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

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.

Einleitung

Im Verlauf der Pandemie werden die Infektionszahlen der SARS-CoV-2-Krankheit-2019 (COVID-19) flächendeckend und tagesaktuell auf regionaler ¹ , nationaler ² und internationaler ³ Ebene abgebildet, um die Dynamik der Ausbreitung darzustellen. Für das Bundesland Bayern erfolgt die epidemiologische Erfassung und Registrierung von COVID-19 durch das Bayerische Landesamt für Gesundheit und Lebensmittelsicherheit (LGL). Das LGL registriert alle neu auftretenden Infektionen sowie Todesfälle, die über den elektronischen Meldeweg durch die bayerischen Gesundheitsämter mitgeteilt werden und die Definitionen des Robert Koch-Instituts (RKI) erfüllen. Informationen über das Infektionsgeschehen in Bayern werden in Form von Tabellen und Übersichtskarten für die Landkreise (LK) und kreisfreien Städte (SK) zur Verfügung gestellt (7-Tage-Inzidenz pro 100.000 Einwohner, Anzahl der Fälle, Fallzahl pro 100.000 Einwohner, Todesfälle, seit Sommer 2021 auch Virusvarianten) ¹ .

Diese Karten geben einen schnellen Überblick über die räumliche Verteilung des Infektionsgeschehens. Die Abbildung der Fallzahlen und Inzidenzen ist leicht zu interpretieren, auch die Medien berichten tagesaktuell über das Infektionsgeschehen. Ein Anstieg oder Abfall der Anzahl der Neuinfektionen oder der Wocheninzidenz wird dabei als Indikator zur Entwicklung der Pandemie gesehen.

Durch die unterschiedlichen Infektionszahlen in den Kreisen könnte suggeriert werden, dass unterschiedliche Erkrankungsrisiken zwischen den Regionen bestehen. Die regionalen Unterschiede können allerdings auf zufällige Schwankungen oder auf die Darstellungsmethodik zurückzuführen sein. Um potentielle Fehlinterpretationen zu vermeiden, wird die Darstellung von relativen Werten empfohlen ⁴ . Um die Größenunterschiede der Bevölkerungsanzahl auszugleichen, werden die Fallzahlen von Infektionen daher normiert auf die Bevölkerung (z. B. Neuerkrankungen pro 100.000 Einwohner in einer Region) abgebildet.

Der Vergleich von relativen Werten kann dennoch zu Fehlinterpretationen führen, da sich die Bevölkerung in den Kreisen beispielsweise in ihrer Altersstruktur unterscheiden kann. Daher wird im Rahmen der Gesundheitsberichterstattung (GBE) zum Vergleich von Raten in LK und SK häufig das sogenannte standardisierte Inzidenzverhältnis verwendet – nachfolgend dargestellt als relatives Risiko (RR). Dieses ergibt sich aus dem Quotienten von beobachteten und erwarteten Infektionsfällen unter Berücksichtigung der Bevölkerungszahl und Altersstruktur. Die Summe aller LK und SK ist dabei die Referenz (RR 1,0), die RR der LK und SK können als Abweichung vom Landesdurchschnitt interpretiert werden.

Weiterhin haben Studien gezeigt, dass sozioökonomisch benachteiligte Gruppen ein erhöhtes Infektionsrisiko sowie ein erhöhtes Risiko für einen schweren Krankheitsverlauf bis hin zu einem erhöhten Mortalitätsrisiko zeigen ^{5 6} . Demographie oder sozioökonomische Faktoren weisen regionale Muster auf, die aber nicht durch Grenzen der administrativen Raumeinheiten geprägt sind. Generell kann gesagt werden, dass benachbarte Gebiete sich in den Eigenschaften meist ähnlicher sind als entferntere („erstes Gesetz der Geografie“) ⁷ . Individuelle Mobilität findet Kreisgrenzen-überschreitend statt. Aggregierte Darstellungen auf Landkreis- oder Bundeslandebene suggerieren also Wertsprünge zwischen benachbarten Bezugseinheiten, die nicht der tatsächlichen Verteilung entsprechen, sondern durch die räumliche Aggregation verursacht sind. Dabei bestimmt die Wahl der räumlichen Aggregationsebene den Grad des Informationsverlustes. Je großräumiger die Darstellung, desto eher gehen differenzierte Einzelwerte verloren. Dieses Phänomen wurde für andere Erkrankungen in der Literatur als Aggregationsproblem unter dem Begriff „ Modifiable Areal Unit Problem“ beschrieben ^{8 9} .

Eine weitere Herausforderung bei der kartografischen Darstellung ist das „ Small number Problem “ ¹⁰ und damit einhergehende Dateninstabilität bei kleinräumigen Betrachtungen. Je detaillierter die räumliche Betrachtung ist, desto geringer sind die Bevölkerungszahlen und damit die Fallzahlen, auf deren Grundlage die Inzidenz- oder Mortalitätsraten geschätzt werden. Herkömmliche Schätzverfahren sind bei niedrigen Einwohnerzahlen oder Fallzahlen anfällig für zufällige, statistische Schwankungen und neigen damit zu Extremwerten oder statistischen Signifikanzen ¹¹ .

Ein potentieller Lösungsansatz dieser beiden Probleme besteht in räumlich geglätteten Karten durch Bayes-Verfahren. Hierbei steht der Vergleich der beobachteten Raten (z. B. Inzidenzrate) zwischen den Regionen im Vordergrund, in dem Werte über die Grenzen hinweg „geglättet“ dargestellt werden. Die Nachbarschaftsinformationen werden von bevölkerungsmäßig großen Gebieten weniger stark genutzt als von kleineren Gebieten. Dieser Ansatz ist ausgehend vom ersten Gesetz der Geographie nach Tobler, 1970 „Everything is related to everything else, but near things are more related than distant things.“ ¹² . Werden Nachbarschaftsbeziehungen zwischen LK/SK berücksichtigt, so werden Informationen von benachbarten Regionen quasi ausgeliehen („borrowing strength“). Dies erlaubt verlässlichere Schätzwerte für die zugrundeliegenden Unsicherheiten. Somit kann man eine Aussage treffen, ob die Unterschiede in der Inzidenzrate zwischen LK/SK im Vergleich zum Standard tatsächlich existieren oder ein Zufallsergebnis aufgrund der Grenzziehungen oder Bevölkerungszahlen sind. Das Infektionsgeschehen lässt sich so differenzierter darstellen ¹³ .

Diese Arbeit untersucht das Inzidenzverhältnis von beobachteten zu erwarteten COVID-19-Infektionen in Bayern anhand von bayesianischen Gesundheitskarten. Im Speziellen soll anhand der Karten die Veränderungen der Inzidenzverhältnisse im zeitlichen Verlauf in den LK und SK in Bayern herausgestellt werden.

Methodik

Materialien und Datensätze

Die 96 LK und SK in Bayern stellen die geografische Grundlage für die Analysen dar. Die demographischen Daten wurden aus dem Statistischen Bericht des Bayerischen Landesamtes für Statistik für das Jahr 2019 ¹⁴ für vier Altersgruppen pro Geschlecht auf Kreisebene (unter 18-Jährige, 18- bis 29-Jährige, 30- bis 64-Jährige, 65-Jährige und älter) extrahiert.

Die Daten zum Infektionsgeschehen wurden vom LGL zur Verfügung gestellt. Die am 29.10.2021 und am 17.02.2022 übermittelten Daten wurden monatsweise ab dem Zeitpunkt des ersten Falls in Bayern (am 28.01.2020) aufbereitet. In den ersten Monaten wurden jedoch nur sporadische Infektionen gemeldet, und auch im Sommer 2020 gab es nur geringe Fallzahlen, so dass für eine kleinräumige monatliche Analyse nicht genügend Daten zur Verfügung standen. Deswegen wurden diese Zeiträume zusammengefasst, so dass Fallzahlen pro Region, Altersgruppe und Geschlecht für insgesamt 16 Zeiträume aggregiert wurden: 28.01.2020 bis 31.03.2020, 01.04.2020 bis 30.04.2020, 01.05.2020 bis 31.05.2020, 01.06.2020 bis 30.09.2020, 01.10.2020 bis 31.10.2020, 01.11.2020 bis 30.11.2020, 01.12.2020 bis 31.12.2020, 01.01.2021 bis 31.01.2021, 01.02.2021 bis 28.02.2021, 01.03.2021 bis 31.03.2021, 01.04.2021 bis 30.04.2021, 01.05.2021 bis 31.05.2021, 01.06.2021 bis 30.09.2021, 01.10.2021 bis 31.10.2021, 01.11.2021 bis 30.11.2021 sowie 01.12.2021 bis 31.12.2021. Der untersuchte Datensatz nach der Bereinigung bestand aus n=1321757 Fällen. Bei fehlender Angabe zum Geschlecht oder Alter wurden die Fälle von der Analyse ausgeschlossen (n=10993 Fälle, d. h. 0,82% der Gesamtdaten).

Für die verwendete Nachbarschaftsmatrix gilt, dass zwei Regionen als benachbart gelten, wenn sie eine gemeinsame Grenze aufweisen. Somit wurden nur die direkten benachbarten LK/SK in den Analysen berücksichtigt. Den SK, die vollständig von einem LK umschlossen sind, wurde der LK als Nachbar zugewiesen.

Die administrativen Grenzen für die kartographische Darstellung stammen vom Open Data Portal Bayern (Bayerische Vermessungsverwaltung – www.geodaten.bayern.de ).

Die Analysen verwenden die Software R (Version 3.6.3) und GeoBUGS (Version 1.2). Zur Berechnung der räumlichen Autokorrelationsanalyse wurde das Programm GeoDa (Version 1.20.0.8) verwendet. Die Karten wurden mit QGIS (Version 3.10.10) erstellt.

Datenanalyse und -auswertung

Das RR beschreibt das Verhältnis der beobachteten zu erwarteten Infektionen. Um die erwarteten Infektionen zu bestimmen, berechnen wir in einem ersten Schritt pro geschlechtsspezifischer (i) Altersgruppe (j) und Zeitraum (t) die überregionale Inzidenzrate für Infektionen λ _t,i,j ^inf =I _t,i,j /pop _i,j . Dabei sind I _t,i,j und pop _i,j die für den Zeitraum t dokumentierte Anzahl der Infektionen und die Populationsgröße im jeweiligen Demografiestratum (i,j) in der überregionalen (Standard-)Bevölkerung. Für die erwarteten Infektionen pro LK/SK (k) wird pro Stratum die Inzidenzrate mit der Bevölkerung in dem LK (pop _k,i,j ) multipliziert und über die betrachteten Alters- und Geschlechtsgruppen summiert: I _t,k ^erw =∑ _i,j λ _t,i,j ^inf x pop _k,i,j .

Berechnung der Bayesianischen Karten für die relativen Risiken

Zur statistischen Analyse der RR verwenden wir simultane regionale Poisson-Regressionsmodelle mit Berücksichtigung von gebietsspezifischen Zufallseffekten (Bayesianisches autoregressives Konvolutionsmodell oder Besag-York-Mollie-Modell (BYM)) ^{12 13} . Die RR folgen einerseits einem autoregressiven Modell, das sich aus den Nachbarschaftsmatrizen der Regionen ergibt, andererseits einem unstrukturierten Zufallseffektsmodell. Daraus ergeben sich eine regionale Glättung und eine Abschwächung (Shrinkage) der geschätzten relativen Risiken. Wir verwenden nicht-informative Aprioriverteilungen und folgen den Defaulteinstellungen von GeoBUGS ¹⁶ .

Die geglätteten Karten erlauben eine direkte Interpretation der Abweichungen von der Eins als relevante Effekte. Im Fokus stehen dabei die kartografischen Darstellungen an sich und die damit einhergehende Interpretation, weshalb auf Angaben zu Konfidenzintervallen und p-Werten verzichtet wurde. Wir definieren eine lokale Häufung, wenn in einem LK oder einer SK eine größere als die erwartete Inzidenz auftritt (RR>1,25). Ein RR größer 2,0 wurde als eine starke lokale Häufung interpretiert, ein RR größer 3,0 als eine sehr starke lokale Häufung.

Zur Analyse der räumlichen Autokorrelation wurde der Moran´s I Test berechnet. Ein Moran´s I Wert um 0 zeigt keine Korrelation zwischen den benachbarten Regionen auf. Je größer Moran´s I ist, desto stärker ist die Korrelation und negative Werte zeigen an, dass benachbarte Regionen dazu neigen, gegenläufige Werte anzunehmen. Das Signifikanzniveau wurde auf α=0,05 festgelegt. P-Werte kleiner 0,05 wurden als statistisch signifikant gewertet.

Ergebnisse

Das Bundesland Bayern hat in 96 LK und SK eine Gesamtbevölkerung von 13.124.737 Personen (50,42% Frauen).

Abb. 1 zeigt die räumliche Verteilung des RR für COVID-19-Fälle für die 16 Zeiträume. Alle Karten wurden räumlich geglättet. Das RR variierte deutlich zwischen den LK/SK. Variationen sah man für jeden Zeitraum, wobei sich über den zeitlichen Verlauf sich ändernde regionale Verteilungsmuster zeigten. Alle LK und SK, bei denen starke (RR>2,0) oder sehr starke (RR>3,0) lokale Häufungen auftraten, sind in Tab. 1 zusammengefasst.

Abb. 1.

Dargestellt ist das geglättete relative Risiko als Verhältnis beobachteter und erwarteter Infektionen in Bayern aufgeteilt nach Zeiträumen.

Tab. 1 Landkreise und kreisfreien Städte in Bayern, bei denen eine starke lokale Häufung (standardisierten Inzidenzverhältnisse (RR)>2,0) oder eine sehr starke lokale Häufung (RR>3,0) in den 16 Zeiträumen vorlag.

Zeitraum	Sehr starke lokale Häufung RR>3,0		Starke lokale Häufung RR>2,0
Zeitraum 1: 28.01.2020 bis 31.03.2020	LK Tirschenreuth	5,95	LK Rosenheim	2,95
	LK Wunsiedel i.Fichtelgebirge	3,16	LK Miesbach	2,76
			LK Freising	2,33
			LK Neustadt a.d.Waldnaab	2,32
			LK Rottal-Inn	2,14
			LK Starnberg	2,12
			SK Rosenheim	2,06
			LK Erding	2,06
Zeitraum 2: 01.04.2020 bis 30.04.2020	LK Tirschenreuth	4,92	SK Weiden i.d.OPf.	2,89
	SK Straubing	3,27	LK Wunsiedel i.Fichtelgebirge	2,88
	LK Neustadt a.d.Waldnaab	3,27	LK Traunstein	2,86
			SK Rosenheim	2,81
			LK Rosenheim	2,68
			LK Altötting	2,24
			LK Amberg-Sulzbach	2,06
			LK Dachau	2,06
Zeitraum 3: 01.05.2020 bis 31.05.2020	LK Coburg	7,40	LK Miesbach	2,82
	SK Regensburg	5,58	LK Neuburg-Schrobenhausen	2,65
	LK Lichtenfels	5,16	LK Hof	2,48
	SK Straubing	5,07	SK Hof	2,25
	LK Straubing-Bogen	4,48	SK München	2,25
	SK Rosenheim	4,29	LK Amber-Sulzbach	2,23
	LK Rosenheim	3,65	LK Schwandorf	2,15
	LK Traunstein	3,45	LK Neustadt a.d.Waldnaab	2,11
	SK Coburg	3,35	LK Deggendorf	2,04
	SK Weiden i.d.OPf.	3,20
Zeitraum 4: 01.06.2020 bis 30.09.2020	LK Dingolfing-Landau	6,38	SK Rosenheim	2,67
			SK München	2,67
Zeitraum 5: 01.10.2020 bis 31.10.2020			LK Berchtesgadener Land	2,82
			LK Rottal-Inn	2,52
			SK Augsburg	2,37
			SK Rosenheim	2,06
Zeitraum 6: 01.11.2020 bis 30.11.2020			SK Passau	2,08
Zeitraum 7: 01.12.2020 bis 31.12.2020			LK Regen	2,72
Zeitraum 8: 01.01.2021 bis 31.01.2021			LK Wunsiedel i.Fichtelgebirge	2,22
Zeitraum 9: 01.02.2021 bis 28.02.2021	LK Tirschenreuth	5,20	LK Neustadt a.d.Waldnaab	2,42
	LK Wunsiedel i.Fichtelgebirge	4,59	LK Kulmbach	2,19
	SK Hof	3,80	LK Schwandorf	2,16
	SK Weiden i.d.OPf.	3,40
	LK Hof	3,11
Zeitraum 10: 01.03.2021 bis 31.03.2021	SK Hof	3,10	LK Kulmbach	2,67
			LK Schwandorf	2,50
			LK Cham	2,30
			LK Wunsiedel i.Fichtelgebirge	2,27
			LK Kronach	2,03
Zeitraum 11: 01.04.2021 bis 30.04.2021			SK Hof	2,39
			LK Hof	2,01
Zeitraum 12: 01.05.2021 bis 31.05.2021			SK Memmingen	2,55
			SK Coburg	2,38
			LK Coburg	2,30
			SK Schweinfurt	2,30
			LK Günzburg	2,06
			LK Unterallgäu	2,02
Zeitraum 13: 01.06.2021 bis 30.09.2021			LK Berchtesgadener Land	2,33
			SK Rosenheim	2,14
			SK Schweinfurt	2,01
Zeitraum 14: 01.10.2021 bis 31.10.2021			LK Berchtesgadener Land	2,84
			LK Traunstein	2,82
			LK Mühldorf a.Inn	2,55
			LK Bad Tölz-Wolfratshausen	2,50
			LK Straubing-Bogen	2,29
			LK Miesbach	2,27
			LK Dingolfing-Landau	2,10
			LK Rosenheim	2,10
Zeitraum 15: 01.11.2021 bis 30.11.2021			LK Rottal-Inn	2,21
			LK Freyung-Grafenau	2,14
Zeitraum 16: 01.12.2021 bis 31.12.2021

Zeitraum 1  Zu Beginn der Pandemie zeigte sich ein deutlicher Nord-Süd- sowie ein Ost-West-Unterschied mit starken lokalen Häufungen im Südosten Bayerns.

Zeitraum 2 Die lokalen Häufungen breiteten sich in Richtung Norden und Westen aus. Auffallend ist, dass neu hinzukommende starke lokale Häufungen in der Regel an LK angrenzen, die im vorherigen Zeitraum bereits starke lokale Häufungen zeigten.

Zeitraum 3 Zunehmende starke und sehr starke lokale Häufungen waren für zwölf LK und sieben SK beobachtbar.

Zeitraum 4 Eine Abnahme der regionalen Variation des RR zeigte sich für Gesamtbayern. Der LK Dingolfing-Landau wies eine sehr starke lokale Häufung (RR 6,38) auf.

Zeitraum 5 In zwei LK und zwei SK traten starke lokale Häufungen auf.

Zeitraum 6 Es zeigte sich eine Abnahme des RR für Gesamtbayern. Allein die SK Passau zeigte eine starke lokale Häufung (RR 2,08).

Zeitraum 7 Für Gesamtbayern war weiterhin ein stabiles Infektionsgeschehen, d. h. Veränderung des geglätteten RR um maximal eine Kategorie innerhalb eines LK/SK, zu beobachten.

Zeitraum 8 Nur der LK Wunsiedel i.Fichtelgebirge wies eine starke lokale Häufung auf (RR 2,22).

Zeitraum 9 Zunehmende lokale Häufungen v. a. im Nord-Osten Bayerns zu beobachten.

Zeitraum 10 und 11 Die regionale Variation des RR nahm für Gesamtbayern weiter ab.

Zeitraum 12 Es zeigte sich eine leichte Zunahme der starken lokalen Häufungen. Neben dem Norden traten diese erstmals auch im Südwesten Bayerns auf.

Zeitraum 13 Abnehmende lokale Häufungen; in einem LK sowie zwei SK lagen starke lokale Häufungen vor.

Zeitraum 14 Zunahme der starken lokalen Häufungen insbesondere im Südosten Bayerns.

Zeitraum 15 Erneute Abnahme der lokalen Häufungen. Nur die LK Rottal-Inn und Freyung-Grafenau waren von starken lokalen Häufungen betroffen.

Zeitraum 16 Gesamtbayern wies keine sehr starken oder starken lokalen Häufungen auf.

Die Moran̓s I Teststatistik ergab für alle Zeiträume eine positive räumliche Autokorrelation hinsichtlich einer heterogenen Verteilung der RR (siehe Abb. 1 ). Für alle Zeiträume ist davon auszugehen, dass sich die Verteilungen signifikant von zufälligen Verteilungen unterscheiden (p-Wert<0,05).

Diskussion

Wir konnten zeigen, dass sich Bayesianische Gesundheitskarten zur Darstellung der Variationen der Inzidenzverhältnisse im zeitlichen Verlauf bei COVID-19 eignen. Sie geben einen schnellen Überblick über räumliche Muster und haben im Gegensatz zu konventionellen Darstellungen den Vorteil, dass sie Nachbarschaftsmatrizen als erklärenden Faktor einbeziehen. Damit können sie die realen Verläufe besser beschreiben, da extreme Beobachtungen geglättet werden und weiterhin Mobilität Kreisgrenzen-übergreifend berücksichtigt wird.

Anhand der Glättungen konnten über den zeitlichen Verlauf unterschiedliche regionale Verteilungsmuster mit einem erhöhten Infektionsgeschehen dargestellt werden. Ungeglättete Kartendarstellungen der gleichen Zeiträume, wie sie beispielsweise durch das RKI oder das LGL in der täglichen Berichterstattung des Pandemieverlaufs dargestellt werden, zeigen ähnliche Ergebnisse, was für die Reliabilität unserer Darstellung spricht. Allerdings können durch die Glättung Regionen mit starken lokalen Häufungen realistischer eingeschätzt werden. In Bayesianischen Karten können nicht wie in den oben genannten Karten des RKIs und LGL Hotspots durch zufällige Ereignisse in Erscheinung treten. Zu Beginn der Pandemie (Zeitraum eins) traten beispielsweise starke lokale Häufungen in Oberbayern auf. Eine Studie des Kieler Instituts für Weltwirtschaft (IfW) gab als Ursache die geografische Nähe zu Ischgl in Tirol und die Rückkehr der Skiurlauber aus dieser Region an ¹⁷ .

Ein Schlüsselfaktor bei der rapiden Ausbreitung der Corona-Pandemie ist die Mobilität. Der LK Tirschenreuth wies beispielsweise eine hohe Inzidenzrate im Zeitraum eins auf (RR 5,95). Einem Bericht des RKIs zufolge, wurden als Infektionsquellen neben Reiserückkehrern vorwiegend aus Österreich und Italien auch BesucherInnen zweier Biertraditionen („Starkbierfeste“) im LK identifiziert ¹⁸ . Trotz der starken Lokalität des Ausbruchsgeschehens, wie zum Beispiel die Bierfeste, war eine vollständige Rückverfolgung der BesucherInnen nicht möglich. Daher ist bei der Interpretation der Karten die Alltagsmobilität innerhalb Bayerns sowie Deutschlands zu berücksichtigen. Mit Schließung der Landesgrenzen zu Risikogebieten ab Mitte März 2020 kann von partiell geschlossenen nationalen Grenzen ausgegangen werden, weshalb Faktoren zum Infektionsgeschehen aus den Nachbarländern vernachlässigbar sind.

Auffallend sind die Ähnlichkeiten der Infektionsraten von räumlich benachbarten Regionen. Es kann vermutet werden, dass es beispielsweise eine Ausbreitung vom LK Tirschenreuth zunächst auf den angrenzenden LK Bayreuth (Zeitraum zwei) und dann auf Neustadt a.d. Waldnaab (Zeitraum drei) gab. Die Abhängigkeit der Infektionsraten von räumlich benachbarten Regionen ist in erster Linie durch das Individualverhalten zu erklären. Bereits in dieser frühen Phase ab Ende März 2020 ließ sich eine Mobilitätszunahme, wie beispielsweise für Freizeitaktivitäten, beobachten ^{17 18} , obwohl zeitgleich strengere Schutzmaßnahmen für Bayern verabschiedet wurden ²¹ . Als Ursachen wurden hierfür eine verringerte Risikowahrnehmung in der Bevölkerung und ein Nachlassen der individuellen Selbstbeschränkung angeführt ²² . Für eine adäquate Risikowahrnehmung und damit nachhaltige Umsetzung von Beschränkungsmaßnahmen in der Bevölkerung, bedarf es nachvollziehbarer und klarer Kommunikationsstrategien ²³ .

Bayesianische Gesundheitskarten haben das Potential, eine effektive Risikokommunikation zu unterstützen. Im Gegensatz zu konventionellen Karten weichen sie administrative Grenzen auf, in dem sie durch die Bevölkerungsgewichtung der Infektionsraten und den Einbezug von benachbarten Regionen realitätsnähere Schätzungen für eine Region erlauben. Ungeglättete Karten können Gefahrensituationen überschätzen, insbesondere für Regionen mit wenigen Einwohnern ¹¹ . In einem Kreis mit geringer Bevölkerungszahl bedeutet dies auch eine geringere Zahl der Bevölkerung unter Risiko, und je geringer die Fallzahlen, desto stärker neigt die Region dazu, Extremwerte anzunehmen. Wenn es gelingt, die geglätteten Darstellungen in einfacher Sprache der Bevölkerung zu vermitteln, könnten sie dazu beitragen, dass die Vermittlung von tatsächlichen Risiken glaubwürdiger und lokal angepasster gelingt, was zu einer verbesserten Akzeptanz effektiver präventiver Maßnahmen führen kann.

Daneben sollten Entscheidungsträger den informationellen Mehrwert der geglätteten Karten bei den Analysen und dem Wissen um die Verteilung des Infektionsgeschehens berücksichtigen. Geostatistische Methoden werden bereits vereinzelt bei der GBE eingesetzt. Die Arbeitsgemeinschaft Influenza des RKIs stellt beispielsweise kontinuierlich die Aktivität der akuten respiratorischen Erkrankungen (ARE), insbesondere Influenza, in Deutschland dar ²⁴ . Um regional erhöhte Infektionszahlen zu identifizieren, wird eine Abweichung vom Mittelwert über alle Sentinelpraxen hinweg ermittelt ^{25 26} . Im Gegensatz zu den hier dargestellten Analysen, bei denen die räumlichen Trends untersucht werden, steht bei der Untersuchung der ARE-Aktivität die Prognose des räumlichen Prozesses im Vordergrund. Ein weiteres Beispiel ist der Krebsatlas Schleswig-Holstein. Hierbei werden geglättete und ungeglättete Daten als Abweichung vom Landesdurchschnitt in Form von Karten visualisiert. Die Häufigkeiten hinsichtlich Inzidenz, Überleben und Mortalität werden auf Kreisebene dargestellt ¹¹ . Dies sind zwei Beispiele, wie fortgeschrittene Schätzverfahren in die GBE integriert wurden. Die kartographischen Darstellungen der GBE beschränken sich in den meisten Fällen auf thematische Karten ohne Glättungen. Generell ist in den letzten Jahren aber ein Anstieg des Interesses an Gesundheitsatlanten und dynamischen Webtools in der GBE zu beobachten, was für die Relevanz des Themas in der öffentlichen Gesundheitsverwaltung wie auch in der Bevölkerung spricht. Dieses Interesse kann durch die Ergänzung um erweiterte Methoden wie Glättungen zu einer verbesserten Kommunikation führen und kann die Einschränkungen, die durch administrative Grenzen gegeben sind, vermindern ^{27 28} .

Andererseits ist durch die Standardisierung pro Zeitperiode eine andere Grundlage vorhanden, bezüglich der standardisiert wird. Das macht die Interpretation der longitudinalen Entwicklung auf diesen Karten schwieriger. So kann es theoretisch in einer Region bei gleichbleibender Fallzahl über verschiedenen Perioden hinweg zu einem Anstieg oder Abfall der Standardisierten Inzidenz- (SIR) oder Mortalitätsverhältnisse (SMR) durch Veränderungen in der Bezugspopulation kommen.

Gerade im Zusammenhang mit dem Infektionsgeschehen und den Ursachen möchten wir betonen, dass es nicht Gegenstand dieser Arbeit war, Erklärungen für die unterschiedlichen Verteilungsmuster zu liefern. Um dies gewährleisten zu können, sind nachfolgende Clusteruntersuchungen unter Einbeziehung von Sozialindikatoren, demographischen Indikatoren und Umweltdaten erforderlich. Weiterhin kann eine Verzerrung der Ergebnisse nicht ausgeschlossen werden, da die wahren Inzidenzraten abhängig von den asymptomatischen Fällen sowie den Testkapazitäten sowie -protokollen sind und damit nur mit den zum Zeitpunkt gemeldeten Fällen gearbeitet wurde. Aufgrund der unterschiedlichen Maßnahmen zur Pandemiebekämpfung würde diese Limitation bei Hinzunahme weiterer Bundesländer oder Länder verstärkt werden. Es wurden nur die Infektionsraten für Bayern in den Analysen berücksichtigt und es liegt demnach keine Generalisierbarkeit vor. Zudem wurden aufgrund der Fallzahlen die Altersgruppen groß gewählt, um von einer noch größeren zeitlichen Aggregierung abzusehen. Plausibilitätsprüfungen haben gezeigt, dass die Ergebnisse der regionalen Verteilungsmuster unabhängig von der Anzahl der verwendeten Alterskategorien sind, was für eine gute Reliabilität der Darstellungen spricht.

Gleichwohl sind wir davon überzeugt, dass der vorgestellte methodische Ansatz Berücksichtigung für den weiteren Ausbau der GBE finden sollte, da er gesundheitsgeografische Herausforderungen überwindet und genauere Schätzwerte zu einer verbesserten Risikokommunikation beitragen kann. Zukünftige Arbeiten sollten regionale Einflussfaktoren, wie z. B. regionale Deprivation ^{28 29} , berücksichtigen, um Erklärungsansätze für die beobachtete Heterogenität zu identifizieren. Diese Arbeit liefert einen ersten Ansatz auf die Frage, wie sich geografische Informationssysteme für die Routineberichterstattung nutzen lassen ³¹ .

Einhaltung ethischer Richtlinien

Für diese Arbeit wurden von den AutorInnen keine Studien an Menschen oder Tieren durchgeführt. Für die aufgeführten Studien gelten die jeweils dort angegebenen ethischen Richtlinien.

Fazit für die Praxis.

Bayesianische Gesundheitskarten eignen sich zur Darstellung der Variationen der Inzidenzverhältnisse im zeitlichen Verlauf bei COVID-19. Das Hervorheben der lokalen und regionalen Häufungen bildet eine wichtige Grundlage für weiterführende Analysen zur Ursachenforschung. Weiterhin können die kartografischen Darstellungen differenzierte Schätzwerte liefern und dadurch eine glaubwürdige und lokal angepasste Risikokommunikation unterstützen.