Vortragssitzung

COVID-19 (I)

Talks

Sozioökonomische Einflussfaktoren und Spillover-Effekte aktueller COVID-19 Fallzahlen in Deutschland: Eine räumlich-statistische Analyse der Interaktionen auf Kreisebene
Andree Ehlert, Hochschule Harz

Abstract

Die Studie untersucht den Einfluss sozioökonomischer Variablen auf aktuelle Fall- und Todeszahlen der COVID-19-Pandemie auf Kreisebene in Deutschland. Die sozialen und wirtschaftlichen Folgen der Lockdowns, die in vielen Ländern anfänglich und aktuell wieder vermehrt zur Eindämmung der Pandemie ergriffen wurden, sind ökonomisch schwerwiegend und ihre langfristige Entwicklung ist noch nicht absehbar. Dies unterstreicht die Relevanz empirischer Auswertungen der bisherigen Kontaktbeschränkungen und der Entwicklung zielgerichteter politischer Maßnahmen. Während in der klinischen und epidemiologischen Forschung derzeit personenspezifische Risikofaktoren in Bezug auf COVID-19 diskutiert werden, gibt es bisher nur wenige Ergebnisse zu der Frage, welche sozioökonomischen und regionsspezifischen Faktoren mit der Ausbreitung von COVID-19 zusammenhängen.

Method

Die Daten der 401 Landkreise werden mit Hilfe multivariater Modelle der räumlichen Statistik analysiert, um regionale Interaktionen und Spillover-Effekte sozioökonomischer Einflussfaktoren auf COVID-19 Fallzahlen abbilden zu können. Im Bereich der Gesundheitsindikatoren werden u.a. die Prävalenzen von Herzinsuffizienz und COPD, die Ärztedichte und Krankenhausbetten sowie Indikatoren der Lebenserwartung und Pflegebedürftigkeit einbezogen. Dabei werden im Sinne einer ökologischen Studie keine Individual- und keine klinischen Daten untersucht. Die importierten Cluster der ersten COVID-19 Fälle werden gesondert modelliert, da diese sich auf einzelne Großveranstaltungen (z.B. Sport, Karneval) beziehen.

Results

Fall- und Todeszahlen sind signifikant positiv mit den COVID-19 Fallzahlen zu Beginn der Pandemie, dem Durchschnittsalter, der Bevölkerungsdichte und der Anzahl der in der Altenpflege beschäftigten Personen verknüpft. Dagegen sind die Fall- und Todeszahlen signifikant negativ mit der Dichte der Schulkinder und der Betreuungsquote für Kleinkinder sowie der Ärztedichte assoziiert. Darüber hinaus konnten für einzelne Variablen signifikante Spillover-Effekte auf die Fallzahlen benachbarter Regionen identifiziert werden, die ein anderes Vorzeichen als die Gesamteffekte haben und damit konkrete Hinweise auf den Wirkmechanismus der COVID-19 Verbreitung geben.

Conclusion

Die Studie ergänzt das Wissen über die bislang zum COVID-19-Infektionsgeschehen diskutierten klinischen Risikofaktoren hinaus um eine sozio-ökonomische Perspektive. Die Ergebnisse können beispielsweise zur gezielten Ableitung politischer Maßnahmen und deren Evaluation beitragen, wie sie derzeit insbesondere für den Tourismus- und Bildungssektor diskutiert werden.


Authors
Andree Ehlert, Hochschule Harz
Covid-19 Risikofaktoren: Statistisches Lernen aus Routinedaten der AOK Bayern
Roland Jucknewitz, AOK Bayern – Die Gesundheitskasse

Abstract

Die Covid-19 Pandemie stellt weltweit eine besondere Herausforderung für die Gesundheitssysteme dar. Schwere Krankheitsverläufe zeigen sich insbesondere bei Menschen mit bestimmten Vorerkrankungen. Aus Routinedaten verschiedener Länder ermittelten u. a. [1], [2] und [3] das Risiko für schwere Covid-19-Verläufe, indem sie diese grob eingeteilten Gruppen a priori aufgriffen.

Method

Mit Methoden des statistischen Lernens sollen Einflussfaktoren für schwerwiegende Covid-19 Verläufe aus tausenden möglichen Variablen datenbasiert selektiert und quantifiziert werden. Mit Routinedaten der AOK Bayern führen wir eine logistische Lasso-Regression des Outcomes „Covid-19 Erkrankung mit schwerwiegendem stationärem Verlauf“ auf eine große Menge möglicher Einflussfaktoren wie Alter, Geschlecht, ambulanter oder stationärer Diagnosecodes (ICD), Arzneimittelwirkstoffe (ATC) und Prozeduren (OPS) durch. Neben Aggregaten dieser Codes werden auch endstellige Einzelcodes aufgenommen, um die Gruppen feiner zu differenzieren. So wird ein Risikoindex erstellt, den wir bei tiefergehenden Analysen als Regressor verwenden. Nach Veröffentlichung ist der Index für weitere Populationen leicht anwendbar, etwa in kleineren epidemiologischen Studien oder für individuelle Gefährdungsbeurteilungen.

Results

Mit der feingliedrigen Spezifikation der Risikofaktoren wird eine gute Prognosegüte schwerer Covid-19-Verläufe erzielt, der gruppenbasierten Ansatz von [3] wird statistisch verbessert. Als populationsbezogen bedeutendste Risikofaktoren unter den Begleiterkrankungen werden essentielle Hypertonie (I10.-), Diabetes Mellitus Typ 2 (ICD E11.-) und Herzinsuffizienz (I50.-) identifiziert; unter den Arzneimitteln insbesondere solche für das kardiovaskuläre System (ATC C-). Dabei bestehen auch innerhalb der Gruppen signifikante Unterschiede. Der Risikoanstieg im Alter sowie der Geschlechterunterschied stellt sich sehr viel moderater dar als bisher vermutet, wenn derart granular für weitere Risikofaktoren kontrolliert wird. Während diagnostizierte bösartige Neubildungen nicht zwangsläufig als Risikofaktor gelten müssen, erhöht eine antineoplastische Arzneimitteltherapie das Risiko signifikant.

Conclusion

Die vorliegende Arbeit bietet aufgrund ihrer Methodik und dem Detailgrad einen signifikanten Mehrwert im Vergleich zu bisherigen Ansätzen. Das verbesserte Verständnis der relevanten Risikofaktoren kann der Priorisierung von Schutzmaßnahmen wie Schnelltests und Impfungen dienen. Der vorgeschlagene Index könnte für die weiterführende Covid-19-Forschung von Interesse sein, um für relevante Komorbidität zu kontrollieren. [1] Deng, G. et al. Clinical determinants for fatality of 44,672 patients with COVID-19. Crit Care 24, 179 (2020). https://doi.org/10.1186/s13054-020-02902-w [2] Rentsch, C. T. et al. Covid-19 Testing, Hospital Admission, and Intensive Care Among 2,026,227 United States Veterans Aged 54-75 Years. medRxiv (2020). https://doi.org/10.1101/2020.04.09.20059964 [3] Williamson, E. J. et al. OpenSAFELY: factors associated with COVID-19 death in 17 million patients. Nature (2020). https://doi.org/10.1038/s41586-020-2521-4


Authors
Roland Jucknewitz, AOK Bayern
Anja Schramm, AOK Bayern
Oliver Weidinger, AOK Bayern
Grippeimpfung in Bayern - Effekte für COVID-19-Risikogruppen vorhanden
Lukas Schötz, AOK Bayern

Abstract

Für die Grippesaison 2020/2021 wird eine stark steigende Nachfrage nach Grippeimpfstoffen erwartet. Speziell Menschen, welche aufgrund einer Vorerkrankung ein hohes Risiko für eine schwerwiegende COVID-19-Erkrankung haben (Williamson et al., 2020), setzen Hoffnung in diese Präventivmaßnahme. In der vorliegenden Studie zeigen wir, dass gerade auch Versicherte verschiedener COVID-19-Risikogruppen in der Vergangenheit von einer Grippeschutzimpfung profitieren konnten.

Method

Grundlage der Studie sind anonymisierte Routinedaten der AOK Bayern für fünf Grippesaisonen (2014/2015 bis 2018/2019). Beachtet werden mehr als vier Millionen Versicherte der AOK Bayern. Es werden sowohl gesundheitliche (ICDs, etc.) als auch sozioökonomische (Alter, etc.) Merkmale der Versicherten betrachtet. Mit diesen Informationen definieren wir unterschiedliche COVID-19-Risikogruppen, wie z.B. „Diabetiker“. Für alle Versicherten wird zudem der Impfstatus je Saison ausgelesen. Mittels eines Lasso-Algorithmus wird der Einfluss der beobachtbaren Charakteristika eines Versicherten auf seinen Impfstatus geschätzt und ein Propensity Score errechnet. Daraufhin schätzt eine logistische Regression den Einfluss des Impfstatus auf verschiedene, möglichst spezifische Endpunkte. Der Propensity Score kontrolliert dabei für die beobachtbaren Charakteristika der Versicherten.

Results

Es wird klar, dass die Grippeimpfung für die betrachteten COVID-19-Risikogruppen in der Vergangenheit fast durchgehend die erwünschte Wirkung gezeigt hat. Für spezifische Endpunkte wie zum Beispiel „Krankenhausaufenthalt mit Grippediagnose und Beatmung“ sind über die Jahre hinweg signifikant positive Wirkungen zu beobachten. Und die Wahrscheinlichkeit für den Endpunkt „Krankenhausaufenthalt mit Grippediagnose und Lungenentzündung“ sank in der Grippesaison 2016/2017 für die Risikogruppe Diabetes um 25%. Wenn also von 100.000 nicht geimpften Erwachsenen Diabetikern 100 den Endpunkt erreichen, erleiden dieses Schicksal nur 75 der Erwachsenen mit Impfung.

Conclusion

Die vorliegende Analyse zeigt, dass die Grippeimpfung für COVID-19-Risikogruppen in der Vergangenheit signifikant positive Effekte hatte. Neben anderen möglichen Robustheit-Checks bietet sich insbesondere ein Instrumentvariablen Ansatz an, um die Ergebnisse abzusichern. Dabei kann das Verhältnis von tatsächliche Impfungen zu erwartete Impfungen eines Arztes (über den Propensity Score berechenbar) als Instrument dienen. Zukünftig kann eine noch differenziertere Analyse gelingen, indem nach Effekten für spezifische Risikofaktoren (vgl. Jucknewitz et al., 2020) gesucht wird.


Authors
Oliver Weidinger, AOK Bayern
Roland Jucknewitz, AOK Bayern
Lukas Schötz, AOK Bayern
Was sind die zu erwartenden Kosten der ersten Monate in der Covid-19 Pandemie für das deutsche Gesundheitssystem?
Stefan Walzer, MArS Market Access & Pricing Strategy GmbH

Abstract

Infektionen mit dem Coronavirus (SARS-CoV-2) führen zu hohen gesellschaftlichen Belastungen in Bezug auf Gesundheit, Verbrauch von Gesundheitsressourcen, Pflegekosten und Produktivitätsverluste bei den Arbeitnehmern. Der Ausbruch von Covid-19 hat erhebliche Auswirkungen auf das tägliche Leben der Bevölkerung und auch erhebliche Budgetauswirkungen auf die Gesundheitssysteme. Deutschland hat bei der Kontrolle und den Ergebnissen von Covid-19 bis in den Herbst 2020 eine Vorreiterrolle übernommen. Es bleibt die Frage nach den potenziellen Budgetauswirkungen dieser Kontrollmaßnahmen auf das Gesundheitssystem.

Method

Zur Modellierung der Ausbreitung von SARS-CoV-2-Infektionen wurde ein auf dem SEIR-Standard (Susceptible [S], Exposed [E], Infected [I] und Recovered [R]) basierendes Simulationsmodell (CovidSIM - http://covidsim.eu) unter Einbezug für Deutschland relevanter Daten verwendet. Mithilfe dieses Tools wurden die epidemiologischen Ergebnisse berechnet. Als allgemeine Annahme wurde ein R(0) von 2,0 sowie eine Kontaktreduktion ab März 2020 angenommen. Die CovidSIM-Ergebnisse wurden dann mit Kosten-Input-Daten in einem ökonomischen Excel-Modell kombiniert.

Results

Mit den aus deutschen Quellen entnommenen Annahmen wurde das CovidSIM-Modell validiert. Das Modell war dabei in der Lage, die tatsächlichen Infektions- und Krankenhauseinweisungszahlen in Deutschland zu reproduzieren. Für jedes Outcome wurden, wo relevant, Kostenelemente hinzugefügt, einschließlich Zahlungen an Krankenhäuser zur Erhöhung der Intensivbetten-Kapazitäten. Die Gesamtkosten für das deutsche Gesundheitssystem für die ersten 6 Monate der Pandemie betrugen mindestens 295 Milliarden € ohne Berücksichtigung von Sozialausgaben. Hauptkostentreiber waren Anreize zur Freigabe von Krankenhausbetten sowie tatsächliche Krankenhausaufenthalte von Covid-19-Patienten.

Conclusion

Der Ausbruch von Covid-19 wird - auch langfristig - erhebliche Auswirkungen auf die Gesundheitsbudgets der Länder haben. Die Kosten für das Gesundheitssystem in Deutschland betrugen in den ersten Monaten bereits über 295 Milliarden €. Soziale und wirtschaftliche Unterstützungsprogramme könnten diesen Betrag mit einem geschätzten Budget von mindestens 1,2 Billionen € deutlich übersteigen.


Authors
Stefan Walzer, MArS Market Access & Pricing Strategy GmbH
Lutz Vollmer, MArS Market Access & Pricing Strategy GmbH
Sebastian Krenberger, MArS Market Access & Pricing Strategy GmbH