Verwendung hochauflösender räumlicher Daten in einem bestehenden agentenbasierten Modell Deutschlands und deren Auswirkung auf prognostizierte SARS-CoV-2 Infektionsdynamiken

• Antragsteller: Professor Dr.-Ing. Bernd Hellingrath; Professor Dr. André Karch
• Fachliche Zuordnung: Epidemiologie und Medizinische Biometrie/Statistik ; Datenmanagement, datenintensive Systeme, Informatik-Methoden in der Wirtschaftsinformatik
• Förderung: Förderung von 2021 bis 2023
• Projektkennung: Deutsche Forschungsgemeinschaft (DFG) - Projektnummer 492390948

• Erstellungsjahr: 2023

Zusammenfassung der Projektergebnisse

Dynamische Infektionsausbreitungsmodelle sind ein zentrales Werkzeug zur Unterstützung von Entscheidungsträgern bei epidemisch auftretenden Infektionskrankheiten. Sie synthetisieren die beste aktuell verfügbare Evidenz unter Zuhilfenahme eines mechanistischen Modells, um mögliche Handlungsstrategien in realistischen Szenarien gegeneinander zu vergleichen (sogenannten Szenarienmodellierung) oder Aussagen über die innerhalb einer definierten Zeitspanne zu erwartenden Neuinfektionen zu erhalten (sogenannte Forecast-Modellierung). Agentenbasierte Modellierungsansätze bieten dabei die Möglichkeit, das Infektionsgeschehen in hohem Detailgrad abzubilden, benötigen dafür aber eine ebenso detaillierte Datengrundlage. Aufgrund der damit verbundenen Herausforderungen wurden große agentenbasierte Modelle vor und in der COVID-19-Pandemie selten für Forecast-Modellierungen eingesetzt. In Space_impact nutzten wir ein für Szenarienmodellierungen entwickeltes globales agentenbasiertes Modell und erweiterten es um ein Interface, das eine Parametrisierung aller räumlich heterogenen Variablen auf Landkreisebene ermöglicht. Die entstandene Modellierungsplattform ermöglicht in Echtzeit tagesaktuelle Forecasts der erwarteten Fälle an Neuinfektionen, Hospitalisierungen und intensivpflichtigen Patient*innen über 7 bis 30 Tage auf Landkreisebene und erlaubt Entscheidungsträgern eine direkte Interaktion über ein neu entwickeltes Dashboard. Das entwickelte Modell wurde ausführlich extern validiert und zeigte regional eine hohe Vorhersagegüte. Die Einbeziehung regional stratifizierter Daten gestaltete sich dabei zunehmend schwierig, da z.B. Mobilitätsdaten im Verlauf der COVID-19-Pandemie nicht mehr in Echtzeit zur Verfügung standen. Wir entwickelten als Folge davon auf Basis außerhalb von Space_impact durchgeführter Kontaktstudien zur Erhebung des Kontakt- und Mobilitätsverhaltens ein spezifisches Modell zur Ableitung regionaler Kontaktverhaltens- und Mobilitätsstrukturen, das ein Herzstück der übergeordneten Modellierungsplattform darstellt. Während zahlreiche methodische Herausforderungen identifiziert werden konnten, die weitergehende Forschung benötigen, konnten theoretische Ergebnisse von Space_impact in den BMBF-Projekten OptimAgent und RespiNow direkt in die Anwendung überführt werden.

Projektbezogene Publikationen (Auswahl)

• Bridging the gap – estimation of 2022/2023 SARS-CoV-2 healthcare burden in Germany based on multidimensional data from a rapid epidemic panel. Cold Spring Harbor Laboratory.
  Harries, M.; Jaeger, V.K.; Rodiah, I.; Hassenstein, M.J.; Ortmann, J.; Dreier, M.; von Holt, I.; Brinkmann, M.; Dulovic, A.; Gornyk, D.; Hovardovska, O.; Kuczewski, C.; Kurosinki, MA; Schlotz, M.; Schneiderhan-Marra, N.; Strengert, M.; Krause, G.; Sester, M.; Klein, F. ... & Lange, B.
  
• Effect of risk status for severe COVID-19 on individual contact behaviour during the SARS-CoV-2 pandemic in 2020/2021—an analysis based on the German COVIMOD study. BMC Infectious Diseases, 23(1).
  Walde, Jasmin; Chaturvedi, Madhav; Berger, Tom; Bartz, Antonia; Killewald, Robin; Tomori, Damilola Victoria; Rübsamen, Nicole; Lange, Berit; Scholz, Stefan; Treskova, Marina; Bucksch, Karolin; Jarvis, Christopher I.; Mikolajczyk, Rafael; Karch, André & Jaeger, Veronika K.
  
• EpiPredict: Agent-Based Modeling of Infectious Diseases. KI -Künstliche Intelligenz, 38(3), 177-181.
  Suer, Janik; Ponge, Johannes & Hellingrath, Bernd
  
• Estimating fine age structure and time trends in human contact patterns from coarse contact data: The Bayesian rate consistency model. PLOS Computational Biology, 19(6), e1011191.
  Dan, Shozen; Chen, Yu; Chen, Yining; Monod, Melodie; Jaeger, Veronika K.; Bhatt, Samir; Karch, André & Ratmann, Oliver
  
• Social contact patterns during the COVID-19 pandemic in 21 European countries – evidence from a two-year study. BMC Infectious Diseases, 23(1).
  Wong, Kerry L. M.; Gimma, Amy; Coletti, Pietro; Paolotti, Daniela; Tizzani, Michele; Cattuto, Ciro; Schmidt, Andrea; Gredinger, Gerald; Stumpfl, Sophie; Baruch, Joaquin; Melillo, Tanya; Hudeckova, Henrieta; Zibolenova, Jana; Chladna, Zuzana; Rosinska, Magdalena; Niedzwiedzka-Stadnik, Marta; Fischer, Krista; Vorobjov, Sigrid ... & Jarvis, Christopher I.