Background: Time-series forecasting models play a central role in guiding intensive care coronavirus disease 2019 (COVID-19) bed capacity in a pandemic. A key predictor of future intensive care unit (ICU) COVID-19 bed occupancy is the number of new severe acute respiratory syndrome coronavirus 2 (SARS-CoV-2) infections in the general population, which in turn is highly associated with week-to-week variability, reporting delays, regional differences, number of unknown cases, time-dependent infection rates, vaccinations, SARS-CoV‑2 virus variants, and nonpharmaceutical containment measures. Furthermore, current and also future COVID ICU occupancy is significantly influenced by ICU discharge and mortality rates.
Methods: Both the number of new SARS-CoV‑2 infections in the general population and intensive care COVID-19 bed occupancy rates are recorded in Germany. These data are statistically analyzed on a daily basis using epidemic SEIR (susceptible, exposed, infection, recovered) models using ordinary differential equations and multiple regression models.
Results: Forecast results of the immediate trend (20-day forecast) of ICU occupancy by COVID-19 patients are made available to decision makers at various levels throughout the country.
Conclusion: The forecasts are compared with the development of available ICU bed capacities in order to identify capacity limitations at an early stage and to enable short-term solutions to be made, such as supraregional transfers.
Zusammenfassung: HINTERGRUND: Zeitdynamische Prognosemodelle spielen eine zentrale Rolle zur Steuerung von intensivmedizinischen COVID-19-Kapazitäten im Pandemiegeschehen. Ein wichtiger Vorhersagewert (Prädiktor) für die zukünftige intensivmedizinische (ITS-)COVID-19-Bettenbelegungen ist die Anzahl der SARS-CoV-2-Neuinfektionen in der Bevölkerung, die wiederum stark von Schwankungen im Wochenverlauf, Meldeverzug, regionalen Unterschieden, Dunkelziffer, zeitabhängiger Ansteckungsrate, Impfungen, SARS-CoV-2-Virusvarianten sowie von nichtpharmazeutischen Eindämmungsmaßnahmen abhängt. Darüber hinaus wird die aktuelle und auch zukünftige COVID-ITS-Belegung maßgeblich von den intensivmedizinischen Entlassungs- und Sterberaten beeinflusst.
Methode: Sowohl die Anzahl der SARS-CoV-2-Neuinfektionen in der Bevölkerung als auch die intensivmedizinischen COVID-19-Bettenbelegungen werden bundesweit flächendeckend erfasst. Diese Daten werden tagesaktuell mit epidemischen SEIR-Modellen aus gewöhnlichen Differenzialgleichungen und multiplen Regressionsmodellen statistisch analysiert.
Ergebnisse: Die Prognoseergebnisse der unmittelbaren Entwicklung (20-Tage-Vorhersage) der ITS-Belegung durch COVID-19-Patienten*innen werden Entscheidungsträgern auf verschiedenen überregionalen Ebenen zur Verfügung gestellt.
Schlussfolgerung: Die Prognosen werden der Entwicklung von betreibbaren intensivmedizinischen Bettenkapazitäten gegenübergestellt, um frühzeitig Kapazitätsengpässe zu erkennen und kurzfristig reaktive Handlungssteuerungen, wie etwa überregionale Verlegungen, zu ermöglichen.
Keywords: Bed occupancy; Intensive care units; Pandemics; Resource allocation; Statistical models.
© 2022. The Author(s).