LOKI: Die neue Software zur Pandemieüberwachung

LOKI steht für “Lokales Frühwarnsystem zur Kontrolle von Infektionsausbrüchen”. Es ist ein groß angelegtes Kooperationsprojekt. Unter Leitung des Helmholtz-Zentrums für Infektionsforschung (HZI) arbeiten die Akademie für Öffentliches Gesundheitswesen, das CISPA Helmholtz-Zentrum für Informationssicherheit, das Forschungszentrum Jülich (FZJ), das Deutsche Zentrum für Luft- und Raumfahrt (DLR) sowie das Helmholtz-Zentrum für Umweltforschung (UFZ) zusammen. Das gemeinsame Ziel: Gesundheitsämtern künftig ein lokales Frühwarnsystem für epidemiologisch relevante Infektionsausbrüche zur Verfügung zu stellen. Mitte bis Ende 2023 soll der erste Prototyp stehen und dann an ausgewählten Gesundheitsämtern erprobt werden. Die Ämter sind schon jetzt an der Entwicklung beteiligt und geben in verschiedenen Entwicklungsstufen Feedback aus ihrer praktischen Sicht.

Es geht in dem Projekt darum, lokalen Gesundheitsbehörden bei der Einschätzung einer aktuellen epidemischen Lage zu helfen. Die zentrale Idee ist dabei, in einem automatisierten Verfahren tagesaktuell Daten zur Verfügung zu stellen und mit Hilfe epidemiologischer Modelle zu analysieren.

Dabei können die Mitarbeitenden der Gesundheitsbehörden direkt mit den Modellen interagieren. Das bedeutet: Es können benutzerdefinierte Szenarien möglicher Entwicklungen berechnet werden. Ferner wird es möglich sein, Maßnahmen zur Kontaktreduktion zu simulieren.

Am Ende soll eine einfach zugängliche Webanwendung stehen, die ein möglichst umfassendes Bild der lokalen Lage einschließlich der Unsicherheiten im Modell liefert.

Es wird sich um eine Webanwendung handeln, die Zugriff auf einen automatisierten Modellierungsworkflow im Hintergrund bietet, der von einem Hochleistungsrechner betrieben wird.

Es gibt verschiedene Datenquellen. Auf der einen Seite stehen Daten, die direkt als Parameter Eingang in das Modell finden. Dazu gehören zum Beispiel Übertragungswahrscheinlichkeiten, aber auch spezifische lokale Daten wie die Altersstruktur der Bevölkerung eines Ortes. 

Auf der anderen Seite gibt es Daten, die wir zur Abschätzung unbekannter Größen im Modell nutzen können. Wenn beispielsweise die Infektionsrate in einer bestimmten Altersgruppe nicht bekannt ist, können Daten zur Inzidenzentwicklung in dieser Altersgruppe herangezogen werden, um diesen Parameter abzuschätzen.

In solch einem Fall wird das Ergebnis von Modellsimulationen mit tatsächlichen Daten verglichen, zum Beispiel mit Zahl der Neuinfektionen oder Krankenhauseinweisungen. Dann stellen wir den Parameter mit mathematischen Verfahren so ein, dass Modellierungsergebnis und Realität möglichst genau übereinstimmen.

Im Rahmen der Projektlaufzeit ist keine eigene Datenerhebung geplant. Wir werden aber zusätzlich zu großflächig verfügbaren und bei lokalen Gesundheitsbehörden vorliegenden Daten auch alternative Datenquellen im Sinne einer Machbarkeitsstudie analysieren.

So gibt es beispielsweise Daten zur Abwasser-Beprobung auf Krankheitserreger. Im Rahmen des Projekts werden wir analysieren, inwiefern sich solche Datenquellen integrieren lassen und eine großflächigere Erhebung solcher Informationen für die Zukunft unserer Plattform sinnvoll wäre.

Datenschutz und digitale Innovation im Gesundheitswesen müssen keine Gegensätze sein. Wichtig ist, dass Datenschutz von Anfang an mitgedacht wird. Wir sind froh, mit dem CISPA – das Helmholtz-Zentrum für Informationssicherheit – einen starken Partner in unserem Konsortium zu haben, der Expertise in Datensicherheit und speziellen Analyseverfahren für sensible Daten hat.

Das DLR ist an der Entwicklung der epidemiologischen Modelle beteiligt und bringt daneben langjährige Erfahrung mit der Entwicklung von Hochleistungssoftware auf einem sehr hohen Standard mit. Zudem ist das DLR bei der Visualisierung unserer Ergebnisse und der Benutzerschnittstelle federführend.

Das Forschungszentrum Jülich stellt die benötigte Infrastruktur zum Hochleistungsrechnen zur Verfügung, Darüber hinaus vergleicht es kontinuierlich den Modelloutput mit der Realität. Dadurch kann das Modell so angepasst werden, dass es das tatsächlich Geschehene möglichst gut reproduziert, um dann auf dieser Basis Szenarien für die Zukunft zu simulieren – in der Annahme, dass sich das System in Zukunft in seinen grundlegenden Eigenschaften ähnlich verhält wie in der Vergangenheit.

Das macht man immer dann, wenn man einen benötigten Parameter nicht direkt aus Messungen ableiten kann. Die Jülicher Kollegen bringen dabei wichtige Expertise zum maschinellen Lernen ein.

Ein einfaches Beispiel ist die mittlere Wahrscheinlichkeit, mit der ein Kontakt mit einer erkrankten Person zu einer Übertragung führt. Dieser Parameter ist zwar unter kontrollierten Bedingungen messbar, in der Realität hängt er aber vom Verhalten der Menschen ab, und gerade am Anfang der Pandemie war darüber nicht viel bekannt. In solchen Situationen kann man Daten nutzen, um den Parameter abzuschätzen.

Unsere Software würde, sobald ein erstes Signal gefunden ist und erste Zahlen zur Entwicklung vorliegen, eine Einschätzung der Lage mit möglichen Entwicklungen liefern. Dadurch, dass kontinuierlich neue Daten eingepflegt werden, wird diese Einschätzung laufend besser und die Unsicherheiten geringer, je mehr Daten verfügbar werden.

Die Gesundheitsbehörden erhalten damit eine Einschätzung der lokalen Situation und können mögliche Maßnahmen in der Software simulieren. Diese Einschätzung kann dann in Beratungen zwischen Gesundheitsbehörden und Politik zur Entscheidungsfindung einbezogen werden.

Grafik: Shutterstock