Özgün Araştırma

COVID-19 Salgını için Türkiye’de Nisan Ayı Sonuna Kadar İhtiyaç Duyulan Yoğun Bakım Yatak Sayısı ve Hastane Kapasitesinin Dolaylı Tahmini

10.4274/tybd.galenos.2020.68077

  • Handan Ankaralı
  • Seyit Ankaralı

Gönderim Tarihi: 05.04.2020 Kabul Tarihi: 10.04.2020 J Turk Soc Intens Care 2020;18(1):22-30

Amaç:

Yaklaşık 4 aylık süreçte tüm dünyayı ciddi düzeyde tehdit eden Koronavirüs hastalığı-2019 (COVID-19) salgınının başarılı yönetimi için alınacak tedbirlerin başında sağlık hizmetleri yönetimi gelmektedir. Gelindiği noktada yaşanan veya yaşanabilecek olan zorluklar arasında, sağlık personel eksikliği, sağlık ekipman yetersizliği ve alt yapı eksikliği sayılabilir. Bu problemlerin çözümünde veriye dayalı öngörüler büyük önem taşır. Bu çalışmada, nisan ayı ilk haftası itibariyle, Türkiye’de COVID- 19 salgınıyla mücadele eden illerin salgın indikatörlerini il ve bölge bazlı tanımlamak, illerin nüfus yoğunluğu ile olgu sayısı arasındaki ilişkiyi incelemek, yeni olgu oranındaki değişimi ortaya koymak ve nisan ayı sonuna kadar gün-gün ihtiyaç duyulan yoğun bakım yatak sayısı ve entübasyon sayısını tahmin etmek amaçlandı.

Gereç ve Yöntem:

Çalışmada yapılan değerlendirmeler için, T.C. Sağlık Bakanlığı tarafından gün-gün açıklanan salgın göstergeleri ve test sayıları ile birlikte Dünya Sağlık Örgütü’nün yayınladığı bilgiler kullanıldı. Veri analizinde Spearman rank korelasyon analizi, Poisson regresyon modeli kullanıldı. Ayrıca ihtiyaç tahminleri yapmak için yeni bir algoritma önerildi.

Bulgular:

Şehir yoğunluğu ile olgu sayısı arasındaki ilişki istatistiksel olarak anlamlı bulundu (r=0,464, p<0,001) ve kilometrekare başına düşen insan sayısı 1 kişi arttığı zaman toplam olgu sayısının da 1 artacağı tahmin edildi. 29 Mart ve 5 Nisan tarihleri arasında yapılan günlük testler içindeki yeni olgu oranında küçük değişiklikler gözlendi. Ayrıca 24 Mart tarihinden 7 Nisan’a kadar gün-gün açıklanan toplam yoğun bakım hasta sayısı, toplam entübe hasta sayısı, toplam evde karantinaya alınan veya hastanede normal serviste yatan hasta sayısı ve toplam iyileşen sayısı verileri ile birlikte toplam olgu sayıları kullanılarak, yoğun bakım yatak sayısı, entübe sayısı gibi hastanelerde verilecek hizmet alt yapı gereksinimleri tahmin edilerek tablolar halinde verildi.

Sonuç:

Bu tip çalışmalar ile önceliklerin sorgulandığı şu günlerde en önemli sırada yer alan sağlık sorunlarını çözmeye yardımcı olunacağı unutulmamalıdır.

Anahtar Kelimeler: Yoğun bakım, entübasyon, COVID-19, zaman serileri, poisson regresyon

Giriş

Yaklaşık 4 aylık süreçte tüm dünyaya yayılan Koronavirüs hastalığı-2019 (COVID-19) pandemisi, sağlık alt yapısı, ekonomi, psikoloji, eğitim ve kısaca yaşamın her alanında ciddi tehditler ve dönüşümlere neden olmuştur. Nisan başı itibariyle 200’ün üzerinde ülke bu salgınla mücadeleyi sürdürmekte olup çeşitli boyutlarda karşılaşılan problemlerle baş etmeye çalışmaktadır. Bu problemin küresel çözümü gerçekleşmeden ülkelerin refahı nerdeyse mümkün görünmemektedir. Bu amaçla ülkeler arası yardımlaşmalar veya politika paylaşımları, tedavi veya aşı çalışmaları, mevcut durumla baş etmek için veri tabanlarının açılması gibi birçok çaba ile karşı karşıyayız. Ayrıca koronavirüsün neden olduğu hastalık, insan-insan etkileşimiyle çok kolay bulaşan ve yayılan bir hastalık olduğu için “evde kal, evde hayat var” önlemleri, alınan/alınacak tedbirler arasında en önemli yeri teşkil etmektedir. Çünkü devletlerin kapasiteleri ve hizmet sunumları bir ülkenin tamamının enfekte olması durumunda yetersiz kalacaktır. Olgu sayısının artış gösterdiği dönemlerde karşılaşılabilecek en büyük problem sağlık alt yapısı yetersizliği veya uygunsuzluğudur. Bu sorunların incelenmesi veya salgın etkilerinin öngörülmesi, devlet tarafından sunulabilecek hizmet çeşitlerinin ve gerekli alt yapının sağlanabilmesi açısından büyük önem taşır. Mevcut veriler ışığında, yapılacak tahminler bu sorunların önceden öngörülmesini sağlayabilecektir.

Bu çalışmada, nisan ayı ilk haftası itibariyle, Türkiye’de salgınla mücadele eden illerin salgın indikatörlerini il ve bölge bazlı tanımlamak, illerin kilometrekare başına düşen nüfus yoğunluğu ile olgu sayısı arasındaki ilişkiyi incelemek, yeni olgu oranındaki değişimi ortaya koymak ve nisan ayı sonuna kadar gün-gün ihtiyaç duyulan yoğun bakım yatak sayısı ve entübasyon sayısını tahmin etmek amaçlandı.


Gereç ve Yöntem


Veriler

Çalışmada yapılan değerlendirmeler için T.C. Sağlık Bakanlığı tarafından gün-gün açıklanan salgın göstergeleri ve test sayıları ile birlikte Dünya Sağlık Örgütü’nün yayınladığı bilgiler kullanıldı (1,2).


İstatistik Analiz

İl yoğunlukları (kilometrekare başına düşen insan sayısı) ile toplam pozitif olgu sayısı arasındaki ilişki Spearman rank korelasyon analizi ile incelendi. Ayrıca yoğunluktaki 1 kişilik artışa karşılık toplam olgu sayısındaki değişim Poisson regresyon modeli ile değerlendirildi.

Yoğun bakımda ihtiyaç duyulacak yatak sayısı, entübasyon sayısı, hastanede servis hizmeti veya evde karantinaya alınan hasta sayısı ve iyileşen sayısının tahmininde aşağıda tanımlanan algoritma kullanıldı. Bu algoritma, çalışmanın yazarları tarafından özgün olarak üretilen bir algoritmadır.

Elde edilen sonuçlar, nokta tahmin ve %95 güven aralığı tahminleri olarak ifade edildi.


Tahmin Algoritması

• Birinci adım: 11 Mart - 7 Nisan tarihlerinde açıklanan toplam olgu sayısına ait tahmin modeli geliştirilir ve 30 Nisan tarihine kadar gün-gün nokta ve %95 güven aralığı tahminleri elde edilir.

• İkinci adım: Toplam olgu sayısı ile ilgili ileri tarihler için bulunan nokta ve aralık tahminleri dikkate alınarak, yoğun bakımda yatacak hasta sayısı, entübe hasta sayısı, hastane servislerinde yatan veya evde karantinaya alınan hasta sayısı ve iyileşecek hasta sayısı hesaplanır. 27 Mart - 7 Nisan tarihleri arasında söz konusu göstergelerin toplam olgu içindeki payları küçük değişkenlik göstermektedir. Ancak son günlerde artan test sayısı nedeniyle, hastalığa erken döneminde teşhis konulabildiği için, toplam olgu içinde yoğun bakım ve entübe hasta oranında azalma eğilimi gözlenmiştir. Bu nedenle hesaplamalarda, günlere göre toplam olgu içindeki payın son birkaç gündeki eğilimi kullanıldı. Özetle ileri tarihli yaklaşık 1 aylık tahmini toplam olgu sayıları içinde yoğun bakım yatak sayısı ve entübasyon sayısı belirlenirken Tablo 2’nin alt satırında verilen oranlar kullanıldı.

• İlgili indikatör için formül: (Her bir gün için tahmini toplam olgu sayısı) x (indikatöre ait ortalama sıklık)

• Bulunan sayılar Türkiye için tahmini yoğun bakım yatak sayısı (= tahmini yoğun bakıma ihtiyaç duyan hasta sayısı) ve entübasyon sayısı (= tahmini entübe hasta sayısı) olarak kullanılabilir.

Ayrıca tahmin edilecek hastane servislerinde yatan veya evde karantinaya alınan hasta sayısı ve iyileşecek hasta sayısı farklı hizmetlerin gereksiniminde büyük önem taşır.

Salgın göstergelerinden birisi olan toplam olgu sayısı aşağıdaki gibi formülize edilir.

Toplam Olgu = Toplam Yoğun Bakım Hastası (Entübe veya Entübe değil) + Toplam Evinde Karantinada / Hastane Normal Serviste Yatan Hasta Sayısı + Toplam Ölüm + Toplam İyileşen

Grafikler, web tabanlı datawrapper görselleştirme aracında, veri analizleri ise STATA (ver. 14) programında gerçekleştirildi. İstatistik anlamlılık düzeyi olarak p<0,05 kabul edildi.


Bulgular

Türkiye’de 10 Mart tarihinden 3 Nisan tarihine kadar, toplam olgu sayısı içinde günlük olgu ve günlük ölüm oranları Şekil 1’de verildi. Şekil 1 incelendiğinde, 20 Mart tarihinden itibaren her iki oranın da %15-%40 arasında bir değişim gösterdiği, zaman geçtikçe daha dar bir aralıkta yer aldığı ve azalan yönde değişim gösterdiği görülür.

İllere düşen olgu sayısı ve ölüm sayısı Şekil 2, 3, 4, 5 arasında özetlendi. Şekil 2’de kilometrekare başına düşen kişi sayısı (yoğunluk) dikkate alınarak toplam pozitif olgu sayısının illere göre dağılımı verildi. İstanbul’da, kilometrekare başına düşen kişi sayına karşılık gelen toplam olgu sayısı oldukça yüksektir. İstanbul hariç tutularak grafik yeniden çizildiğinde genel olarak il yoğunluğu artıkça toplam olgu sayısında artış olduğu ancak Isparta, Sakarya gibi illerde yoğunluğun düşük olmasına karşın toplam olgu sayısının fazla olduğu görülür (Şekil 3). Ayrıca şehir yoğunluğu ile olgu sayısı arasındaki ilişkinin istatistiksel olarak anlamlı olduğu (r=0,464, p<0,001) ve kilometrekare başına düşen insan sayısı 1 kişi arttığı zaman toplam olgu sayısının da 1 artacağı tahmin edildi. Bu sonuçlar olgu sayısının yoğunlukla ilişkili olduğunun bir göstergesidir ve yoğunluğun, toplam olgu sayısını tahmindeki başarısı %22’dir.

Toplam ölüm sayılarının şehir yoğunluklarına göre dağılımı Şekil 4 ve Şekil 5’te verildi. İstanbul’da ölüm oranı en yüksek olup, bunu İzmir, Ankara ve Konya izlemektedir.

Toplam olgu ve toplam ölüm sayılarının bölgelere göre dağılımı Tablo 1’de verildi.

18 Mart ile 4 Nisan tarihleri arasında resmi olarak yayınlanan günlük test sayısı içinde yeni olgu oranı Şekil 6’da verildi.
Yeni olgu sayısındaki artış, salgın seyrinin hızlandığını göstereceği için önemli bir göstergedir. 23 Mart tarihinden itibaren gün-gün artan test sayısına karşılık özellikle 29 Mart’tan itibaren (son 1 haftadır) yeni olgu oranında çok büyük değişikliklerin olmadığı görülür.

24 Mart tarihinden 7 Nisan’a kadar gün-gün açıklanan toplam yoğun bakım hasta sayısı, toplam entübe hasta sayısı, toplam evde karantinaya alınan veya hastanede normal serviste yatan hasta sayısı ve toplam iyileşen sayısı, toplam olgu sayısına oranlanarak Tablo 2’de yer alan sonuçlar elde edildi. Tablo incelendiğinde, özellikle 27 Mart tarihinden itibaren söz konusu göstergelerde küçük farklılıklar mevcuttur. Özellikle yoğun bakımdaki hasta oranı ve entübe hasta oranında son birkaç günde ise genel bir düşüş eğilimi vardır. Son günlerde test sayısındaki artış, erken tanıya neden olacağı için bu oranın düşüş göstermesi beklenen bir sonuçtur. Gün-gün verilen bu oranlar içinde, her bir gösterge için ortalamaya yakın bir değer seçilerek, tahmin edilen toplam olgu sayısı ile çarpıldı ve göstergelerin tahmin değerleri bulundu (Tablo 4, 5, 6, 7). Tablo 2’nin en alt satırında ileri tarihlerin tahminler için seçilen gösterge oranları yer almaktadır.

11 Mart-07 Nisan aralığındaki değişim hızları dikkate alınarak toplam olgu sayısı, toplam yoğun bakım yatak sayısı, toplam entübasyon sayısı, toplam ev-hastane servislerinde yatan hasta sayısı ve toplam iyileşen hasta sayısına ait 30 Nisan tarihine kadar yapılan tahminler Tablo 3, Tablo 4, Tablo 5, Tablo 6, Tablo 7’de verildi. Tahminlerdeki isabet derecesi %99,9 modelin hatası 364,2 olarak hesaplandı. Tablo 3’te 10 Nisan’da tahmin edilen toplam olgu sayısı 45.553 kişi ve %95 ihtimalli aralık tahmini 42.928 ve 48.178’dir.

Tablo 4’te tahmin toplam olgu sayıları yer almaktadır. 10 Nisan’da tahmin edilen yoğun bakım yatak sayısı 1.822 olup %95 ihtimalli aralık 1.717-1.927’dir. Bu sayılar, tahmin edilen toplam olgu sayısının %4 ile çarpılmasıyla elde edilmiştir. Çünkü Tablo 2’den görüleceği üzere yoğun bakımda olan hasta oranı 27 Mart tarihinden bu yana %4,2 ile %6,7 arasında değişmektedir.

Tablo 5’te tahmin edilen entübasyon sayıları yer almaktadır. 10 Nisan’da tahmin edilen entübasyon sayısı 1.367 olup %95 ihtimalli aralık tahmini 1.288-1.445’tir. Bu sayılar, tahmin edilen toplam olgu sayısının %3 ile çarpılmasıyla elde edilmiştir. Çünkü Tablo 5’ten görüleceği üzere entübasyon oranı 27 Mart tarihinden bu yana %2,9 ile %4,8 arasında değişmektedir.

Tahmini toplam ev veya hastane servislerinde yatan hasta sayısı Tablo 6’da verildi. 10 Nisan’da tahmin edilen sayı 38.720 olup %95 ihtimalli aralık tahmini 36.489-40.951’tir. Bu sayılar, tahmin edilen toplam olgu sayısının %85 ile çarpılmasıyla elde edilmiştir. Çünkü Tablo 6’dan görüleceği üzere ev veya hastane servislerinde yatan hasta oranı 27 Mart tarihinden bu yana %85,3 ile %88,9 arasında değişmekte olup genellikle %85 civarlarında değer almıştır.

Tahmini iyileşen sayısı Tablo 7’de verildi. 10 Nisan’da tahmin edilen sayı 2.050 olup %95 ihtimalli aralık tahmini 1.932-2.168’dir. Bu sayılar, tahmin edilen toplam olgu sayısının %4,5 ile çarpılmasıyla elde edilmiştir. Çünkü Tablo 2’den görüleceği üzere iyileşen oranı 28 Mart tarihinden bu yana %  0.9 ile %4.5 arasında değişim göstermektedir..


Sonuç

Türkiye ve dünyadaki birçok ülke, nisan ayı başı itibariyle toplam olgu sayısında hızlı bir artış dönemine girmiştir. Bu dönemin en büyük zorlukları, sağlık personeli, sağlık ekipmanı ve alt yapı eksikliğidir. Bu problemlerin çözümünde veriye dayalı öngörüler büyük önem taşır (3,4).

Bu çalışmada, yaklaşık önümüzdeki 1 aylık periyotta gereksinim duyulacak yoğun bakım yatak sayısı, entübe sayısı, hastane servislerinde yatacak hasta sayısının öngörülmesi amaçlanmıştır. Burada hesaplanan öngörüler, 11 Mart tarihinden itibaren gün-gün gerçekleşen toplam olgu sayısı, yoğun bakımda yatan hasta sayısı, entübe olan hasta sayısı ve hastane servislerinde kalan veya evde karantinaya alınan hasta sayısındaki gidişattan yola çıkılarak elde edildi. Sonuçlar, yaklaşık bir aylık ileri tahminler olduğu için salgın hızındaki değişimlerden etkilenebilir. Bu nedenle, özellikle nisan ayının ikinci yarısında nokta tahminlerin yanı sıra aralık tahminlerinin alt veya üst sınırına göre planlama yapılması önerilir. Uygun tahmin değerinin seçiminde gerçekleşen sayı ile tahmin edilen sayıların yakın olmasına dikkat edilmesi gerekir. Tahmini entübasyon sayısı, yeni üretim veya ihracattaki gereksinimleri ortaya koyabilir. Hastane servislerinde veya evde karantinaya alınan normal olgu sayıları, ülke için diğer tıbbi gereksinimleri belirlemede önem taşıyabilir. Ayrıca çalışmada tahmin edilen iyileşen kişi sayısı, kazanılan iş gücü veya bağışıklık kazanan toplum olarak adlandırılabileceği için, ülkenin diğer problemlerinin çözümünde önem taşıyabilir.

Bu tip çalışmalar ile önceliklerin sorgulandığı şu günlerde en önemli sırada yer alan sağlık sorunlarını çözmeye yardımcı olunacağı unutulmamalıdır (3-7).

Etik

Etik Kurul Onayı: Sunulan çalışma metodolojik bir çalışma olup etik kurul onayına gerek duyulmamaktadır.

Hasta Onayı: Sunulan çalışma metodolojik bir çalışma olup hasta onayına gerek duyulmamaktadır.

Hakem Değerlendirmesi: Editörler kurulu tarafından değerlendirilmiştir.

Yazarlık Katkıları

Konsept: H.A., S.A., Dizayn: H.A., S.A., Veri Toplama veya İşleme: H.A., S.A., Analiz veya Yorumlama: H.A., Literatür Arama: H.A., S.A., Yazan: H.A., S.A.

Çıkar Çatışması: Yazarlar tarafından çıkar çatışması bildirilmemiştir.

Finansal Destek: Yazarlar tarafından finansal destek almadıkları bildirilmiştir.


  1. WHO. Coronavirus disease 2019 (COVID-19) Situation Report – 62. March 2020.Available from: URL: https://www.who.int/docs/default-source/coronaviruse/situation-reports/20200322-sitrep-62-covid-19.pdf?sfvrsn=755c76cd_2 (Accessed April 4, 2020)
  2. TC Sağlık Bakanlığı Web Sitesi https://www.saglik.gov.tr/
  3. Angelo SA, Arruda EF, Goldwasser R, Lobo MSC, Salles A, Lapa e Silva JR. Demand Forecast and Optimal Planning of Intensive Care Unit (ICU) Capacity. Pesqui Oper doi: 10.1590/0101-7438.2017.037.02.0229
  4. IHME COVID-19 health service utilization forecasting team, Murray CJL. Forecasting COVID-19 impact on hospital bed-days, ICU-days, ventilator-days and deaths by US state in the next 4 months. medRxiv doi: 10.1101/2020.03.27.20043752
  5. Binti Hamza FA, Lau CH, Nazri H, Ligot DV, Lee G, Tan CL, et al. Corona Tracker: World-wide COVID-19 Outbreak Data Analysis and Prediction. Bull World Health Organ Available from: URL: https://www.who.int/bulletin/online_first/20-255695.pdf
  6. Tsai TC, Jacobson B, Jha AK. American hospital capacity and projected need for COVID-19 patient care. Health Aff (Millwood) doi: 10.1377/hblog20200317.457910
  7. Kucharski AJ, Russell TW, Diamond C, Liu Y, Edmunds J, Funk S, et al. Early dynamics of transmission and control of COVID-19: a mathematical modelling study. Lancet Infect Dis 2020;20:553-8.