Kartografische Darstellung regionaler Unterschiede der Infektionsraten beim Coronavirus (COVID-19): Ergebnisse einer bayesianischen Glättung über Landkreise Bayerns

Abstract

Zusammenfassung Ziel der Studie Seit Beginn der aktuellen COVID-19 Pandemie sind Übersichtskarten zur räumlichen Darstellung des Infektionsgeschehens von großem öffentlichen Interesse. Aus methodischer und risikokommunikativer Sicht sind diese Darstellungen nicht unproblematisch, da zufällige Schwankungen oder Extremwerte auftreten und tatsächliche regionale Verteilungsmuster überdeckt sein können. Ein potentieller Lösungsansatz, um diesen Herausforderungen zu begegnen, besteht in Glättungen durch Bayesianische Verfahren. Ziel dieser Arbeit ist es, anhand von räumlich geglätteten Übersichtskarten die Veränderungen der Inzidenzverhältnisse im zeitlichen Verlauf in den Landkreisen und kreisfreien Städten in Bayern zu untersuchen. Methodik Die Daten zu SARS-CoV-2 wurden vom Bayerischen Landesamt für Gesundheit und Lebensmittelsicherheit am 29.10.2021 und 17.02.2022 zur Verfügung gestellt. Die demographischen Daten pro Kreis sind dem Statistischen Bericht des Bayerischen Landesamtes für Statistik für das Jahr 2019 entnommen. Betrachtet wurden vier Altersgruppen pro Geschlecht (<18, 18–29, 30–64,>64 Jahre) aufgeteilt in 16 Zeiträume (28.01.2020 bis 31.12.2021). Die Karten basieren auf standardisierten Inzidenzraten, die räumlich durch Bayesianische hierarchische Modelle geglättet wurden. Ergebnisse Das Standardisierte Inzidenzverhältnis (SIR) variierte deutlich zwischen den Kreisen. Variationen traten für jeden Zeitraum auf, wobei sich über den zeitlichen Verlauf sich ändernde regionale Verteilungsmuster zeigten. Schlussfolgerung Geglättete Gesundheitskarten eignen sich, um Veränderungen der Inzidenzverhältnisse im zeitlichen Verlauf bei COVID-19 in Bayern darzustellen und bieten gegenüber traditionellen Karten den Vorteil, dass sie realitätsnähere Schätzungen liefern, da sie Nachbarschaftsbeziehungen als erklärenden Faktor einbeziehen. Der methodische Ansatz kann als erster Schritt gesehen werden, um wichtige Erklärungsansätze für die beobachtete Heterogenität zu identifizieren, und eine verbesserte Risikokommunikation zu unterstützen.