Prevedere l'uso dei letti in ospedale durante il COVID-19 in Australia

Dal 2020 al 2022, il virus COVID-19 ha colpito i sistemi sanitari di tutto il mondo, portando a un alto numero di infezioni. Molte persone hanno avuto bisogno di cure ospedaliere, specialmente durante i picchi della pandemia. Questo aumento di pazienti significava spesso che gli ospedali non avevano abbastanza letti disponibili. Il numero di letti ospedalieri occupati da pazienti COVID-19 dipende da quanti nuovi pazienti arrivano e per quanto tempo rimangono. Sapere quanti letti saranno necessari può aiutare i funzionari della salute a pianificare meglio.

In Australia, la risposta iniziale al COVID-19 è stata diversa rispetto a molti altri posti. Entro dicembre 2021, più dell'80% degli adulti aveva ricevuto il vaccino e molto pochi erano stati segnalati come infetti grazie a misure di sanità pubblica rigorose. Tuttavia, la variante Omicron è apparsa a novembre 2021, portando a un notevole aumento delle infezioni nel 2022, con almeno il 17% della popolazione infetta entro marzo 2022.

#Focus dello Studio

Questo articolo si concentra sul periodo da marzo a settembre 2022, durante il quale l'Australia ha affrontato due significative ondate di infezioni. La prima ondata è stata causata dalla variante Omicron BA.2, che ha raggiunto il picco a marzo e aprile 2022. La seconda ondata è stata dovuta alle varianti BA.4 e BA.5, che hanno raggiunto il picco a fine luglio 2022.

Abbiamo sviluppato un metodo per prevedere l'uso dei letti ospedalieri su un breve termine di 21 giorni. Invece di concentrarci sulle ammissioni giornaliere di pazienti, abbiamo centrato le nostre Previsioni sull'Occupazione dei letti, poiché questo è più direttamente correlato alla capacità degli ospedali. I numeri di occupazione giornaliera dei letti sono stati monitorati e riportati per ogni stato e territorio australiano dall'inizio della pandemia.

Per fare previsioni, abbiamo utilizzato dati provenienti da fonti esterne per stimare il numero di Nuovi casi di COVID-19. Questi numeri sono stati poi tradotti in livelli di occupazione attesi nei reparti ospedalieri e nelle unità di terapia intensiva (ICU) utilizzando un modello che teneva conto delle probabilità di ospedalizzazione e ammissione in ICU basate su dati in tempo reale.

#Processo di Previsione

Le previsioni sono state condivise settimanalmente con importanti gruppi decisionali legati alla salute pubblica. Abbiamo esaminato quanto bene le nostre previsioni hanno funzionato tra marzo e settembre 2022 utilizzando sia metodi visivi che misure statistiche.

Abbiamo creato proiezioni di quanti pazienti COVID-19 avrebbero occupato letti ospedalieri e spazi in ICU settimanalmente, utilizzando un processo di previsione dettagliato. Questo processo ha simulato come i pazienti COVID-19 si muoverebbero attraverso il sistema ospedaliero in base alle loro esigenze di cura. Abbiamo considerato diversi fattori importanti come l'età dei casi e la loro probabilità di avere bisogno di ospedalizzazione o cure intensive.

Il nostro modello di previsione era strutturato per fornire conteggi di occupazione che si allineassero con i dati reali di occupazione degli ospedali. Per garantire previsioni accurate, le simulazioni che non corrispondevano ai dati di occupazione riportati sono state scartate. È stata utilizzata una finestra di calibrazione di sette giorni per affinare il modello in base ai dati più recenti.

#Simulazione del Percorso del Paziente

Il nostro modello prevede di simulare come i pazienti gravi di COVID-19 si muovono attraverso il sistema ospedaliero. Inizia con nuovi casi e la loro data di insorgenza dei sintomi. Una parte di questi casi richiede ospedalizzazione, iniziando in un reparto generale. Da lì, alcuni pazienti potrebbero aver bisogno di trasferirsi in ICU in base al loro stato di salute.

Ogni paziente ha anche una possibilità di riprendersi e di essere dimesso o, sfortunatamente, di morire mentre è in ospedale. Il numero di letti occupati viene calcolato sommando i pazienti nei reparti e nelle unità ICU.

Per modellare accuratamente il flusso dei pazienti, dovevamo stimare per quanto tempo i pazienti sarebbero rimasti in ciascuna area ospedaliera. Questo è stato fatto utilizzando un metodo che considerava le variazioni nel tempo trascorso in questi compartimenti, aiutandoci a riflettere eventuali cambiamenti in base alla gravità delle infezioni o alle pratiche mediche correnti.

#Stima dei Nuovi Casi

Affinché il nostro modello funzionasse, dovevamo inserire il numero di nuovi casi di COVID-19 ogni giorno. Abbiamo combinato dati storici sui casi con numeri previsti per informare il nostro modello. Per gestire eventuali dati mancanti, abbiamo aggiunto un po' di casualità per riflettere l'incertezza nei conteggi dei casi.

I casi in ingresso derivavano da vari modelli di previsione, continuamente migliorati con nuove informazioni sul virus. Questi modelli includevano approcci meccanicistici complessi e strumenti statistici più semplici, permettendo flessibilità nel modo in cui facevamo previsioni.

#Regolazione dei Parametri Variabili nel Tempo

Alcuni fattori nel nostro modello sono stati regolati in base all'età dei pazienti e alla situazione in evoluzione della pandemia. Abbiamo monitorato quanto fosse probabile che diversi gruppi di età si infettassero, venissero ospedalizzati o avessero bisogno di cure in ICU. Questo approccio ci ha permesso di adattarci ai cambiamenti, come l'emergere di nuove varianti o le differenze nei tassi di vaccinazione.

Per derivare queste stime per gruppi di età, abbiamo analizzato dati raccolti in tutta l'Australia. Questi dati ci hanno fornito informazioni su chi si infettava e quanto fossero gravi i loro casi. Abbiamo impiegato un metodo che ha mediato i dati sui casi per una settimana per produrre queste stime legate all'età.

#Tecniche di Simulazione

La nostra simulazione ha adottato un approccio di campionamento casuale per modellare l'occupazione giornaliera dei letti ospedalieri. Questo metodo ci ha permesso di vedere come si sarebbero sviluppati i percorsi dei pazienti COVID-19 nel tempo. Ogni simulazione ha contato quanti pazienti erano previsti nei reparti generali e nelle ICU per un dato giorno.

Per assicurarci che le nostre stime simulate corrispondessero ai dati del mondo reale, abbiamo implementato un metodo di campionamento di rifiuto. Abbiamo scartato le simulazioni che cadevano al di fuori di un intervallo accettabile rispetto ai numeri reali di occupazione dei letti. Questo processo richiedeva una calibrazione attenta per garantire che le nostre stime fossero realistiche e allineate con i rapporti ospedalieri.

#Valutazione delle Performance delle Previsioni

Abbiamo condotto valutazioni approfondite delle nostre previsioni per controllare quanto bene hanno funzionato. Un metodo chiave utilizzato è stato il Continuous Ranked Probability Score, che misura quanto i valori previsti siano allineati con le osservazioni reali. Questo sistema di punteggio aiuta a evidenziare eventuali schemi costanti di sovrastima o sottostima dell'occupazione.

Abbiamo anche analizzato il rapporto tra la qualità delle nostre previsioni di occupazione e le previsioni sottostanti sui casi. Comprendere questo rapporto è importante, specialmente poiché c'è un ritardo tra quando i casi vengono segnalati e quando questi pazienti richiedono ospedalizzazione.

#Riepilogo dei Risultati

La nostra valutazione delle performance si è concentrata sui dati da marzo a settembre 2022. Abbiamo generato rappresentazioni visive delle nostre previsioni accanto ai numeri reali di occupazione per capire quanto fossero efficaci le nostre previsioni. Ogni previsione fornita includeva un intervallo di incertezza per illustrare le possibili variazioni nei risultati.

Diversi metodi di misurazione delle performance indicavano come il nostro modello si fosse comportato nel prevedere sia l'uso dei letti nei reparti che in ICU. I risultati statistici sono stati compilati per fornire un quadro chiaro di quanto fossero accurate le nostre previsioni nel tempo.

In generale, mentre il nostro modello ha funzionato bene in molti casi, alcune previsioni erano migliori di altre a seconda di vari fattori esterni. Regolando il modello man mano che nuovi dati diventavano disponibili, puntavamo a migliorare continuamente le nostre previsioni.

#Disponibilità di Dati e Codice

Tutto il codice relativo a simulazioni e analisi è stato reso pubblico per garantire trasparenza e riproducibilità. Tuttavia, alcuni dati specifici, in particolare il dataset dettagliato dei casi, richiedono l'autorizzazione delle autorità sanitarie competenti per l'accesso.

Questa valutazione dettagliata della previsione dell'occupazione ospedaliera durante la pandemia di COVID-19 mette in evidenza non solo le sfide affrontate dai servizi sanitari, ma anche l'importanza di dati affidabili e tecniche di modellazione per supportare decisioni efficaci.