65 % höhere Bevölkerungsabdeckung durch Integration von Mobilitätsdaten

Um Infektionsgeschehen frühzeitig zu erkennen, wertet das AMELAG-Programm in Thüringen Abwasserproben aus Kläranlagen aus. Ein etabliertes und valides Signal für die öffentliche Gesundheit.

Eine zentrale Herausforderung bestand darin, den Prozess des epidemiologischen Screenings aus Kläranlagen kosteneffizient zu gestalten, da eine gleichzeitige Durchführung an über 550 fragmentierten Kläranlagen logistisch und finanziell ineffizient wäre.

Ausgangssituation: Wie reale Bevölkerungsexposition

Das AMELAG-Programm hatte während der Covid-19 Pandemie den Auftrag das Infektionsgeschehen in Thüringen frühzeitig erkennen, bevor klinische Meldesysteme reagieren. Dafür wurden Abwasserproben aus Kläranlagen analysiert.

Das ist ein valides Signal, aber es gibt es eine strukturelle Grenze: Ein Abwassersignal zeigt, was durch die Leitung fließt, aber nicht, wo die Menschen tatsächlich sind, die es verursacht haben. Wer z.B. außerhalb der erfassten Einzugsgebiete lebt, aber pendelt, wird im Monitoring nicht korrekt erfasst.  Das könnte zu geografische Lücken führen, die epidemiologisch relevante Ausbrüche verschleiern konnten.

Kernherausforderung: Kläranlagen messen, was durch ihre Leitungen fließt, nicht, wo die Menschen tatsächlich sind.

Für ein belastbares Infektionsmonitoring auf Landkreisebene fehlte die räumliche Auflösung. Mobilitätsdaten lagen zwar vor, waren aber nicht mit den Kläranlagen-Einzugsgebieten verknüpft, denn eine saubere Methodik zur Fusion beider Datenquellen existierte nicht.

Standardansätze in der Epidemiologie arbeiten mit festen geografischen Catchment-Gebieten, sie berücksichtigen keine dynamische Bevölkerungsbewegung und liefern daher systematisch verzerrte Abdeckungsschätzungen.

Lösung: wie lassen sich große Datenquellen verknüpfen?

epicinsights entwickelte eine Methodik zur dynamischen Erweiterung von Kläranlagen-Einzugsgebieten durch Mobilitätsdaten auf Landkreisebene. Statt statische Catchment-Boundaries zu verwenden, wurden anonymisierte Bewegungsmuster genutzt, um zu berechnen, welche Bevölkerungsanteile sich faktisch in den Einzugsgebieten aufhalten. Die Verknüpfung beider Quellen erlaubt eine präzisere Hochrechnung epidemiologischer Signale auf die reale Bevölkerungsexposition.

Der methodische Kern lag in der Normierung: Abwassersignale wurden nicht mehr ausschließlich auf statische Einwohnerzahlen bezogen, sondern auf tagesaktuelle Populationsgewichte aus den Mobilitätsdaten. Das ermöglicht räumlich differenzierteres Monitoring auch in Regionen mit starker Pendlerdynamik.

Ergebnis

Die Bevölkerungsabdeckung der Kläranlagen-Einzugsgebiete stieg durch die Integration von Mobilitätsdaten um bis zu 65 %. Das bedeutet: Ausbrüche, die in statischen Modellen durch geografische Lücken verborgen blieben, werden im erweiterten Modell sichtbar. Die Methodik wurde im Rahmen des AMELAG-Programms in Zusammenarbeit mit dem Robert Koch-Institut und der Bauhaus-Universität Weimar entwickelt und validiert. Sie baut auf der PANDA-Methodik auf, die epicinsights zuvor für die SARS-CoV-2-Varianten-Surveillance entwickelt hatte.

Das diesem Projekt zugrunde liegende Vorhaben wurde vom Robert Koch-Institut aus Mitteln des Bundesministeriums für Gesundheit unter dem Förderkennzeichen „AMELAG" gefördert.

Die zugrunde liegende Methodik der Fusion ortsfester Signale mit dynamischen Mobilitätsdaten, lässt sich auf weitere Bereiche des Public-Health-Monitorings übertragen. Sprechen Sie uns gerne an.