Zu den Inhalten springen

Übersicht ausgewählter Projekte

SPoCK - Steuerungs-Prognose von intensivmedizinischen COVID-19-Kapazitäten

 

https://www.rki.de/DE/Content/InfAZ/N/Neuartiges_Coronavirus/Projekte_RKI/SPoCK.html

Principal Investigators: Harald Binder, Clemens Kreutz, Martin Wolkewitz

Contributors: Marlon Grodd, Derek Hazard, Lukas Refisch, Fabian Lorenz


 

Entwicklung und Anwendung statistischer Modelle zur Bewertung potenzieller Behandlungseffekte in COVID-19 Beobachtungsstudien

 

https://gepris.dfg.de/gepris/projekt/458593554?context=projekt&task=showDetail&id=458593554&

Principal Investigator: Martin Wolkewitz

Contributors: Oksana Martinuka, Derek Hazard


 

COMBACTE-MAGNET - Combatting Bacterial Resistance in Europe - Molecules against Gram Negative Infections

COMBACTE-Magnet ist ein Teil des Projektes COMBACTE, welches aus einer Kooperation der European Federation of Pharmaceutical Industries and Associations (EFPIA), der Innovative Medicine Initiative (IMI) und der europäischen Union (EU) entstanden ist.

Mit Fokus auf kritisch kranke Patienten in Intensivstationen ist es das Ziel des Projekts bessere Präventions- und Umgangsmöglichkeiten mit Krankenhausinfektionen, die spezifisch von gram-negativen Bakterien verursacht wurden, zu entwickeln.

Mithilfe von Ärzten, Epidemiologen und Pharamzeuten entwickelt unsere Arbeitsgruppe mathematische Modelle um die Belastung, welche durch Krankenhausinfektionen verursacht wird, zu beschreiben. Unter Berücksichtigung statistischer Herausforderungen wie der Zeitabhängigkeit von Exposition und Endpunkt, stellen wir innovative Modelle zur Verfügung, die eine unverzerrte Quantifizierung des Effekts auf die Mortalität, die Krankenhausverweildauer, die Kosten und die Behandlung erlauben.

Principal Investigator: Martin Wolkewitz

Contributors: Derek Hazard, Maja von Cube, Susanne Weber, Klaus Kaier


SWISSNOSO

Prävalenzuntersuchungen zur Messung der Belastung durch gesundheits-assoziierte Infektionen (englisch: healthcare-associated infections, HAI) haben eine lange Tradition im Bereich der Infektionsprävention und -kontrolle. Die bahnbrechende Studie "Study on the Efficacy of Nosocomial Infection Control" (SENIC), die in den 1970er Jahren vom US-amerikanischen Center for Disease Control and Prevention (CDC) initiiert wurde, hat eindeutig den Nutzen der HAI-Überwachung bewiesen. Die HAI-Prävalenz zu dieser Zeit wurde auf ca. 5,2% geschätzt. 1981 berief die Weltgesundheitsorganisation (WHO) eine Beratungsgruppe zur Überwachung, Kontrolle und Prävention von HAI ein. Die Gruppe empfahl insbesondere die Durchführung von HAI-Prävalenzuntersuchungen, um die Belastung des Problems in verschiedenen Teilen der Welt zu bewerten.

In jüngster Zeit haben das European Centre for Disease Prevention and Control (ECDC) sowie das CDC große Punktprävalenz-Erhebungen in Europa und den Vereinigten Staaten durchgeführt. Die meisten lokalen, regionalen und nationalen Erhebungen verwendeten die Punktprävalenzmethodik, d.h. nur am Tag der Erhebung aktive HAI werden berücksichtigt.

Das „Swissnoso PPS 2017“-Projekt ist eine Prävalenzerhebung von HAIs in der Schweiz

  • um repräsentative Daten zu HAI in Akutkrankenhäusern zu erhalten
  • Daten zur Antibiotika-Anwendung in Akutkrankenhäusern zu erhalten
  • die attributale Mortalität aufgrund von therapieassoziierten Infektionen zu schätzen
  • Kosten für therapieassoziierte Infektionen abzuschätzen

Principal Investigator: Martin Wolkewitz

Contributor: Sam Doerken


Causal modelling to support medical decision making in the treatment of multidrug resistant infections

Inappropriate treatment of infections, even if only for a few days, may have severe consequences for the patients. In 2017, the WHO - for the first time ever - published a top priority list of pathogens for which novel treatments are urgently needed. Currently, antibiotics are prescribed according to the susceptibility of the pathogen causing the infection. However, medical decision making becomes increasingly complicated. The spread of multidrug resistant pathogens leads to loss of efficacy of the available standard therapies. Moreover, severely ill patients with infections due to (multi)resistant pathogens often receive a complex combination of antibiotics resulting in limited treatment options. For example, in a recent study, we found no evidence for the efficacy of early adequate treatment of ventilator associated pneumonia caused by Pseudomonas aeruginosa among invasively ventilated patients (sample size = 465). Other studies lead to similar dissatisfying conclusions. Evidence for optimal medical decision making is urgently needed. An attractive solution is the identification of personalized interventions that account not only for the type of pathogen, but also for the dynamically changing antibiotic treatment of the patient, the patient’s treatment response and the course of disease over time.

Dynamic treatment regimens (DTRs) can be regarded as a decision tree aiding the clinician to optimize the treatment for an individual patient over the course of time. In contrast to static treatments such as the prescription of a specific antibiotic for a specific pathogen, DTRs account for treatment response and the evolution of patient characteristics by allowing for an adaption of the treatment over the course of time. Causal inference techniques for evidence-based DTRs have become a major field of research in Statistics with main application to chronic diseases. The idea to adapt these methods to identify tailored antibiotic treatments of specific types of hospital acquired infections has been proposed only recently. However, applying these techniques to data on hospitalized patients bears major statistical challenges due to the time dynamics of the data situation and multiple possible outcomes (e.g. death, discharge alive, clinical cure) which result in a competing risks setting. Solid specialized statistical expertise and close collaboration with clinicians is indispensable to identify novel therapies and defeat multidrug resistance.  

In this research project statistical inference techniques are adapted and advanced to identify optimal DTRs for infected hospitalized patients. 

Principal Investigator: Maja von Cube

Contributors: Martin Wolkewitz, Siegbert Rieg


Group leader

Prof. Dr. Martin Wolkewitz

  • Statistische Methoden in der Krankenhausepidemiologie
  • Multistadienmodelle
  • Mathematische Modellierung von Epidemien