Vom 06. bis zum 08. Juli fand das Online Symposiums “COVID-19 als Zäsur? Geographische Perspektiven auf Räume, Gesellschaften und Technologien in der Pandemie” statt. Teilnehmer aus Geographie, Medizin, Public health und meidizinischer Geographie diskutierten über drei Tage in sechs verschiedenen Sessions aktuelle Implikationen der COVID-19 Pandemie im Rahmen von Studienergvorhaben und -ergebnissen. In der Session Gesundheit und Raum berichtete Marcel Reinmuth aus seinen Arbeiten am HeiGIT zu physischen Erreichbarkeiten von Krankenhäuser in Subsahara Afrika.
Die vorgestellten Ergebnisse können Sie hier nachlesen:
Mithilfe von Standorten von Krankenhäusern und der Isochronen Funktion des OpenRouteService haben wir eine Methode zum Vergleich des physischen Zugangs zur Gesundheitsversorgung in SubSahara-Afrika. Die Krankenhausstandorte wurden aus OpenStreetMap abgeleitet und mit einem anderen frei verfügbaren Datensatz verglichen. Die Ergebnisse weisen auf eine starke Ähnlichkeit der beiden Krankenhaus-Datensätzen hin. Die Unsicherheit der Methode erfordert jedoch weitere Untersuchungen.
Motivation
Seit Januar sehen wir das neue SARS-CoV-2 Virus um die Welt reisen. Ausgehend von Wuhan, China, im Dezember 2019 wurde Europa im März 2020 zum Epizentrum der Krise und im darauf folgenden Monat folgten die USA. Anfang Juni erklärte die WHO Lateinamerika zum neuen Epizentrum, wobei vorallem die Zahlen in Brasilien steigen. Afrika, ein Kontinent mit ~1.27 Milliarden Menschen und nur ~2000 Beatmungsgeräten, wurde in den Medien bisher wenig beachtet. Die pandemie erreichte den Kontinent Ende Februar und breitete sich bis Mitte Mai in alle 55 Länder aus. Heute gibt es in Afrika ~523,000 bestätigte Fälle und ~12,233 gemeldete Todesfälle. Offiziell gab es in keinem afrikanischen Land einen Ausbruch wie in Norditalien oder New York City. Das Risiko eines unerkannten Ausbruchs, vor allem in ländlichen Regionen wird durch geringe Testkapazitäten verschärft. Im globalen Wettlauf um medizinische Ausrüstung fehlt den meisten afrikanischen Ländern die wirtschaftliche Macht auf dem Weltmarkt zu konkurrieren (Kavanagh et al. 2020). Die Struktur der Gesundheitssysteme wird vermutlich eine der Schlüsselrollen bei der Bewältigung der Pandemie zukommen. Wir schauen uns die Erreichbarkeiten und damit die Einzugsgebiete für Krankenhäuser südlich der Sahara im folgenden genauer an.
Methode
Wir sind die Frage zur Struktur der Gesundheitssysteme in Subsahara-Afrika (SSA) mit einem Proxy – der physischen Erreichbarkeit von Krankenhäusern – angegangen. Mit Hilfe von öffentlich zugänglichen Krankenhausstandortdaten, dem Openrouteservice ORS Isochrone und Bevölkerungsdaten konnten wir die Fahrtzeiten von Krankenhausstandorten und die jeweils erreichte Bevölkerung pro Land in SSA berechnen. In einem früheren Blogpost verglichen wir die Vollständigkeit der in OSM kartierten Gesundheitseinrichtungen mit einem Archiv von öffentlichen Gesundheitseinrichtungen, das von einem Team des KEMRI-Wellcome Trust Research Programme zusammengestellt wurde (Maina et al. 2019). Für die Analyse in diesem Blog haben wir sowohl OSM- als auch KEMRI-Einrichtungen verwendet. Für jedes Land haben wir Isochronen mit einer Reisezeit von 1 Stunde mit Hilfe eines Profils zum Autofahren berechnet. Anschließend kombinierten wir die Isochronen zusammen und extrahierten Bevölkerungsinformationen aus einem 1-km-Raster von WorldPop.
Ergebnisse
Obwohl sich beide Datensätze hinsichtlich der Anzahl der repräsentierten Krankenhäuser erheblich unterscheiden, haben wir festgestellt, dass die Unterschiede eher marginal sind, wenn sie für eine Erreichbarkeitsanalyse verwendet werden (Abbildung 1). Der Anteil der Bevölkerung innerhalb einer Autostunde liegt bei 49,8 %, wenn die in OSM kartierten Krankenhäuser genutzt werden, und bei 47,9 %, wenn man sich auf Krankenhäuser in KEMRI stützt. Das Land mit dem am wenigsten erreichten Bevölkerungsanteil für beide Datenquellen ist der Südsudan (OSM: 6,99%; KEMRI: 8,81). Das Land mit der größten Abdeckung in OSM ist Burundi, für KEMRI ist es Ruanda. KEMRI beinhaltet 4.831 Krankenhäuser für SSA, während in OSM mit 13.460 fast dreimal so viele Krankenhäuser abbildet. Der durchschnittliche Unterschied in der erreichten Bevölkerung beträgt 5 % und reicht von 0,06 % in Äthiopien bis 14,9 % in Gambia. Insgesamt gibt es eine starke Korrelation des Bevölkerungsanteils, der von beiden Datenquellen erreicht wird, was durch einen Pearson r von 0,973 angegeben wird (Abbildung 2)
Wenn wir uns die Unterschiede nach Ländern ansehen, stellen wir fest, dass die Auswirkungen einer Über- oder Unterschätzung von Krankenhäusern für unsere Analyse nicht entscheidend sind. Abbildung 3 zeigt die Verteilung der Bevölkerung, der Krankenhäuser und des innerhalb einer Stunde erreichten Gebiets für Nigeria und Lesotho. Nigeria ist mit 2.907 Krankenhäusern in OSM und 887 in KEMRI repräsentiert. Lesotho ist mit 56 Krankenhäusern in OSM und 14 in KEMRI vertreten. Ungeachtet der Tatsache, dass OSM die Zahl der Krankenhäuser scheinbar weit überschätzt, unterscheidet sich der erreichte Anteil an der Bevölkerung für Nigeria nur um etwa 11,9% und für Lesotho um 1,3%. Obgleich die Anzahl an Krankenhäusern sehr unterschiedlich ist, folgt OSM einer ähnlichen Verteilung wie KEMRI und umgekehrt.
Aber wie ergeben sich Verteilungsmuster, wie wir sie in Nigeria sehen? Der zentrale Norden Nigerias ist laut OSM sehr dicht mit Krankenhäusern versorgt. Eine kurze Recherche zeigt dass in der Region Daten importiert wurden. In Kano und Bauchi, zwei Bundesstaaten am selben Ort, wurden 2014 ~1.500 Einrichtungen importiert. Für den nordöstlich gelegenen Staat Borno wurden 2015 etwa 500 Einrichtungen importiert.
Limitierungen & Ausblick
Weitere Untersuchungen zur Zuverlässigkeit der Ergebnisse sind erforderlich. Die Genauigkeit sowohl von KEMRI als auch von OSM ist fraglich und erfordert eine solide Bewertung. Das zugrunde liegende Modell des Isochronendienstes nutzt das Straßennetz in OSM. Die Vollständigkeit und Genauigkeit von OSM kann von Region zu Region variieren. Darüber hinaus ist das Isochronenmodell für einen globalen Use case ausgelegt, wobei die Ergebnisse in stärker industrialisierten Kontexten näher an der Realität liegen. Unsere Ergebnisse der Reisezeiten in SSA müssen im entsprechenden Kontext, als best-case Szenario betrachtet werden. Werkzeuge und Dienste wie die OpenStreetMap History Analytics-Plattform ohsome und ohsomeHEX werden uns helfen die OSM Daten und ihre Entwicklung in diesem und anderen Kontexten besser zu verstehen.
Bleiben Sie dran. Unsere Arbeiten zur Aussagekraft der Ergebnisse werden wir in einem kommenden Blog-Beitrag veröffentlichen.
Here you find a English version of that Blogpost