Diagram anpassning av normalfördelningsmodellen
​Anpassning av normalfördelningsmodellen med data på antalet inlagda patienter per dag.
​Philip Gerlee och Torbjörn Lundh

De förutsäger vårdbehovet för covid-19-patienter

​Sjukvården har stort intresse av att kunna planera vårdbehovet för patienter med covid-19. Två projekt på Matematiska vetenskaper använder sig av olika matematiska modeller och olika indata för att hjälpa till med detta.

​Hur stort är behovet av vård över tid?

Philip GerleeGenom olika kontakter blev Philip Gerlee, docent som forskar inom biomatematik, kontaktad av Logistikgruppen på Sahlgrenska i slutet av mars. Kunde han hjälpa till med förutsägelser om det förväntade vårdbehovet för covid-19-patienter skulle öka eller minska över tid, när toppen skulle komma och när det skulle klinga av? Philip tog med sin kollega, professor Torbjörn Lundh, och tillsammans med logistikerna Ingrid Fritzell och Julia Karlsson på Sahlgrenska skissade de på en modell för hur man skulle kunna ta reda på när toppen skulle komma och hur hög den skulle bli.

– Till en början var modellen enkel. Med data från Wuhan och Lombardiet antog vi att 0,2 procent av befolkningen skulle bli inlagda på slutenvård, men när? Vi utgick från en normalfördelning, men insåg att denna modell kanske var alltför grov. Parallellt använde vi oss även av en smittspridningsmodell (SIR). Prognoserna blev då lite olika, och Sahlgrenska använde sig både av dessa och av andra källor för att göra en sammanvägd prognos.

Mätningar av smittsamhet

När toppen av inläggningarna passerats och vårdbehovet verkar vara på väg ner behövs en annan modell. Folkhälsomyndigheten har använt sig av den utökade smittspridningsmodellen SEIR, som även tar med fasen när en person är smittad men inte smittsam, och gjort en skattning för Stockholmsområdet. Under senvåren använde sig Philip och Torbjörn av denna för Sahlgrenskas upptagningsområde. I juni fick de medel från Chalmers styrkeområden för att fortsätta utveckla modellen och bättre kunna mäta smittsamheten (infektiviteten) i befolkningen, som beror både på hur många kontakter människor har per dag och sannolikheten att de smittar vid kontakt. Man tänker sig att smittspridningen är hög i början men minskar när olika restriktioner gör att man har färre kontakter.

Flera indikatorer kommer att användas för att uppskatta antalet kontakter. En av dem är antalet resande med Västtrafik, infektiviteten i Folkhälsomyndighetens modell matchar väl nedgången i resande. Andelen positiva provsvar är en annan, och data från 1177 en tredje. En undersökning i Östergötland ledd av Armin Spreco visade att antalet samtal till 1177 om andningssvårigheter för vuxna kunde korreleras med antalet inlagda patienter med covid-19 15 dagar senare. Förhoppningen är att kunna precisera vårdbehovet ytterligare. Man kommer också att följa upp vårens prognoser för att se vad som fungerade bäst, för att kunna bygga vidare på detta inför nästa pandemi.

Individdata – hur allvarligt blir det för patienten?

Marina Axelson-FiskMarina Axelson-Fisk, biträdande professor i matematisk statistik, samarbetade redan tidigare med Robert Feldt, professor på Data- och informationsteknik, och Lars-Magnus Andersson, överläkare på Östra sjukhusets infektionsklinik. Då handlade det om att baserat på patientdata tidigt kunna skilja mellan blodförgiftning (sepsis) och  vinterkräksjuka (norovirus). De båda sjukdomarna kan ha lika förlopp till en början med feber, kräkningar och yrsel, men sepsis är ett allvarligt tillstånd som är viktigt att upptäcka tidigt och inte feldiagnosticera.

Ett examensarbete kring detta med Marina som handledare började i januari och patientdata skulle tillhandahållas av Östra sjukhuset. Men, så kom coronapandemin och allt ställdes på ända. Kunde man arbeta med indata från patienter med covid-19 istället? Frågeställningen blev då om patienten har covid-19 eller inte, men också hur tidigt i förloppet som sjukdomen kan upptäckas och om man kan säga hur allvarligt det kommer att bli för patienten, helst en vecka innan patienten behöver läggas in.

Massor av rådata

Examensarbetet fick handla om de teoretiska modellerna för beräkningarna istället, så grunden är klar. Marina sökte och fick medel från Chalmers styrkeområden tillsammans med Robert och Richard Torkar, också professor på Data- och informationsteknik, så nu börjar arbetet med att få fram ett program som fungerar i verkligheten. Massor av rådata har kommit och ska nu hanteras och bearbetas. Marinas del är att optimera de teoretiska modellerna, som bygger på så kallade Markov Decision Processes och är beräkningsmässigt komplexa. Då de är tungkörda måste det till approximationer och allehanda datalogiska ”trick” för att vårdpersonal ska kunna använda den och få ut resultat inom en rimlig tidrymd, och det är i huvudsak här som datalogerna kommer in.

– Det skulle naturligtvis vara bra att ha detta klart ganska snart, många tror att vårdbehovet kan komma att öka igen. Vi tar därför till lite genvägar nu i början för att på sikt bygga en mer fullständig modell. Även om det inte hinner göra så stor skillnad för coronapandemin i höst, så kommer vården att få stor nytta av arbetet framöver inom andra sammanhang – men naturligtvis hoppas vi att få fram något som går att använda snart.

Text och foton: Setta Aspström


Publicerad: to 27 aug 2020.