Bettenkapazitätssteuerung in Zeiten der COVID-19-Pandemie

Abstract

Zusammenfassung Hintergrund Die COVID-19-Pandemie zeichnet sich durch einen sich langsam aufbauenden Bedarf von Ressourcen des Gesundheitswesens mit lokalen Hotspots aus und erzeugt dadurch enorme Probleme. Für die Krankenhäuser liegt eine der größten Herausforderungen in der Vorhaltung von Bettenkapazitäten, insbesondere da der Bedarf schwer vorherzusehen ist. Fragestellung Um den Entscheidungsträgern eine Hilfestellung zu geben, wurden mehrere simulationsbasierte Prognosen für die benötigte Bettenkapazität am Universitätsklinikum Augsburg durchgeführt, um bei variablen Pandemieverläufen die benötigten Bettenkapazitäten abschätzen zu können. Methode Als Input dienen aktuelle Erkenntnisse über den Verlauf der Ausbreitung, insbesondere die Wachstumsrate an kumulierten Neuinfektionen pro Tag. Zur Abbildung von Unsicherheit werden mittels Verteilungsfunktionen, basierend auf Realdaten der Wachstumsrate, die Verweildauer sowie der Anteil der hospitalisierten COVID-19-Patienten im Einzugsgebiet modelliert. Im Anschluss erfolgt eine Monte-Carlo-Simulation, die eine Abschätzung der benötigten Bettenkapazitäten für mehrere Tage in der Zukunft erlaubt. Ergebnisse Mithilfe von mehreren simulationsbasierten Kapazitätsprognosen im Zeitraum vom 28.03.2020 bis zum 08.06.2020 konnte die benötigte Intensiv- und Normalbettenkapazität am Universitätsklinikum Augsburg sowie im Rettungsdienstbereich Augsburg mit einer hohen Zuverlässigkeit prognostiziert werden. Schlussfolgerung Mithilfe des entwickelten Simulationsmodells zur Abschätzung der benötigten Bettenkapazität kann den Kliniken und dem Katastrophenschutz eine Hilfestellung zur Abschätzung der kurzfristigen Entwicklung des Kapazitätsbedarfs für Verdachtsfälle sowie bestätigte COVID-19-Patienten gegeben werden. Der operative Einsatz der Methode am Universitätsklinikum Augsburg zeigte verlässliche Ergebnisse.

Die Pandemie bewältigen – Verlegungskonzept von COVID-19-Intensivpatienten und Non-COVID-19-Intensivpatienten in Baden-Württemberg

“…Schon frühzeitig nach Ausbruch der SARS CoV-2-Pandemie in Deutschland wurde auch versucht, anhand von Simulationsmodellen eine Vorhersage zur benötigten Bettenkapazität auf Intensivstationen zu treffen [ 26 – 28 ]. Bei der retrospektiven Betrachtung der Vorhersagen in der ersten Jahreshälfte 2020 zeigt sich allerdings, dass der prognostizierte Bedarf an Intensivbetten nur ungenau zu ermitteln war.…”

“…Dies war mitursächlich dem von der Politik ausgesprochene Lockdown geschuldet. Ein kürzlich von Römele et al [ 28 ] publiziertes Prognose-Tool wurde aus einer relativ geringen Fallzahl hergeleitet, und zudem lag die 7‑Tage-Indzidenz zum gewählten Erstellungszeitraum bei einer sehr niedrigen Inzidenz und ist somit relativ reliabel. Dass Prognosen unsicher sind, liegt zum einem am unklaren Verlauf der Pandemie, an lokalen Hotspots und am veränderten Verhalten von Bevölkerungsgruppen, zum anderen aber auch an rasch sich änderten Vorgaben aus der Politik und deren bundesweiten uneinheitlichen Umsetzung.…”

Eskalations‑/Deeskalationskonzept zur COVID-19-bedingten Freihaltung von Intensivkapazitäten an Kliniken

“…Schon frühzeitig nach Ausbruch der SARS-CoV-2-Pandemie in Deutschland wurde versucht, anhand von Simulationsmodellen eine Vorhersage zur benötigten Bettenkapazität auf Intensivstationen zu treffen [ 22 – 24 ]. Bei der retrospektiven Betrachtung der Vorhersagen zu April und Mai 2020 zeigt sich allerdings, dass der prognostizierte Bedarf an Intensivbetten nur relativ ungenau zu ermitteln war.…”

A Queuing Model for Ventilator Capacity Management during the COVID-19 Pandemic

“…Infinite server models have been used to predict the curve of COVID-19 ICU utilization, independent of available capacity. These models address required capacity based either on expected utilization [20, 17] or use simulation to capture stochasticity in resource utilization [9, 24, 25]. On the other hand, COVID-19 ICU loss models work within a finite resource capacity and are able to explore the relationship between capacity, utilization, and loss probability [30, 1].…”