Update: Covid-19 Fallzahlen-Predictor-Tool für Kliniken

Während ich dies schreibe (Samstag, 21.3.2020, mittags) ist die Besucherzahl meines gestrigen Blogeintrags “Ein einfaches Predictor-Tool für Fallzahlen und Patientenzahlen für Krankenhäuser” schon auf über 1.200 angewachsen. Es gibt wohl großes Interesse an diesem Projekt.

Das bisherige Feedback – auch von Fachpersonal – bestätigt die Notwendigkeit, so ein Tool zu haben.

Hier kommt ein kurzes Update dazu:

Weitere Updates gibt es hier im Blog und auf Twitter

Wenn Sie über weitere Updates zu diesem Projekt informiert werden wollen, dann “subscriben” Sie bitte bei diesem Blog (rechts oben) oder folgen Sie mir bei Twitter @dpaessler.

Hackathon: Erstellen einer Online-Version des Tools

Aktuell sind 18 Softwareentwickler aus dem Umfeld der Paessler AG in ihrer Freizeit dabei, mein Tabellenkalkulations-Basiertes Vorhersage-Tool von gestern in Form einer frei verfügbare Website zur Verfügung zu stellen. Dies soll noch an diesem Wochenende online gehen, wenn alles klappt. Ich werde berichten.

Zur Daten-Qualität/Vorhersage-Qualität

Ich “postuliere”, dass wir in unseren Eingangsparametern im Moment noch so große Ungenauigkeiten haben, dass die dadurch entstehenden Fehler alleine schon viel größer sind als die Ungenauigkeiten des eigentlichen mathematischen Modells.

Da wir sehr viel Tempo machen müssen, macht es mehr Sinn, dass wir jetzt eher versuchen, die Eingangsparameter so gut wie möglich hinzubekommen, anstatt über das Modell zu sprechen (auch wenn das natürlich bald nötig sein wird).

Bis dahin ist es besser ein so einfaches mathematisches Modell zu verwenden, dass quasi jeder verstehen kann, damit er die Ergebnisse mit entsprechend viel Umsicht verwendet (anstatt sich darauf zu verlassen, dass die Vorhersagen ganz toll sind, weil ja das Modell so toll ist).

Mir ist klar, dass diese Ungenauigkeit für die Planer in den Gemeinden und Krankenhäusern schwer auszuhalten ist. Aber mein Tool kann zumindest helfen Worst-Case und Best-Case Abschätzungen zu machen und ist besser als keine Zahlen zu haben (und exponentielles Wachstum kann man sich als normaler Mensch in der Regel eh nicht vorstellen, das geht nur mit Mathe).

Die Eingangszahlen sind die Herausforderung

Beim Berechnen des Ausbruchs gibt es vier Schlüsselzahlen, zu denen wir die bestmöglichen Schätzungen brauchen, damit wir zumindest mal den Verlauf der Infektionskurve halbwegs brauchbar hinbekommen:

  • Wie schnell wächst die Anzahl der bestätigten Fälle pro Landkreis/Stadt: Das ist für viele Regionen noch schwer zu berechnen, die Zahlen sind noch “zu klein” und weisen ein hohes Maß an “Jitter” auf.
  • Wie gut ist die kumulierte Anzahl der bestätigten Fälle: (Als Meßgröße für die Durchseuchung) Sie ist auch für viele Landkreise noch so klein (<50 oder <100), dass diese Zahlen alleine schon deswegen mit Vorsicht zu geniessen sind
  • Wann wird es zu einem Abflachen des Wachstums der Neuinfektionen kommen? Oder, anders gefragt, wann werden wir eine Reaktion der Neuinfektionen auf die Aktivitäten wie Schulschließungen und Lockdown sehen? Im Moment rechnen wir mit 14 Tagen. In Italien sind wir erst am 24.3. bei diesen 14 Tagen, wir wollen also ab Dienstag ein Absinken der Neuinfektionen sehen (da ist bisher nichts zu sehen). Da liegen alle Augen auf Italien!
  • Wie schnell “bremst” die Anzahl der Neuinfektionen? In meinem Modell bremse ich bisher die Anzahl der Neuinfektionen um 20% bis auf null. Diese Zahl ist aber natürlich abhängig davon, wie gut die Maßnahmen zum Social-Distancing greifen und die Anzahl der Neuinfektionen drastisch runtergeht. Wenn uns das nicht gelingt, kann das auch noch viel länger dauern, mit dramatischen Auswirkungen auf die Kliniken.

Und dann haben wir noch die anderen Eingangszahlen, u.a. wie viel % der Infizierten kommt in die Klinik, bleibt stationär, intensiv, und wie lange. Wie man u.a. an der auffällig niedrigen Todeszahl im Vergleich zu Fallzahl in Deutschland sieht, sind diese Zahlen von anderen Ländern nur schwer auf uns zu übertragen. Da werden wir erst quasi on-the-fly bessere Zahlen bekommen und müssen von Schätzungen ausgehen.

Alle diese Unwägbarkeiten machen eine richtige Vorhersage richtig schwer – und mit dieser Unsicherheit müssen wir leben.

Jeder der zu diesem Thema mit Recherche oder Ideen helfen kann, darf sich gerne bei mir melden.

Zu den Details:

Beispiel: Zum “Bremsen” der Neuinfektionen

Hier sind die Daten aus China: Als das Bremsen eingesetzt hat, dauerte es ca. 3 Wochen, bis die Anzahl sehr klein wurde.

In meinem Modell sind wir bei 20% aber schon in 16 Tagen unten angekommen. Das ist also zu schnell.


Also müssen wir eher 15% verwenden.

Am Beispiel Fürth macht diese Veränderung in der Spitze der Intensivbetten einen Unterschied von 69 Betten (bei 20% Bremsung) zu 91 Betten (bei 15% Bremsung). Schlecht.

Und wenn der Lockdown in einer Region nicht stark genug ist, dann geht das noch viel länger.

Author: Dirk Paessler

Founder and Chairman, Paessler AG; Founder and Executive, Carbon Drawdown Initiative

Leave a Reply

Fill in your details below or click an icon to log in:

WordPress.com Logo

You are commenting using your WordPress.com account. Log Out /  Change )

Google photo

You are commenting using your Google account. Log Out /  Change )

Twitter picture

You are commenting using your Twitter account. Log Out /  Change )

Facebook photo

You are commenting using your Facebook account. Log Out /  Change )

Connecting to %s