PROGNOSIS

Epidemiebedingter Ressourcenbedarf von Krankenhäusern –
Modellierung von Inzidenz, Bettenbelegung, Personalplanung und Versorgungsketten

Projektinhalte und Ziele

Die COVID-19-Pandemie hat gezeigt, dass die Kapazitäten des Gesundheitswesens selbst in hochentwickelten Ländern überlastet werden können, was nicht nur zu einer unzureichenden Versorgung von COVID-19-Patienten führt, sondern auch Auswirkungen auf die Effizienz des Gesundheitssystems insgesamt hat, wie z. B. reduzierte Präventions- und Screening-Programme und verzögerte Operationen. Im PROGNOSIS-Konsortium haben sich Partner aus fünf Institutionen mit komplementärem Fachwissen in den Bereichen Biostatistik, Bioinformatik, Epidemiologie, Gesundheitsforschung, Infektionskrankheiten und Ökonomie zusammengeschlossen, um dieses drängende Problem mit einem prinzipiellen und ganzheitlichen Ansatz anzugehen. Es werden datengestützte Kurzzeit- und mechanistische Langzeitprognosemodelle der Krankenhausbelastung auf verschiedenen Versorgungsebenen (Standard, Intensiv, Beatmung, extrakorporale Membranoxygenierung / ECMO) für drei wichtige Atemwegsinfektionen: COVID-19, Influenza und Pneumokokkenpneumonie entwickelt. Betrachtet werden außerdem verschiedene Episoden der Epidemie und verschiedene geographische Ebenen (Deutschland, Bundesländer, Kreise), um lokale Vorhersagen zu ermöglichen. Die Modelle werden mit Hilfe umfangreicher und ständig wachsender Datensätze aus der laufenden Zusammenarbeit mit mehreren deutschen Institutionen und Kompetenznetzwerken parametrisiert. Darauf basierend werden auch die Auswirkungen auf die Versorgungsketten und Personalressourcen der Krankenhäuser modelliert, um konkrete kurzfristige Gegenmaßnahmen zur Bewältigung der erwarteten Belastung der Krankenhäuser abzuleiten und die Wirksamkeit langfristiger Maßnahmen wie Impfprogramme und nicht-pharmazeutische Interventionen zu bewerten. Der Modellierungsansatz ist so aufgebaut, dass er auf andere pan- und epidemische Situationen übertragbar ist.

Projektaufbau

Das Projekt PROGNOSIS besteht aus drei Teilprojekten.

Teilprojekt 1 -

Kurz- und langfristige Prognosemodelle für die Krankenhausbelastung bei einer COVID-19-Pandemie (Projektpartner Aachen, Dresden, Leipzig):

In diesem Teilprojekt sollen datengetriebene kurzfristige Prognosemodelle und mechanistische langfristige Prognosemodelle mit einem Modell der Krankenhausbelegung auf verschiedenen Versorgungsebenen kombiniert werden. Hauptanwendungsbeispiel ist die COVID-19 Epidemie in Deutschland. Zudem soll untersucht werden, auf welchen Zeithorizonten datengetriebene bzw. mechanistische Modelle sich hinsichtlich Prognose überlegen zeigen.

Teilprojekt 2 -

Auswirkungen von Pandemien auf Krankenhauslieferketten und Humanressourcen (Projektpartner Augsburg, Münster):

Die Projektpartner Augsburg und Münster modellieren die durch Pandemiebedingungen verursachten Engpässe im Personalwesen bzw. mögliche Störungen in Lieferketten medizinischer Güter. Die Modelle werden mit den in den TP1 und 3 entwickelten Modellen verknüpft. Ziel ist die Vorhersage der krankenhausökonomischen Auswirkungen einer Pandemie auf kurz- und mittelfristiger Zeitskala.

Teilprojekt 3 -

Vorhersage- und Simulationsmodelle für den Bedarf an Krankenhausressourcen bei anderen Infektionen der Atemwege (Projektpartner alle):

Die in den TP 1 und 2 entwickelten Methoden werden auf weitere respiratorische Infektionserkrankungen ausgeweitet. Konkret sollen die Ansätze auf epidemiologische Modelle von Influenza und Pneumokokken-Pneumonie ausgeweitet werden. Zudem soll ein nachnutzbares Tool entwickelt werden, um die Ansätze schnell auf neue Pandemien übertragen zu können.

Projektverantwortliche und -partner

Prof. Dr. Markus Scholz

Koordinator
Teilprojekt 1,3

Universität Leipzig

Prof. Dr. Andreas Schuppert

Stellvertretender Koordinator
Teilprojekt 1,3

Rheinisch Westfälische Technische Hochschule Aachen

Dr. Veronika Bierbaum

Teilprojekt 1,3

TU Dresden

Dr. Jan Schoenfelder

Teilprojekt 2,3

Universität Augsburg

Prof. Dr. Bernd Hellingrath

Teilprojekt 2,3

WWU Münster