Inspiration

COVID-19 Dashboard des RKI link

What it does

Das Dashboard zeigt den zeitlichen Verlauf (Vergangenheit und Zukunft) der gleichzeitig Infizierten in Deutschland, filterbar nach Bundesland und Landkreis, in Abhängigkeit der Reduzierung der sozialen Kontakte. Es veranschaulicht wie diese Reduzierung der sozialen Kontakte die schnelle Verbreitung der Infektion verlangsamen kann und wie sich dies auf die zukünftige Überlastung der Krankenhäuser auswirkt. Diese Visualisierung kann der Bevölkerung helfen, den Ernst der Lage besser zu verstehen und appelliert an jeden einzelnen, seine sozialen Kontakte auf ein Minimum herunterzufahren, damit auch in Zukunft eine medizinische Versorgung gewährleistet werden kann.

How we built it

Als Datengrundlage wird eine frei verfügbare csv Tabelle des RKI verwendet (Stand: 19.03.2020), die die Anzahl der infizierten Personen pro Landkreis und Tag anzeigt. Basierend auf der Anzahl der täglichen Neu-Infizierten im gesamten Land, wird durch Ausprobieren eine exponentielle Wachstumsfunktion definiert. Diese wird verwendet, um die zukünftige Entwicklung der Neuinfektionen pro Landkreis vorherzusagen. Um die Anzahl der gleichzeitig infizierten Personen vorherzusagen, werden Annahmen aus verschiedenen Quellen herangezogen:

  • 70% der Bevölkerung kann sich infizieren link
  • 14 Tage Infektiosität ab Ansteckung link
  • 20% aller Infizierten brauchen ein Krankenbett link
  • 20% der Erkrankten, welche ein Krankenbett benötigen, brauchen eine Intensivversorgung link
  • 8,3 Krankenbetten pro 1.000 Einwohner link
  • 80% durchschnittliche Bettenbelastung vor COVID-19 link
  • 14 Tage durchschnittlicher Krankenhausaufenthalt im Falle einer stationären Behandlung link

Dieses Modell wird verwendet, um in Tableau ein Web-Dashboard anzuzeigen, welches - filterbar nach Bundesland und Landkreis - die Anzahl gleichzeitig Infizierter anzeigt. Es veranschaulicht wie eine Reduzierung der sozialen Kontakte die schnelle Verbreitung der Infektion verlangsamen kann und wie sich dies auf die zukünftige Überlastung der Krankenhäuser auswirkt.

Challenges we ran into

Es war schwer eine Datenbank in dieser Granularität zu finden. Die Berechnungen waren zu komplex, als dass sie mit unserem Wissensstand in der kurzen Zeit in einer Programmiersprache geschrieben werden konnten. Abspringen von Teammitgliedern.

Accomplishments that we're proud of

Erreichen des Ziels trotz kurzer Zeit und weniger Ressourcen. Das Gefühl einen Beitrag zu leisten.

What we learned

In kurzer Zeit ist mehr machbar als man denkt, auch wenn das sehr anstrengend sein kann. Ohne sehr drastische Einschränkungen der sozialen Kontakte ist eine Unterversorgung im medizinischen Bereich nicht abwendbar. Dadurch wird die Infektionswelle jedoch so stark in die Länge gezogen, dass ein Umdenken in der beruflichen Zusammenarbeit unumgänglich ist um diese Zeit zu überstehen.

What's next for 008_CoronaTracking_InfectionPrediction

Weiterentwicklung des Dashboards zu einem Frühwarnsystem für Behörden, Krankenhäuser etc.:

  • Verifizierung und Anpassung der getroffenen Annahmen durch Experten
  • Pipeline bauen, um die täglich aktualisierte Datengrundlage des RKI zu importieren (erster Schritt in GitHub File „data_importer.zip“)
  • Weiterentwicklung des primitiven Modells zu einem selbstlernenden Modell mithilfe der täglich aktualisierten Datengrundlage
  • Ersetzen der Durchschnittsanzahl Krankenbetten durch Echtdaten pro Landkreis

Built With

Share this project:
×

Updates