Inspiration

Aufgrund der begrenzten Anzahl an Intensivbetten in Deutschland, wollten wir ein besseres Verständnis für die Entwicklung der Infiziertenzahlen und dem damit verbundenen Curve-Flatting zu schaffen. Um mehr Lokalität zu erreichen, betrachten wir die Situation in jedem Bundesland getrennt.

What it does

Mit Hilfe des SIR Modells schätzen wir die künftigen Entwicklungen der Infiziertenzahlen in Abhängigkeit eines Social Distancing Faktors. Damit können wir aufzeigen wann und in welchem Maß die Krankenhauskapazitäten, insbesondere der Intensivbehandlung, überschritten werden.

How we built it

Die Datenbearbeitung und Modellierung ist in R erfolgt. Das Tool wurde mit PowerBI erzeugt.

Challenges we ran into

Für die Modellierung waren Parameter für die Infektionsrate und die Genesungsrate des Coronavirus zu schätzen. Wir mussten uns nach geeigneten Daten der Infizierten auf Bundeslandebene und der Krankenhäuser umsehen.

Accomplishments that we're proud of

Wir konnten ein funktionales Modell aufstellen und mit Hilfe unseres Tool die Ergebnisse anschaulich visualisieren. Durch eine feine Untergliederung sind die Effekte nun nicht nur deutschlandweit, sondern regionaler für jedes Bundesland ersichtlich.

What we learned

Der Effekt des Social Distancing auf das Einhalten der Krankenhauskapazitäten wird in den Schätzungen deutlich. Nur mit drastischen Anstrengungen kann eine Überschreitung der Krankenhauskapazitäten verhindert werden. Allerdings dauert die Phase der Zeit in der das Virus aktiv ist auch recht lange.

What's next for 1_038_d_daten_CurveFlatteningPrediction

Ausstehend in unserem Projekt ist eine automatische Dateneinspeisung, sodass die Datenlage tagesaktuell einfach aktualisiert werden kann. Eine Ausdehnung auf Kreisebene scheiterte vor allem an den fehlenden Daten zu Intensivbetten der einzelnen Krankenhäuser.

Built With

  • powerbi
  • r
Share this project:

Updates