Willkommen

The goal of this dashboard is to monitor district-specific time trends in the total mortality (all causes of death combined) in the federal state of Rhineland-Palatinate, Germany, starting with the COVID-19 pandemic.

Dies ist ein gemeinsames Projekt von: Institut für Medizinische Biometrie, Epidemiologie und Informatik (IMBEI) an der Universitätsmedizin der Johannes Gutenberg-Universität Mainz und Statistisches Landesamt Rheinland-Pfalz . Der Abschnitt liefert mehr Informationen über die Motivation zur Überwachung der Gesamtsterblichkeit und führt die beteiligten Personen sowie Einrichtungen auf.

We use different statistical methods to compare current all-cause mortality against mortality during the years 2015-2019 to judge whether mortality is currently higher (excess mortality) or lower (mortality deficit) than may be expected based on historical data. Our focus is to use data with a high spatial resolution (NUTS-3 level: district), and fine-grained age-standardization to make estimates comparable between countries and time periods despite different demographics. The section liefert mehr Informationen über die Datenquellen und statistischen Methoden. Die folgende Veröffentlichung verdeutlicht eine Anwendungsmöglichkeit und erläutert die Methoden im Detail: Wollschläger et al. Erklärbarkeit der altersadjustierten Übersterblichkeit mit den COVID-19-attribuierten Sterbefällen von Januar 2020 bis Juli 2021. Bundesgesundheitsblatt 2021. doi 10.1007/s00103-021-03465-z.

Datenstand: 2024-01-31

Verwendung

  • I - Grüner Bereich: Navigation zwischen den Abschnitten
    • Dashboard: Landkarte und Zeitverlauf zur Darstellung der räumlichen und zeitlichen Muster unterschiedlicher Daten
    • Sterbefälle: Ergebnisse aus der Modellierung der Sterberaten mit unterschiedlichen Methoden
    • Eingangsdaten: Mehr über die verwendeten Eingangsdaten für die Modellierung der Sterberaten
    • Über das Projekt: Hintergrundinformationen zur Überwachung der Gesamtsterblichkeit in Rheinland-Pfalz - insbesondere und zu den beteiligten Personen, Datenquellen und Methoden.
  • II - Orangener Bereich: Auswahl der Daten, die auf der Landkarte und im Zeitverlauf angezeigt werden.
    • Standardisierte Sterberate: Direkte Altersstandardisierung mit einer Referenzbevölkerung (Voreinstellung: Deutschland 2011)
    • SMR 2020-2023 vs. 2015-2019: Standardisiertes Mortalitätsverhältnis, d.h. Verhältnis der beobachteten zu den erwarteten Todesfällen in 2020-2023 unter Beachtung der Altersstruktur. Berechnet mit der durchschnittlichen Sterberate der Jahre 2015-2019
    • Übersterblichkeit 2020-2023: Geschätzte Über- oder Untersterblichkeit als beobachtete minus der erwarteten Sterblichkeit, die auf Basis eines Vorhersagemodells berechnet wurde (Negativ-Binomial Regressionsmodell angepasst mit Daten der Jahre 2015-2019).
    • Bevölkerung: Bevölkerungsgröße Rohdaten
    • Sterbefälle: Rohdaten der Anzahl Sterbefälle
    • Corona: RKI Daten zu SARS-CoV-2-Infektionen und COVID-19 attribuierten Todesfälle
    • Grippe: RKI Daten zur saisonalen Grippeaktivität
    • Deprivation: GISD regionaler sozioökonomischer Deprivationsindex
    • Wetter: Durchschnittliche und extreme Temperaturen, Regen, Luftfeuchtigkeit
  • III - Blauer Bereich: Landkarte von Rheinland-Pfalz mit farbkodierter Darstellung der gewählten Daten. Klicken Sie einmal auf einen Landkreis, um die Daten dieses Landkreises einzusehen. Klicken Sie zweimal außerhalb der Landkreise, um wieder zum gesamten Bundesland zu wechseln. Scrollen Sie zum Heranzoomen. Klicken und ziehen Sie die Landkarte, um sich auf der Karte zu bewegen.
  • IV - Pinker Bereich: Zeitverlauf der ausgewählten Daten in Rheinland-Pfalz (falls kein Landkreis ausgewählt ist) oder im Landkreis Ihrer Wahl aus der Landkarte. Dieses Diagramm hat interaktive Elemente.
  • V - Gelber Bereich: Zusätzliche Bedienelemente zur feinen Steuerung der Methoden, die sich auf mehrere Analysen auswirken (z.B. Auswahl der Referenzbevölkerung für direkt standardisierte Mortalitätsraten, zeitliche Auflösung Monat vs. Jahr).

Methoden

Altersstandardisierte Sterblichkeit 2015-2023 / 100.000 Einwohner / Jahr

Methoden

Altersstandardisierte Sterblichkeit 2015-2023 / 100.000 Einwohner / Jahr

Standardisiertes Mortalitätsverhältnis (SMR, alle Todesursachen) 2020-2023 vs. Durchschnitt 2015-2019

‌

Methoden

Das standardisierte Mortalitätsverhältnis (SMR, indirekte Altersstandardisierung) ist das Verhältnis der beobachteten Todesfälle in 2020-2023 zu den erwarteten Todesfällen für diesen Zeitraum, wobei die erwarteten Todesfälle mit der durchschnittlichen Sterberate der Jahre 2015-2019 pro Altersgruppe berechnet wurde. Übersterblichkeit (absolute Fallzahlen) ist die Differenz der beobachteten und erwarteten Todesfälle. Datenquelle: Statistisches Landesamt Rheinland-Pfalz . Die Daten zu Bevölkerungszahlen und Sterbefällen für 2015-2018 stammen aus einer anderen Quelle als die Daten für 2019-2023. Unter dem Reiter -Über das Projekt- finden Sie mehr Informationen.

Standardisiertes Mortalitätsverhältnis (SMR, alle Todesursachen) 2020-2023 vs. Durchschnitt 2015-2019

Q-Q-Diagramm der p-Werte gegen eine Gleichverteilung

Modell - Darstellungsoptionen

Methoden

Geschätzte Über- oder Untersterblichkeit in Bezug auf die erwartete Sterblichkeit. Die erwartete Sterblichkeit wurde mit Daten aus den Jahren 2015-2019 und einem multivariaten Negativ-Binomial-Regressionsmodell berechnet. In diesem Modell wurden Altersgruppe, Geschlecht, Durchschnittstemperatur, Grippeaktivität, regionale sozioökonomische Deprivation, Kalenderdatum und Kalendermonat (zyklischer Effekt) berücksichtigt. Die Daten stammen aus mehreren Quellen: Die Daten zu Bevölkerungszahlen und Sterbefällen für 2015-2019 stammen aus einer anderen Quelle als die Daten für 2020-2023. Unter dem Reiter -Über das Projekt- finden Sie mehr Informationen.

Ergebnisse der Modelanpassung

Bevölkerung von Rheinland-Pfalz

Bevölkerung von Rheinland-Pfalz

‌

Die monatlichen Bevölkerungszahlen für 2015-2018 wurden auf Basis der jeweils benachbarten jährlichen Bevölkerungszahlen (Stichtag: 31. Dezember) linear interpoliert. Datenquelle für die Jahre 2015-2018: Statistisches Landesamt Rheinland-Pfalz Datenquelle für die Jahre 2019-2023: KommWis GmbH - EWOIS Gemeindestatistik. Unter dem Reiter -Über das Projekt- finden Sie mehr Informationen.

Sterbefälle in Rheinland-Pfalz

Sterbefälle in Rheinland-Pfalz

‌

Datenquelle: Statistisches Landesamt Rheinland-Pfalz . Unter dem Reiter -Über das Projekt- finden Sie mehr Informationen.

Saisonale Grippeaktivität 2015-2023

Saisonale Grippeaktivität 2015-2023

‌

Datenquelle: Robert Koch-Institut (RKI) SurvStat@RKI 2.0 https://survstat.rki.de/ . Unter dem Reiter -Über das Projekt- finden Sie mehr Informationen.

Wetter nach Landkreis 2015-2023

Wetter nach Landkreis 2015-2023

‌

Datenquelle: AgrarMeteorologie Rheinland-Pfalz - Dienstleistungszentrum Ländlicher Raum. Unter dem Reiter -Über das Projekt- finden Sie mehr Informationen.

GISD regionaler Deprivationsindex

GISD regionaler Deprivationsindex

‌

Datenquelle: GitHub - Article . Unter dem Reiter -Über das Projekt- finden Sie mehr Informationen.

Datenquellen

Bevölkerung

  • Statistisches Landesamt Rheinland-Pfalz
  • 2015-2022: Official population statistics
    • Aufgeteilt nach Landkreis, Jahr, Geschlecht, Altersgruppe (5 Jahre)
    • Geprüfte jährliche Bevölkerungszahl für das Referenzdatum 31. Dezember
  • 2019-2024: EWOIS municipality statistics (KommWis GmbH)
    • Aufgeteilt nach Landkreis, Monat, Geschlecht, Altersgruppe (unterschiedlich, 1-10 Jahre)
    • Änderungen vorbehalten nach Bestätigung durch das Statistische Landesamt

Sterbefälle

  • Statistisches Landesamt Rheinland-Pfalz
  • 2015-2020: Sterbefälle
    • Aufgeteilt nach Landkreis, Woche/Monat, Geschlecht, Altersgruppe (5 Jahre)
    • Todesfälle sind dem Wohnort der Person, nicht dem Ort der Todesmeldung, zugeordnet.
    • Umfassende Qualitätskontrolle
  • 2020-2024: Incoming data (Bureaus of Vital Statistics)
    • Aufgeteilt nach Landkreis, Woche/Monat, Geschlecht, Altersgruppe (5 Jahre)
    • Todesfälle sind dem Wohnort der Person, nicht dem Ort der Todesmeldung, zugeordnet.
    • Es wurde ein anfänglicher Plausibilitätscheck durchgeführt, aber keine nachträglichen Korrekturen von den Standesämtern oder ein Austausch von Todesfällen mit anderen Bundesländern wurden durchgeführt.

SARS-CoV-2 Infektionen / COVID-19 Todesfälle

Saisonale Grippeaktivität

GISD regionaler sozioökonomischer Deprivationsindex

Wetter

Geocodierung

Methoden

Schätzung der Über- / Untersterblichkeit

Excess mortality and mortality deficit both designate current observed mortality that can be regarded unusual in light of past mortality when considering all relevant boundary conditions that are not unique to the current situation.

Übersterblichkeit bezeichnet hier eine beobachtete Sterblichkeit, die höher als erwartet ist. Die erwartete Sterblichkeit ist die durchschnittliche Sterblichkeit vergangener Jahre unter Berücksichtigung wichtiger Einflüsse, die sich mit der Zeit verändern können. Umgekehrt reden wir von einer Untersterblichkeit, wenn die aktuell beobachtete Sterblichkeit geringer ist als erwartet. Somit erfassen Über- und Untersterblichkeit die Sterblichkeit, die wir den besonderen Umständen der COVID-19 Pandemie zuschreiben können.

On the population level, all cause mortality rates depend on the demographic structure as well as on external influences such as temperature or a severe flu season. Mortality may also follow slow secular trends that reflect changes in nutrition, lifestyle factors, and medical treatment efficacy for common diseases.

Alter ist der größte Risikofaktor für den Tod, wobei sich der genaue Zusammenhang aufgrund bestimmter Erkrankungen (z.B. Brustkrebs) zwischen den Geschlechtern unterscheidet. Aus diesem Grund muss bei der Bewertung der Gesamtsterbefälle sowohl die Größe der Bevölkerung als auch ihre Alters- und Geschlechtsstruktur berücksichtigt werden.

Um die Sterbefälle zwischen unterschiedlichen Zeiträumen oder unterschiedlicher Regionen vergleichen zu können, ist die Verwendung von Methoden notwendig, die eine abweichende Bevölkerungszusammensetzung und externe Einflüsse berücksichtigen. Zu diesem Zweck haben wir drei Ansätze zur Analyse der Sterbefälle in Rheinland-Pfalz verfolgt.

Standardisierte Sterberaten / 100.000 Einwohner / Kalenderjahr

  • Direkte Altersstandardisierung
    • Standardreferenzbevölkerung: Deutschland 2011
    • Wenn Bevölkerungsdaten für einen bestimmten Zeitraum noch nicht vorliegen, für den die Sterbefälle bereits verfügbar sind, wird die letzte bekannte Bevölkerungszahl fortgeschrieben (last observation carried forward)
  • Sterbefälle aufgeteilt nach Landkreis, Monat, Geschlecht, Altersgruppe (10 Jahre)
  • Die Sterberate pro 100.000 Einwohner in einem gegebenen Monat (bzw. einer gegebenen Woche) wird angegeben als jährliche Sterberate. Dazu wird die Sterberate pro Monat multipliziert mit (365.25 / Anzahl der Tage im Monat), die Sterberate pro Woche wird multipliziert mit (365.25/7).
  • Konfidenzintervall berechnet mit der Methode von Dobson

Standardized Mortality Ratio (SMR) 2020-2024 vs. 2015-2019

  • Indirekte Altersstandardisierung
    • Ratio of observed to expected deaths in 2020-2024 based on respective averages of the age- (10 year groups) and sex-stratified mortality rates from 2015-2019
    • Über- / Untersterblichkeit wird berechnet als Anzahl der beobachteten Sterbefälle minus die erwarteten Sterbefälle.
  • Sterbefälle aufgeteilt nach Landkreis, Monat, Geschlecht, Altersgruppe (10 Jahre)
  • p-Wert berechnet aus dem Poisson-Test mit mid-p Korrektur
  • Konfidenzintervall berechnet aus dem Poisson Test

Excess Mortality 2020-2024

  • Regressionsmodellierung der Sterbefälle unter Berücksichtigung aller relevanten Kovariaten, die die demografische Struktur der Bevölkerung sowie externe Einflüsse abbilden. Das an die Daten auf Kreisebene von 2015-2019 angepasste Regressionsmodell wird zur Ableitung der Vorhersage auf Kreisebene für 2020-2023 verwendet. Die Differenz zwischen beobachteten und erwarteten Sterbefällen wird als Über- / Untersterblichkeit bezeichnet.
  • Negativ-Binomial-Regressionsmodell für Gesamtsterblichkeit (alle Todesursachen)
    • Unter Verwendung von Bayesscher Modellanpassung mit Hamilton Monte Carlo ( Stan / brms )
  • Kovariaten
    • Kalenderdatum numerisch
    • Kalendermonat numerisch
      • Abgebildet auf das Intervall [0,2*pi] - zyklisch (sin, cos)
    • Geschlecht, Referenzgruppe: Männer
    • Altersgruppe (10 Jahre), Referenzgruppe: 30-39 Jahre alt
    • Der monatliche Mittelwert der täglichen Durchschnittstemperatur
      • Stückweise linearer Spline, 1 interner Knoten bei 18 Grad Celsius
    • Saisonale Grippeaktivität
    • GISD regionaler sozioökonomischer Deprivationsindex
    • Offset: Logarithmus der Personenzeit (Bevölkerungsgröße*Tage pro Monat)
      • Wenn Bevölkerungsdaten für einen bestimmten Zeitraum noch nicht vorliegen, für den die Sterbefälle bereits verfügbar sind, wird die letzte bekannte Bevölkerungszahl fortgeschrieben (last observation carried forward)
  • Vorhersage
    • Über- bzw. Untersterblichkeit = beobachtete Todesfälle - vorhergesagte Todesfälle
    • Vorhersageunsicherheit beruhend auf den 25%/75% (2.5%/97.5%) Quantilen der Posterior-Verteilung aller 10.000 MCMC-Ziehungen. Sowohl die Unsicherheit der Parameterschätzungen des Modells als die auch erwartete zufällige Variation in den Häufigkeiten für eine Negativ-Bbinomial-Verteilung werden berücksichtigt.
    • Man kann auch eine direkte Alterstandardisierung vor der Berechnung der Über- / Untersterblichkeit durchführen (Standardreferenzbevölkerung: Deutschland 2011). Das Ergebnis ist dann aber keine Sterberate im engeren Sinne, denn negative Werte sind möglich (entspricht einer Untersterblichkeit). Die Berechnung eines Konfidenzintervalls ist dann nicht möglich, weil dafür nicht negative Häufigkeiten notwendig sind.

Unterschiedliche Quellen der Bevölkerungszahlen

For 2015-2022, population data is available as the verified annual count at the reference date of December 31st. Monthly counts are derived from annual counts by linear interpolation between adjacent end-of-year counts, stratified by district, sex, and age group. For 2019 onward, preliminary monthly counts are also available. Since official registration of residents may be processed with an unknown delay, monthly counts have some uncertainty.

For 2019-2022, population data is available both as the verified end-of-year counts, and as preliminary monthly counts. The observed differences between preliminary monthly counts and linearly interpolated annual counts are minor relative to population size. With a Poisson GLM regression model, we calibrated the 2019-2022 monthly counts to the linearly interpolated end-of-year counts using age group as a covariate and log monthly population count as offset. Predictions from this regression model were used as the estimate of the monthly population counts for 2019-2024 in all analyses.

Grippeaktivität, korrigiert für öffentliche Feiertage

Aufgrund der Schließung von Arztpraxen an öffentlichen Feiertagen werden weniger Fälle der saisonalen Influenza gemeldet. Als Folge kann die wöchentliche Grippeaktivität über Feiertage unterschätzt sein. Für Weihnachten und Ostern korrigieren wir für diesen Effekt mit folgender Heuristik:

If the Influenza activity in the calendar week of the national holiday is lower than both the preceding and the following calendar week, this dent is replaced by linear interpolation of the values for the adjacent calendar weeks.

Monatliche Durchschnittstemperatur des Landkreises

Zur Berechnung der monatlichen Durchschnittstemperaturen der Landkreise wurden die täglichen Messungen aller Wetterstationen verwendet. Die Wetterstation sind betreut durch AgrarMeteorologie Rheinland-Pfalz und von DWD . Die monatliche Durchschnittstemperatur eines Landkreises ist das Mittel der täglichen Durchschnittstemperaturen aller Wetterstationen im Landkreis über alle Tage des Monats hinweg. Da sich keine Wetterstation in Zweibrücken befindet, wurde die Temperatur mit den durchschnittlichen Temperaturen der restlichen Kreise der Landesregion Pfalz (d.h. Südwestpfalz, Kusel, Kaiserslautern) imputiert.

Hintergrund

Projekt

Überwachung der Gesamtsterblichkeit in Rheinland-Pfalz während der COVID-19 Pandemie

Wollschläger D, Schmidtmann I, Fückel S, Blettner M, Gianicolo E. Erklärbarkeit der altersadjustierten Übersterblichkeit mit den COVID-19-attribuierten Sterbefällen von Januar 2020 bis Juli 2021. Bundesgesundheitsblatt 2021. doi 10.1007/s00103-021-03465-z.

Wollschläger D, Fückel S, Blettner M, Gianicolo E. Übersterblichkeit im Kontext der COVID-19-Pandemie in Deutschland. Die Kardiologie 2024. doi 10.1007/s12181-024-00666-z

Zusammenfassung

The total impact of COVID-19 on public health includes short-term and long-term effects as well as direct and indirect effects on population mortality. A lack of testing can lead to undercounting of SARS-CoV-2 infections. Therefore, total COVID-19 associated mortality cannot be solely derived from the number of individual deaths that were explicitly attributed to COVID-19 when the deceased had a confirmed SARS-CoV-2 infection. In contrast, uncertainty in cause-of-death assignment and multi-causal pathways to death can lead to overreporting of COVID-19 deaths. Furthermore, there may be changes in health-related behavior, and in delivery of health services because of the pandemic. This may result in indirect effects on mortality by changing mortality patterns from other causes of death.

Deshalb ist es notwendig, die räumlichen Muster und zeitlichen Trends der Gesamtsterblichkeit sowie Veränderungen in der Häufigkeit individueller Todesursachen zu überwachen, um alle Auswirkungen von COVID-19 auf die Sterblichkeit einschätzen zu könnne.

Hintergrund

  • Deaths caused by COVID-19 may go undetected, and may be wrongly attributed to other causes of death because infected persons were not tested for SARS-CoV-2. Lack of testing would result in underestimation of COVID-19 mortality. Deaths that are a late complication of COVID-19 disease long after hospitalization for the infection may not be attributed to COVID-19.
  • Cause-of-death attribution can be uncertain when multiple causal factors contribute to the death of a person. To an unknown extent, deaths caused by COVID-19 may affect patients of old age or with severe co-morbidities who had limited life expectancy even without COVID-19. On the population level, this would lead to overestimating the net effect of COVID-19 on long-term population mortality because COVID-19 mortality would be partially compensated by a delayed reduction in mortality from competing risks of death (harvesting effect).
  • Registration of mortality due to any cause is independent from SARS-CoV-2 testing and from uncertainty in cause-of-death assignment. It can therefore be carried out objectively and consistently across regions. Uncertainty with respect to all-cause mortality usually concerns only the precise date of death, and attribution to the location of residence vs. location of the reporting institution.
  • The COVID-19 pandemic may have had a number of indirect effects on population mortality that are not reflected in mortality directly caused by COVID-19:
    • Perceived increased risk of SARS-CoV-2 infection in hospitals may have made people reluctant to seek medical attention for early symptoms of potentially fatal disease. An increase in severe diseases initially diagnosed in later stages would lead to delayed higher mortality from causes of death such as cancer, myocardial infarction or stroke.
    • Die Zuweisung von Versorgungskapazitäten in Krankenhäusern zur Behandlung von COVID-19 Patienten zulasten anderer Patientengruppen könnte zu Störungen der Gesundsheitsversorgung für andere Patienten führen und Auswirkungen auf deren Sterblichkeit haben. Zum Beispiel können verschobene Operationen die unmittelbare Sterblichkeit verringert haben, aber dafür die verzögerte Sterblichkeit erhöht haben.
    • Non-pharmaceutical interventions (social distancing) have led to changes in behavior with reduced mobility which may have affected the frequency of accidents.
    • Psychological distress due to perceived health threats, social isolation, or financial burden following reduced income may have affected the frequency of deaths of despair. Conversely, reduced pressure due to work or school combined with more spare time for family members, hobbies, and sport may have had beneficial effects.
    • Less industrial activity and less traffic may have resulted in reduction of air pollution levels.

For the given reasons, it can be informative to complement case-based mortality statistics for COVID-19 with an analysis of spatial and temporal trends in all-cause mortality at the population level irrespective of attribution to COVID-19. This allows to assess the sum of the direct and indirect effects of the pandemic on public health with respect to mortality.

Die Ergebnisse dieser Studie werden uns Aufschluss über das auf Kreisebene aufgelöste Ausmaß der Auswirkungen der COVID-19 Pandemie auf die Sterblichkeits der Bevölkerung in Rheinland-Pfalz geben. Sie dienen auch der Klärung der Frage, ob bei den offiziellen Statistiken zur COVID-19 bedingten Sterblichkeit die tatsächliche Anzahl von COVID-19 verursachten Todesfällen über- oder unterschätzt wurde.

Forschungsfragen

  • Ist die berichtete Zahl der an oder mit COVID-19 verstorbenen Personen konsistent mit der Gesamtsterblichkeit der Bevölkerung im gleichen Zeitraum, oder gibt es Hinweise auf eine unbemerkte Übersterblichkeit verbunden mit der COVID-19 Pandemie?
  • Gibt es Hinweise auf eine zeitlich verschobene Sterblichkeit im Sinne einer anfänglichen Übersterblichkeit aufgrund von COVID-19, die später durch eine Untersterblichkeit aufgrund von anderen Todesursachen ausgeglichen wurde?
  • Gibt es indirekte Auswirkungen der COVID-19 Pandemie durch die gesundheitspolitischen Maßnahmen oder durch Veränderungen im Gesundheitsverhalten auf die Sterblichkeit aufgrund von anderen Todesursachen als COVID-19?

Mitwirkende Projektpartner

Personen

Software

Funding

Andere Projekte zur Überwachung der Gesamtsterblichkeit

Nationale Projekte

Europaweit