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

Verena Loidl; Daniela Koller; Ulrich Mansmann; Kirsi Marjaana Manz

doi:10.1055/a-1830-6796

Das Gesundheitswesen, Inhaltsverzeichnis

Gesundheitswesen 2022; 84(12): 1136-1144
DOI: 10.1055/a-1830-6796

Originalarbeit

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

Mapping Regional Differences in Infection Rates for the Coronavirus (COVID-19): Results of a Bayesian Approach to Administrative Districts of Bavaria

Verena Loidl

¹Institut für Medizinische Informationsverarbeitung, Biometrie und Epidemiologie (IBE), Ludwig-Maximilians-Universität München, München, Germany

²LMU München, Pettenkofer School of Public Health, München, Germany

,

Daniela Koller

¹Institut für Medizinische Informationsverarbeitung, Biometrie und Epidemiologie (IBE), Ludwig-Maximilians-Universität München, München, Germany

,

Ulrich Mansmann

¹Institut für Medizinische Informationsverarbeitung, Biometrie und Epidemiologie (IBE), Ludwig-Maximilians-Universität München, München, Germany

²LMU München, Pettenkofer School of Public Health, München, Germany

,

Kirsi Marjaana Manz

¹Institut für Medizinische Informationsverarbeitung, Biometrie und Epidemiologie (IBE), Ludwig-Maximilians-Universität München, München, Germany

› Institutsangaben

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.

Abstract

Background Since the beginning of the COVID-19 pandemic, thematic maps showing the spread of the disease have been of great public interest. From the perspective of risk communication, those maps can be problematic, since random variation or extreme values may occur and cover up the actual regional patterns. One potential solution is applying spatial smoothing methods. The aim of this study was to show changes in incidence ratios over time in Bavarian districts using spatially smoothed maps.

Methods Data on SARS-CoV-2 were provided by the Bavarian Health and Food Safety Authority on 29.10.2021 and 17.02.2022. The demographic data per district are derived from the Statistical Report of the Bavarian State Office for Statistics for 2019. Four age groups per sex (<18, 18–29, 30–64,>64 years) divided into 16 time periods (01/28/2020 to 12/31/2021) were included. Maps show standardized incidence ratios (SIR) spatially smoothed by Bayesian hierarchical modelling.

Results The SIR varied remarkably between districts. Variations occurred for each time period, showing changing regional patterns over time.

Conclusion Smoothed health maps are suitable for showing trends in incidence ratios over time for COVID-19 in Bavaria and offer the advantage over traditional maps in giving more realistic estimates by including neighborhood relationships. The methodological approach can be seen as a first step to explain the regional heterogeneity in the pandemic, and to support improved risk communication.

Schlüsselwörter

SARS-CoV-2 - COVID-19 Pandemie - Gesundheitskarten - Räumlichzeitliche Analyse - Bayesianische Modellierung - Gesundheitsberichterstattung

Key words

SARS-CoV-2 - Covid-19 pandemic - Disease mapping - Spatio-temporal analysis - Bayesian modelling - Health reporting

Volltext

Referenzen

Literatur
1 „Übersicht der Fallzahlen von Coronavirusinfektionen in Bayern“. https://www.lgl.bayern.de/gesundheit/infektionsschutz/infektionskrankheiten_a_z/coronavirus/karte_coronavirus/(zugegriffen 11. Januar 2021)
2 „RKI COVID-19 Germany“. https://experience.arcgis.com/experience/478220a4c454480e823b17327b2bf1d4/page/page_1/(zugegriffen 11. Januar 2021)
3 „WHO Coronavirus Disease (COVID-19) Dashboard | WHO Coronavirus Disease (COVID-19) Dashboard“. https://covid19.who.int/(zugegriffen 11. Januar 2021)
4 Augustin J, Kistemann. Koller D. Deutsche Gesellschaft für Geographie, Deutsche Gesellschaft für Epidemiologie, und Leibniz-Institut für Länderkunde, Hrsg., Gute kartographische Praxis im Gesundheitswesen (GKPiG). Leipzig: Leibniz-Institut für Länderkunde, 2017
5 Petrilli CM. u.a., „Factors associated with hospital admission and critical illness among 5279 people with coronavirus disease 2019 in New York City: prospective cohort study“. BMJ, S. m1966, Mai 2020;
6 Williamson EJ. u.a., „Factors associated with COVID-19-related death using OpenSAFELY“. Nature, Bd 584, Nr. 7821, S. 430–436, Aug. 2020;
7 Gudbjartsson DF. u.a., „Spread of SARS-CoV-2 in the Icelandic Population“. N Engl J Med, Bd 382, Nr. 24, S. 2302–2315, Juni 2020;
8 Goovaerts P, Xiao H. „Geographical, temporal and racial disparities in late-stage prostate cancer incidence across Florida: a multiscale joinpoint regression analysis“. Int J Health Geogr Bd. 10, S. 63, Dez 2011;
9 Wang Y, Di Q. „Modifiable areal unit problem and environmental factors of COVID-19 outbreak“. Science of The Total Environment Bd. 740, S. 139984, Okt 2020;
10 Kennedy S. „The small number problem and the accuracy of spatial databases“, M. Goodchild, S. Gopal (Hrsg.): Accuracy of Spatial Databases. S. 187-196 1989
11 Pritzkuleit R, Eisemann N, Katalinic A. „Die kartografische Darstellung regionaler Unterschiede in der Morbidität: Möglichkeiten der Datenanalyse am Beispiel des kleinräumigen Krebsatlasses Schleswig-Holstein“. Bundesgesundheitsbl Bd. 60, Nr. 12, S. 1319–1327, Dez 2017;
12 Tobler WR. „A Computer Movie Simulating Urban Growth in the Detroit Region“. Economic Geography Bd. 46, S. 234, Juni 1970;
13 Mollié A. „Bayesian mapping of disease“ 1996;
14 „Statistischer Bericht „Bevölkerung in den Gemeinden Bayerns nach Altersgruppen und Geschlecht“.“, 2020. [Online]. Verfügbar unter: https://www.statistik.bayern.de/mam/produkte/veroffentlichungen/statistische_berichte/a1310c_201900.pdf
15 Besag J, York J, Mollié A. „Bayesian image restoration, with two applications in spatial statistics“. Ann Inst Stat Math Bd. 43, Nr. 1, S. 1–20, März 1991;
16 Thomas A, Best N, Lunn D. et al. GeoBUGS User Manual. 2004
17 Felbermayr G, Chowdhryx S, Hinz J. „Après-ski: The Spread of Coronavirus from Ischgl through Germany“, CEPR Press - COVID ECONOMICS, Mai 2020, Zugegriffen: 15. April 2021. [Online]. Verfügbar unter: https://www.ifw-kiel.de/de/publikationen/?L=1&id=4742&q=*ischgl
18 Selb R, Brandl M, Rehmet S. „Ergebnisse der Untersuchung der Covid-19 Epidemie im Landkreis Tirschenreuth“. Robert Koch Institut, Juni. 2020
19 Research on Complex Systems – Robert Koch Institute & Humboldt University of Berlin, „Covid-19 Mobility Project“. https://www.covid-19-mobility.org/de/(zugegriffen 22. April 2021)
20 Statista 2021, „Veränderung der Mobilität während der Corona-Krise in Deutschland“. https://de.statista.com/statistik/daten/studie/1185253/umfrage/veraenderung-der-taeglichen-mobilitaet-durch-das-coronavirus-in-deutschland/#professional (zugegriffen 19. April 2021)
21 Bayerisches Ministerialblatt, Bayerische Verordnung über Infektionsschutzmaßnahmen anlässlich der Corona-Pandemie (Bayerische Infektionsschutzmaßnahmenverordnung – BayIfSMV). 2020, S. 3. [Online]. Verfügbar unter: https://www.verkuendung-bayern.de/files/baymbl/2020/158/baymbl-2020-158.pdf
22 „Zweiter Report: Anstieg der Mobilität · Covid-19 Mobility Project“, 15. April 2020 https://www.covid-19-mobility.org/de/reports/second-report/(zugegriffen 22. April 2021)
23 Arnold L, Barkmann J, Helmer SM. et al. „Hintergrundpapier. Kontext– und adressat*innenorientierte Risikokommunikation bei COVID-19. Ein Beitrag zur wirksamen Verhaltensprävention“, Sep. 2020. [Online]. Verfügbar unter: https://www.public-health-covid19.de/images/2020/Ergebnisse/COVID_19_Kompetenz_PH_Risikokommunikation_25092020.pdf
24 „Arbeitsgemeinschaft Influenza, Robert Koch-Institut“. https://influenza.rki.de/(zugegriffen 27. April 2021)
25 Augustin J, Koller D. Geografie der Gesundheit. Die Räumliche Dimension von Epidemiologie und Versorgung. hogrefe. 2017
26 Uphoff H, Stalleicken I, Bartelds A. et al. „Are influenza surveillance data useful for mapping presentations?“. Virus Research Bd. 103, Nr. 1–2, S. 35–46, Juli 2004;
27 Thißen M. u.a., „Welches Potenzial haben Geoinformationssysteme für das bevölkerungsweite Gesundheitsmonitoring in Deutschland?: Perspektiven und Herausforderungen für das Gesundheitsmonitoring am Robert Koch-Institut“. Bundesgesundheitsbl Bd. 60, Nr. 12, S. 1440–1452, Dez 2017;
28 Augustin J, Scherer M, Augustin M. et al. „Gesundheitsatlanten in Deutschland – eine Übersicht“. Gesundheitswesen Bd. 80, Nr. 07, S. 628–634, Juli 2018;
29 Maier W, Fairburn J, Mielck A. „Regionale Deprivation und Mortalität in Bayern. Entwicklung eines ,Index Multipler Deprivation‘ auf Gemeindeebene“. Gesundheitswesen Bd. 74, Nr. 07, S. 416–425, Juli 2012;
30 Maier W, Schwettmann L. „Regionale Deprivation in Deutschland: Der ‚German Index of Multiple Deprivation (GIMD)‘. Public Health Forum Bd. 26, Nr. 4, S. 376–379, Dez 2018;
31 Zukunftsforum Public Health, „Eckpunkte einer Public-Health-Strategie für Deutschland“, Zukunftsforum Public Health, Berlin, 2021. [Online]. Verfügbar unter: www.zukunftsforum-public-health.de/public-health-strategie