000998013 001__ 998013
000998013 005__ 20240925210434.0
000998013 0247_ $$aG:(GEPRIS)512483310$$d512483310
000998013 035__ $$aG:(GEPRIS)512483310
000998013 040__ $$aGEPRIS$$chttp://gepris.its.kfa-juelich.de
000998013 150__ $$aMulti-Modell Nowcasting und Kurzzeitvorhersage der Ausbreitung von Infektionskrankheiten$$y2022 -
000998013 371__ $$aProfessor Dr. Johannes Bracher
000998013 450__ $$aDFG project G:(GEPRIS)512483310$$wd$$y2022 -
000998013 5101_ $$0I:(DE-588b)2007744-0$$aDeutsche Forschungsgemeinschaft$$bDFG
000998013 680__ $$aBei Ausbrüchen infektiöser Krankheiten tragen probabilistische Kurzzeitvorhersagen wesentlich zur aktuellen Lageeinschätzung bei. Sie beziehen sich auf Zeiträume von wenigen Tagen bis Wochen und schließen an sogenannte Nowcasts an. Letztere prognostizieren ausstehende Nachmeldungen und korrigieren so vorläufige Werte epidemiologischer Indikatoren. Um Entscheidungsträgern belastbare Ausagen zu erwarteten Trends und der verbleibenden Unsicherheit bereitzustellen werden zunehmend Vorhersagen verschiedener Modelle in Ensemble-Prognosen kombiniert. Gegenüber z.B. meteorologischen Vorhersagen ist dies im Bereich ansteckender Krankheiten allerdings erschwert durch die geringere Datenverfügbarkeit und das Auftreten von Strukturbrüchen, etwa infolge veränderter Schutzmaßnahmen. Die Verbesserung probabilistischer Prognosen ist von grundlegender Bedeutung für die Steuerung der andauernden COVID-19 Pandemie, aber auch im Hinblick auf saisonale Infektionskrankheiten oder künftige Ausbrüche anderer Erreger. Die vorgeschlagene Nachwuchsforschungsgruppe wird zentrale methodische Problemstellungen zur Kombination, Erstellung und statistischen Evaluation epidemiologischer Kurzzeitvorhersagen und Nowcasts bearbeiten. Zur verbesserten Vorhersagekombination werden neue Verfahren entwickelt, die die Abbildung komplexer Abhängigkeitsstrukturen und die Berücksichtigung von Meldeverzügen ermöglichen. Da die Qualität von Ensemble-Prognosen wesentlich von den Mitgliedsmodellen abhängt, wird sich die Gruppe mit der Verbesserung zweier grundlegender Vorhersageansätze befassen: Zum einen werden neuartige Strategien entwickelt, um in räumlich-zeitlichen Modellen der Krankheitsausbreitung kontemporäre Korrelationen zu erfassen. Dies dient der Verbesserung regional aufgelöster Vorhersagen. Zum anderen wird ein System für menschliche Crowd-Vorhersagen aufgebaut, welche sich gegenüber modellbasierten Vorhersagen durch die schnelle Anpassung z.B. an neue Eindämmungsmaßnahmen auszeichnen. Hierbei liegt der methodische Fokus auf der bisher kaum betriebenen statistischen Nachbearbeitung menschlicher Vorhersagen. Um die Relevanz statistischer Evaluierungen von Vorhersagen zu erhöhen wird mein Team untersuchen, wie entsprechende Maßzahlen an die Prioritäten von Nutzern aus Public Health und Gesellschaft angepasst werden können. Außerdem werden Verfahren entwickelt, um verschiedene Modelle auch dann aussagekräftig miteinander zu vergleichen, wenn diese nicht auf genau die selbe Menge von Vorhersageaufgaben angewandt wurden. Meine Gruppe wird die entwickelten Vorhersagemethoden in Echtzeit auf verschiedene Infektionskrankheiten anwenden und im Rahmen internationaler Kooperationsplattformen mit anderen Ansätzen vergleichen. Besonderer Fokus liegt dabei auf einem konsequenten Open-Science-Ansatz. Mittels Präregistrierungen, der öffentlichen Einsehbarkeit von Vorhersagen sowie quelloffener Software wird die wissenschaftliche Transparenz sicherstellt.
000998013 909CO $$ooai:juser.fz-juelich.de:998013$$pauthority$$pauthority:GRANT
000998013 980__ $$aG
000998013 980__ $$aAUTHORITY