu eher das Haus zu verlassen und sich damit weniger strikt an Social Distancing Regeln zu halten, was die Rate der Ausbreitung erhöhen könnte. Zudem gehen wir davon aus, dass die von Seiten der Landesregierungen eingeführten Maßnahmen zu einer Verringerung der Ausbreitungsrate führen. Aufgrund der Inkubationszeit gehen wir jeweils von einem zeitversetzten Einfluss aus.

What it does

Unter Berücksichtigung der folgenden Daten wird ein Modell zur Berechnung von Neuinfektionen je Landkreis entwickelt:

• Dem RKI gemeldeten Daten an Neuinfektionen auf Ebene Landkreis Q: https://npgeo-corona-npgeo-de.hub.arcgis.com/datasets/dd4580c810204019a7b8eb3e0b329dd6_0/
• Wetterdaten des DWD (Temperatur (Max, Min, Avg in °C), Sonnenstunden, Niederschlag in mm): Daten einer Messstation stellvertretend für ein Bundesland. Q: https://opendata.dwd.de/climate_environment/CDC/observations_germany/climate/daily/kl/recent/
• Angeordnete Maßnahmen der Landesregierungen gemäß IfSG (Bundesland, Startdatum, Erlass von Versammlungsbeschränkung für Personengruppen >1000, >100, >50, >10, >5, Schul- und Kindergartenschließung, Geschäftsschließung, quarantänisierung von Reiserückkehrern aus Risikogebieten, Lockdown) Q: Homepages der Landesregierungen
• Inkubationszeit von 1-14 Tagen Q: https://www.rki.de/DE/Content/InfAZ/N/Neuartiges_Coronavirus/Steckbrief.html

How I built it

• Sammlung und Zusammenführung der Datensätze
• Erstellen von Lag-Variablen (t-1 bis t-14) auf Wettervariablen
• Modellierung eines Forecast Modells angelehnt an finanzökonometrische Methoden, welche ein ARIMA(0,1,0) Modell um zusätzliche Variablen (oben genannt) erweitert, um die tägliche Wachstumsrate zu schätzen. Das endgültige Modell wurde anhand der Minimierung des Akaike-Informationskriteriums ermittelt.

Challenges I ran into

• Sammeln der Daten, insbesondere der Maßnahmen von den unterschiedlichen Seiten der Länder

Accomplishments that I'm proud of

• Verknüpfung verschiedener Datensätze
• Identifikation verschiedener relevanter Vorhersagevariablen
• Nach mehreren Jahren Programmiererfahrung haben wir es endlich geschafft Code auf GitHub hochzuladen
• Modell erzeugt glaubhafte Ergebnisse

Ergebnis und Interpretation

Mit dem Modell erzeugte Daten bilden die Istdaten realistisch ab. Besonders in den letzten Perioden liegen die erzeugten Werte oft über den vom RKI gemeldeten Daten, da Fälle oft nachgemeldet werden. Für die Maßnahmen war kein eindeutiger Effekt ermittelbar – es liegt die Vermutung nahe, dass diese noch nicht lange genug in Kraft sind. Höhere Temperaturen und Sonnenstundenanzahl in den vergangenen Tagen scheinen einen steigernden Effekt auf die Infektionsrate zu haben, was die Theorie der Erhöhung der sozialen Kontakte untermauert. Unser Modell ist hoch signifikant (p=0) und hat gegeben der Datenlage eine beachtliche Erklärungskraft. Da die funktionale Form auf lineare Funktionen beschränkt wurde, ist die Gefahr von Overfitting weniger präsent als mit anderen Schätzmethoden.

What's next for 1_043_C_Medizinische_Versorgung_Forecast_nach_Landkreis

• Anwendung des Modells zur Vorhersage zukünftiger Werte (mit Wetterforecasts und dem Wissen politischer Entscheidungsträger über zukünftige Maßnahmen)
• Erweiterung des Modells um „Alters-/Risikogruppe“ und „schwere der Infektion“ um den akuten Pflegebedarf zu ermitteln
• Maßnahmen auf Ebene Landkreise
• Automatisiertes laden tagesaktueller Datensätze
• Anbindung von Wetter Vorschaudaten
• Webseite mit aufbereiteten Vorschaudaten
• Echtzeitplanung für Krankenhäuser ermöglichen (z. B. Personal- und Bettenbedarf)
• Matching mit verfügbaren Ressourcen (Patienten auf verfügbare Intensivpflegeplätze verschiedener Krankenhäuser) durch Echtzeit Kommunikation über Plattformen oder Matching Algorithmen (Top-Trading-Cycle, Boston, Gale-Shapley …)

Bewertungskriterien

Gesellschaftlicher Mehrwert

• Verhinderung eines Systemkollapses und damit Retten von Menschenleben Innovationskraft (wie kreativ ist euer Projekt)
• Zusammenführung verschiedener Daten mit Einfluss auf die Anzahl an Neuinfektionen Skalierbarkeit (wie weit kann man es verbreiten)
• Deutschlandweit: Landkreise & Krankenhäuser
• Europa-/Weltweit
• Auch auf andere Epidemien anwendbar
• Fortschritt während des Hackathon Von Fragestellung bis zum Prototypen Anfang (IDEE) -> Mitte (KONZEPT) -> Ende (PROJEKT)
• Fragestellung
• Methode/Modell; Datensätze, Variablen
• Erstellen einer Prediction für ausgewählte Landkreise Verständlichkeit der Lösung Welche Herausförderung
• Maßnahmen sind noch zu neu und spiegeln sich nicht in den Daten wieder Welche Impakt für Menschen
• Zu erwartender Pflegebedarf erkennbar machen um eine Überlastung des Systems vorherzusehen bzw. zu verhindern Wie gut ist Alles kommuniziert und dokumentiert

Built With

• r