Intuitive Eingabe der Parameter
Nur drei Kennzahlen je Patientenkategorie sowie die gewünschte(n) Region(en) werden für ein aussagekräftiges Ergebnis benötigt. Der individuelle Vorhersagezeitraum lässt sich bequem mittels Schieberegler anpassen.
SOLAIRA als Teil der Lösung
Mit COVID-19 gilt es eine globale Herausforderung zu meistern. Wir haben mit SOLAIRA ein cloudbasiertes dynamisches Personal- und Ressourcenmodell entwickelt, das den laufenden Personal-, Infrastruktur- und Materialbedarf für COVID-19 Patient*innen vorhersagen kann.
Webbasiertes, dynamisches Personal- und Ressourcenmodell für COVID-19
Das ist SOLAIRA
SOLAIRA liefert eine Vorhersage der zu erwartenden COVID-19 Fälle in einer Region für die nächsten Tage - auf Krankenhaus-, Träger- oder Bundesland-Ebene. Zur besseren Steuerung der Versorgung.
Wie es funktioniert
Auf Basis der vorliegenden Daten des Vortages für jedes Land wird das zu erwartende COVID-19 Patient*innen-Aufkommen berechnet. Eine Unterscheidung erfolgt nach den COVID-19 Fällen, unterteilt in Verdachtsfälle, bestätigte Fälle auf der Normalstation sowie kritische, intensivpflichtige Fälle auf der Intensivstation. Für diese Patientenkohorten bildet SOLAIRA den geschätzten Aufwand für die Berufsgruppe der Ärzte und Pflege ab. Der Aufwand setzt sich zusammen aus Tätigkeiten im Zusammenhang mit der Aufnahme, der Entlassung oder Verlegung, direkt patientenbezogene Pflege- und Arzttätigkeiten sowie zusätzliche Aufwände aufgrund von COVID-19 (Hygiene, Isolierung, ..).
Einige Features, die SOLAIRA mit sich bringt
SOLAIRA bietet interaktive, frei wählbare Eingabefelder in Bezug auf COVID-19 Patient*innen. Darunter fallen die Eingabe von Verdachtsfällen im Krankenhaus, stationäre COVID-19 Patient*innen auf der Normalstation mit mittelschwerem oder schwerem Verlauf und stationäre COVID-19 Patient*innen auf der Intensivstation mit kritischem Verlauf.
SOLAIRA liefert eine Prognose der stationären Aufnahmen aufgrund COVID-19 für die nächsten Tage in den einzelnen Patient*innen-Kategorien.
Es wird das kumulierte COVID-19 Patient*innen-Aufkommen prognostiziert. Das heißt die prognostizierten Neuaufnahmen plus den bereits aufgenommenen Patient*innen abzüglich der Entlassungen.
SOLAIRA prognostiziert den gesamten Personalbedarf (Ärzte und Pflege) für die nächsten Tage im Zusammenhang mit COVID-19 Patient*innen (inklusive Schwankungsbreite).
SOLAIRA bietet laufendes, individualisierbares Personal- und Ressourcenmonitoring (Bettenstand belegt, Personal verfügbar, Beatmungsplätze verfügbar, uvm.)
Integration von Regionen auf NUTS-3 Ebene und Berücksichtigung regionaler Unterschiede im Berechnungsmodell.
Übersichtliche Darstellung der Ergebnisse
Basierend auf den Eingaben werden die Prognoseergebnisse dargestellt – Basis dabei bildet die Vorhersage der täglichen Neuaufnahmen sowie der kumulierten Patientenzahlen. Darauf aufbauend erfolgt die Prognose des Personalbedarfs sowie des zusätzlichen Bedarfs an Material und Infrastruktur aufgrund von COVID-19.
Aufwände und Monitoring in einem Tool vereint
Das prognistizierte Patientenaufkommen lässt sich mit individuellen relativen und absoluten Kapazitätsgrenzen erweitern, für ein optimiertes Personal- und Bettenmanagement. Selbstverständlich unterschieden nach Normal- und Intensivsation.
Interesse geweckt?
Begleitforschung SOLAIRA
(Projektende Juni 2021)
Mit diesem Projekt wollen wir einen Beitrag zur Kontrolle und Prävention von Infektionen im Rahmen der COVID-19-Pandemie durch Entwicklung eines datenbasierten hierarchischen Bayes‘schen Inferenzmodells leisten. Damit soll eine Modellierung regional und demographisch variierender COVID-19-Infektionen aufgrund von unterschiedlich getroffenen politischen Maßnahmen ermöglicht werden. Dadurch kann sowohl Entscheidungsträgern im Gesundheitsbereich bzgl. einer adäquaten Ressourcenallokation als auch politisch Verantwortlichen bzgl. der Wirksamkeit getroffener Maßnahmen ein verbessertes Entscheidungs- und Planungsinstrument zur Verfügung gestellt werden.
In der Anfangsphase einer epidemischen Krankheitswelle zeigen epidemiologische Modelle in der Regel eine sehr starke Sensibilität gegenüber einer vergleichsweise kleinen Zahl von Datenpunkten. Dies liegt allerdings weniger an fehlerhaften Modellen, sondern vielmehr an der Dynamik von Infektionskrankheiten. Oftmals werden komplexe Modelle verwendet, die dennoch unter substanziellen Unsicherheiten leiden. Selbst die am weitesten fortgeschritten Modelle sind aktuell nicht vollständig in der Lage, die komplexen Details der Dynamik von Infektionswellen vorherzusagen. Angesichts des dringenden Bedarfs nach zugänglichen, auf einer fundierten mathematische Grundlage basierenden, zuverlässigeren Prognosen in früheren Stadien einer Epidemie, verfolgen wir einen alternativen Ansatz.
Unser Ziel ist es, ein möglichst einfaches Modell zu verwenden, das dennoch in der Lage ist, die generischen Merkmale einer gegebenen epidemischen Krankheitswelle zu beschreiben. Dies ermöglicht es, im Rahmen eines Bayes’schen Inferenzmodels, eine quantitative Abschätzung mit Unsicherheiten eines gegenwärtigen makroskopischen Zustands eines Infektionsausbruches auf der Basis jüngster Fallzahlen, zu generieren. Um die spezifischen Auswirkungen von Gegenmaßnahmen und regionale demographische Unterschiede zu berücksichtigen, planen wir das Bayes’sche Interferenzmodel in einem datenbasiertem Rahmen vergangener Beobachtungen von Infektionsverläufen, um hierarchische Strukturen zu erweitern um eine bestmögliche Übertragbarkeit von verfügbaren Informationen auf gegenwärtige Situationen zu ermöglichen.
Im gegebenen epidemiologischen Kontext stellt diese eine offene Forschungsfrage dar, auch wenn ähnliche Strategien in anderen Bereichen komplexer dynamischer Systeme verfolgt wurden, jedoch unter besser kontrollierten experimentellen Bedingungen. Unter der Voraussetzung einer erfolgreichen Durchführung dieses Forschungsunternehmens im Kontext von COVID-19, sehen wir darüber hinaus ein enormes Potenzial, ähnliche Ereignisse, wie jährlich wiederkommende Grippewellen oder immer häufigeres Auftreten von Hitzewellen, besser zu bewältigen. Zusätzlich werden weitere, wichtige Umweltfaktoren wie unterschiedliche regionale oder saisonale Klimabedingungen aufgrund, sowie demographische Unterschiede Berücksichtigung finden.
Forschungspartner
