key: cord-0958506-0qdqynbl
authors: Römmele, C.; Neidel, T.; Heins, J.; Heider, S.; Otten, V.; Ebigbo, A.; Weber, T.; Müller, M.; Spring, O.; Braun, G.; Wittmann, M.; Schoenfelder, J.; Heller, A. R.; Messmann, H.; Brunner, J. O.
title: Bettenkapazitätssteuerung in Zeiten der COVID-19-Pandemie: Eine simulationsbasierte Prognose der Normal- und Intensivstationsbetten anhand der deskriptiven Daten des Universitätsklinikums Augsburg
date: 2020-08-21
journal: Anaesthesist
DOI: 10.1007/s00101-020-00830-6
sha: 545c898111c5d945ccea274e46445b1bed92ac4d
doc_id: 958506
cord_uid: 0qdqynbl

BACKGROUND: Following the regional outbreak in China, severe acute respiratory syndrome coronavirus 2 (SARS-CoV-2) has spread all over the world, presenting the healthcare systems with huge challenges worldwide. In Germany the coronavirus diseases 2019 (COVID-19) pandemic has resulted in a slowly growing demand for health care with a sudden occurrence of regional hotspots. This leads to an unpredictable situation for many hospitals, leaving the question of how many bed resources are needed to cope with the surge of COVID-19 patients. OBJECTIVE: In this study we created a simulation-based prognostic tool that provides the management of the University Hospital of Augsburg and the civil protection services with the necessary information to plan and guide the disaster response to the ongoing pandemic. Especially the number of beds needed on isolation wards and intensive care units (ICU) are the biggest concerns. The focus should lie not only on the confirmed cases as the patients with suspected COVID-19 are in need of the same resources. MATERIAL AND METHODS: For the input we used the latest information provided by governmental institutions about the spreading of the disease, with a special focus on the growth rate of the cumulative number of cases. Due to the dynamics of the current situation, these data can be highly variable. To minimize the influence of this variance, we designed distribution functions for the parameters growth rate, length of stay in hospital and the proportion of infected people who need to be hospitalized in our area of responsibility. Using this input, we started a Monte Carlo simulation with 10,000 runs to predict the range of the number of hospital beds needed within the coming days and compared it with the available resources. RESULTS: Since 2 February 2020 a total of 306 patients were treated with suspected or confirmed COVID-19 at this university hospital. Of these 84 needed treatment on the ICU. With the help of several simulation-based forecasts, the required ICU and normal bed capacity at Augsburg University Hospital and the Augsburg ambulance service in the period from 28 March 2020 to 8 June 2020 could be predicted with a high degree of reliability. Simulations that were run before the impact of the restrictions in daily life showed that we would have run out of ICU bed capacity within approximately 1 month. CONCLUSION: Our simulation-based prognosis of the health care capacities needed helps the management of the hospital and the civil protection service to make reasonable decisions and adapt the disaster response to the realistic needs. At the same time the forecasts create the possibility to plan the strategic response days and weeks in advance. The tool presented in this study is, as far as we know, the only one accounting not only for confirmed COVID-19 cases but also for suspected COVID-19 patients. Additionally, the few input parameters used are easy to access and can be easily adapted to other healthcare systems.

Aus dem initial lokalen Ausbruch der "coronavirus disease 2019" (COVID-19) entwickelte sich eine Pandemie mit über 2 Millionen Erkrankten weltweit (Stand 16.04.2020) [5] . In Deutschland existiert eine sehr heterogene Lage mit Regionen ohne größere Auswirkungen und lokalen Hotspots, in denen die Krankenhauskapazitäten an ihre Belastungsgrenzen stoßen. Für die Kliniken und den Katastrophenschutz sind Abschätzungen zur Lageentwicklung essenziell, um durch Steigerungen der Kapazitäten die Patientenversorgung zu gewährleisten. Gleichzeitig muss eine Verschwendung von Ressourcen verhindert werden.

Die klinische Bandbreite von COVID-19 kann von einem asymptomatischen Verlauf bis zu einem Lungenversagen ("acute respiratory distress syndrome", ARDS) durch die virale Pneumonie mit Beatmungspflichtigkeit oder gar Exitus letalis reichen [15] . Die Übertragung erfolgt überwiegend über eine Tröpfchen-infektion [14] . Durch die bestehende Infektiosität noch vor dem Ausbilden von Symptomen konnte sich das Virus erfolgreich rasch verbreiten und zu einer Pandemie führen [11] . Hierdurch kam es in mehreren Regionen der Welt zu dramatischen Situationen und letztlich einem Kollaps des Gesundheitssystems vor Ort. Dieser hatte zur Folge, dass nicht jedem Patienten die eigentlich notwendige medizinische Behandlung aus Kapazitätsgründen zuteilwerden konnte. Auch dies trägt zu der regional teilweisen hohen Mortalität der COVID-19-Erkrankung bei. In Vorbereitung der Pandemie wurde in Deutschland frühzeitig begonnen, das Gesundheitswesen auf die mögliche Belastung vorzubereiten. Die Krankenhäuser müssen hierbei insbesondere ihre Normalstationsbetten mit Isolationsmöglichkeit und die Kapazitäten ihrer Intensivstationen mit Beatmungsmöglichkeit steigern. Ein Fallstrick der Krankenhäuser liegt jedoch in der Abschätzung der kurzfristigen Kapazitätsbelastung durch Patienten mit CO-VID-19, da hierdurch enorme finanzielle und personelle Kapazitäten gebunden werden. Hier müssen aufgrund des lokalen Krankheitsgeschehens regional große Zahlenunterschiede berücksichtigt werden. Weiterhin 

Prognose · SARS-CoV-2 · Simulationsmodell · Monte-Carlo-Simulation · Krankenhauskapazität

Background. Following the regional outbreak in China, severe acute respiratory syndrome coronavirus 2 (SARS-CoV-2) has spread all over the world, presenting the healthcare systems with huge challenges worldwide. In Germany the coronavirus diseases 2019 (COVID-19) pandemic has resulted in a slowly growing demand for health care with a sudden occurrence of regional hotspots. This leads to an unpredictable situation for many hospitals, leaving the question of how many bed resources are needed to cope with the surge of COVID-19 patients.

Objective. In this study we created a simulation-based prognostic tool that provides the management of the University Hospital of Augsburg and the civil protection services with the necessary information to plan and guide the disaster response to the ongoing pandemic. Especially the number of beds needed on isolation wards and intensive care units (ICU) are the biggest concerns. The focus should lie not only on the confirmed cases as the patients with suspected COVID-19 are in need of the same resources.

For the input we used the latest information provided by governmental institutions about the spreading of the disease, with a special focus on the growth rate of the cumulative number of cases. Due to the dynamics of the current situation, these data can be highly variable.

To minimize the influence of this variance, we designed distribution functions for the parameters growth rate, length of stay in hospital and the proportion of infected people who need to be hospitalized in our area of responsibility. Using this input, we started a Monte Carlo simulation with 10,000 runs to predict the range of the number of hospital beds needed within the coming days and compared it with the available resources.

Results. Since 2 February 2020 a total of 306 patients were treated with suspected or confirmed COVID-19 at this university hospital.

Of these 84 needed treatment on the ICU. With the help of several simulation-based forecasts, the required ICU and normal bed capacity at Augsburg University Hospital and the Augsburg ambulance service in the period from 28 March 2020 to 8 June 2020 could be predicted with a high degree of reliability.

Simulations that were run before the impact of the restrictions in daily life showed that we would have run out of ICU bed capacity within approximately 1 month. Conclusion. Our simulation-based prognosis of the health care capacities needed helps the management of the hospital and the civil protection service to make reasonable decisions and adapt the disaster response to the realistic needs. At the same time the forecasts create the possibility to plan the strategic response days and weeks in advance.

The tool presented in this study is, as far as we know, the only one accounting not only for confirmed COVID-19 cases but also for suspected COVID-19 patients. Additionally, the few input parameters used are easy to access and can be easily adapted to other healthcare systems. 

Nach Durchführung der Simulation können die definierten Performance-Kennzahlen genauer betrachtet werden. Eine dieser Kennzahlen ist die Verteilung der Bettenbelegung auf einer Station an einem Tag. Beispielhaft hierfür wird die Wahrscheinlichkeitsverteilung der Prognose für den 12.04.2020 auf der Intensivstation näher erläutert (. Abb. 1). Die Simulation selbst wurde am 03.04.2020 durchgeführt.

Die Abbildung zeigt die Verteilung der benötigten Betten auf Basis von 10.000 Realisationen. Auf der primären vertikalen Achse, sowie dem Histogramm, kann die Eintrittswahrscheinlichkeit für eine bestimmte Anzahl benötigter Betten abgelesen werden. Auf der sekundären vertikalen Achse wird die Verteilungsfunktion (kumulierte Eintrittswahrscheinlichkeit) abgetragen. Diese wird durch die Linie in der Grafik abgebildet. So werden beispielhaft mit einer Wahrscheinlichkeit von 50 % mindestens 26,12 Intensivbetten für COVID-19-Patienten und Verdachtsfälle benötigt. Des Weiteren sind das 5 %-und 95 %-Quantil sowie der Erwartungswert ersichtlich. Für eine bessere grafische Darstellung über die kurzfristige Entwicklung der Bettenbelegung werden das 5 %-und 95 %-Quantil der Verteilungen von mehreren Tagen im Zeitablauf dargestellt (. Abb. 2) und mit der tatsächlich realisierten Belegung auf der Intensivstation im Betrachtungszeitraum verglichen. So wurde in der Prognose vom 03.04.2020 für den 12.04.2020 eine Belegung im Bereich von 20,97 bis zu 33,64 Betten zwischen dem 5 %-und 95 %-Quantil berechnet. Tatsächlich waren am 12.04.2020 22 Betten auf der Intensivstation (. Abb. 2a) belegt.

Das gleiche Vorhergehen wurde auch auf der Normalstation durchgeführt. Die Ergebnisse sind in . Abb. 2b dargestellt.

Neben den in . Abb. 2 gezeigten Prognosen wurden im Laufe der Pandemie weitere Prognosen mit einem 10-tägigen Horizont erstellt. Im Zeitraum vom 28.03.2020 bis zum 08.04.2020 wurden insgesamt 4 Prognosen mit einem 10-Tages-Horizont für die COVID-19-Intensivstation und vom 03.04.2020 bis zum 20.04.2020 zwei Prognosen für die COVID-19-Normalstation am Universitätsklinikum Augsburg erstellt. Die Prognosen haben im Mittel eine Unterschätzung von 0,3 (1,6 % relative Abweichung) Intensivbetten sowie nahezu keine Unterschätzung der Normalstationsbetten (0,1 % relative Abweichung) im Vergleich zur tatsächlich benötigten Kapazität aufzuweisen. Ebenso ist die Überschätzung der benötigten Betten sehr gering und beträgt bei der Intensivstation einer absoluten Abweichung von 0,1 Intensivbetten (0,3 % relativ) und keiner Abweichung bei den Normalstationsbetten. Die Unterschätzung spiegelt die mittlere absolute und relative Differenz zwischen den tatsächlich benötigten Betten sowie dem 95 %-Quantil einer Prognose am jeweils gleichen Tag wider; die Überschätzung die mittlere Differenz zwischen den tatsächlich benötigten Betten und dem 5 %-Quantil einer Prognose. Durch eine enge Zusammenarbeit mit dem Ärztlichen Leiter des Katastrophenschutzes wurde das Simulationsmodell Mitte April 2020 erweitert. Durch die Anpassung ist es möglich, die benötigte Intensiv-und Normalbettenkapazität im Rettungsdienstbereich Augsburg zu prognostizieren. Im Zeitraum vom 08.04.2020 bis 08.06.2020 wurden insgesamt 23 Prognosen für die benötigte Intensiv-als auch Normalbettenkapazität für den Rettungsdienstbereich Augsburg erstellt. Als Input-Parameter dieser Prognosen wurden viele der am Universitätsklinikum Augsburg erhobenen Daten verwendet. Auch hier konnten sehr gute Prognosewerte erzielt werden. Die Erweiterung für den Rettungsdienstbereich Augsburg zeigt ähnlich gute Ergebnisse. Die mittlere Unterschätzung der benötigten Intensivbettenkapazität beträgt 0,23 (5,5 % relative Abweichung) sowie 0,27 (3,4 % relative Abweichung) bei der Normalbettenkapazität. Die mittlere Überschätzung der benötigten Intensivbettenkapazität beträgt 0,09 (2,9 % relative Abweichung) sowie 0,79 Betten (9,4 % relative Abweichung) bei der Normalbettenkapazität.

Den realen Einsatz der Methode in der Führungsstelle des Universitätsklinikums Augsburg zeigt . Abb. 3. Abb. 3 

Verschiedene Autoren haben sich mit dieser Problematik befasst [6, 7, 9, 13] . 

Je exakter die Eingabeparameter der Simulation die Realität widerspiegeln, desto besser sind die Prognosen. Aufgrund der rasanten Entwicklung können verfügbare Daten nicht immer den Ansprüchen gerecht werden. Daher wurde das Modell für möglichst wenige Eingabeparameter konzipiert, die zudem vergleichbar leicht zu beschaffen sind, um robuste Resultate zu erhalten. Ausgenommen ist dabei die Entwicklung an kumulierten Neuinfektionen pro Tag, die den größten Einfluss auf die Simulationsergebnisse hat. Der Zeitpunkt, ab dem weitere (politische) Maßnahmen, wie z. B. die verhängte Kontaktsperre, greifen und sich auf die Bettennachfrage in Krankenhäuser tatsächlich auswirken, ist schwer vorherzusagen. Durch fortlaufende Anpassungen der Datengrundlage und neu durchgeführte Simulationen können die Vorhersagen aber weiter geschärft werden.

Risk factors associated with acute respiratory distress syndrome and death in patients with coronavirus disease 2019 pneumonia in Wuhan, China

The characteristics of 50 hospitalized COVID-19 patients with and without ARDS

Clinical course and risk factors for mortality of adult inpatients with COVID-19 in Wuhan, China. A retrospective cohort study

JohnsHopkinsCoronavirusResourceCenter(2020) COVID-19 map

Estimate of the development of the epidemic reproduction number Rt from Coronavirus SARS-CoV-2 case data and implications for political measures based on prognostics

Queueing theory model of intensive care bed needs during the COVID-19 pandemic

Equation of state calculations by fast computing machines

Covid-19.EineinfachesPredictor-Tool für Fallzahlen und Patientenzahlen für Krankenhäuser

Transmission of 2019-nCoV infection from an asymptomatic contact in Germany

CDC COVID-19 Response Team (2020) Severe outcomes among patients with coronavirus disease2019 (COVID-19)-UnitedStates

Estimated use ofintensivecarebedsduetoCOVID-19 inGermany over time

Aerosol and surface stability of SARS-CoV-2 as compared with SARS-CoV-1

Characteristics of and important lessons from the coronavirus disease 2019 (COVID-19) outbreak in China