Epidemic Intelligence und Ausbruchsprognosen bei Infektionskrankheiten (inkl. Abwasserüberwachung)

Gesundheitsbehörden müssen einen Ausbruch erkennen, bevor amtliche Fallzahlen vorliegen, und abschätzen, wie er sich entwickelt. KI durchsucht mehrsprachige Nachrichten und Berichte nach frühen Signalen (ereignisbasierte Überwachung) und modelliert Abwasser-, Syndrom- und Labordaten, um Kurzfristprognosen mit Unsicherheit zu erstellen. Die Analystinnen und Analysten behalten die Verifizierung und die Risikobewertung; der Nutzen liegt in einem Vorsprung von Tagen und in einer einheitlichen, evaluierten Prognose statt in Ad-hoc-Tabellen.

Problem & Nutzen

• Heute: Epidemic-Intelligence-Fachleute lesen täglich hunderte Artikel und Bulletins in vielen Sprachen und beurteilen, welche relevant sind. Die indikatorbasierte Überwachung (gemeldete Fälle, Sentinel- Netzwerke) ist verlässlich, hinkt aber Tage bis Wochen hinterher. Prognosen werden oft je Institut mit unterschiedlichen Methoden und ohne gemeinsame Evaluation erstellt.
• KI-Nutzen: (1) automatisches Filtern, Übersetzen, Klassifizieren, Deduplizieren und Geo-Taggen von Texten aus offenen Quellen, um schwache Signale sichtbar zu machen; (2) Abwassersignale, die den klinischen Daten vorauslaufen und nicht vom Testverhalten abhängen; (3) Ensemble-Prognosen, die gegen beobachtete Daten bewertet werden.
• Belege: Die Plattform EIOS der WHO (Epidemic Intelligence from Open Sources) wird vom ECDC und anderen Behörden für die ereignisbasierte Überwachung genutzt [1]. Der RespiCast-Hub des ECDC fasst wöchentliche Beiträge externer Modellierungsteams zu Ensemble-Prognosen für ILI-, ARE- und COVID-19-Indikatoren zusammen; eine Evaluation von 2025 ergab, dass Ensembles in der Regel eine Persistenz-Baseline und die meisten Einzelmodelle übertrafen [2]. Die Abwasserüberwachung wird in der EU nach der Empfehlung (EU) 2021/472 der Kommission ausgebaut [3].
• Einschränkung: Die veröffentlichte Prognosegüte sinkt an Wendepunkten und bei neuartigen Erregern stark; versprechen Sie keine festen Vorlaufzeiten ohne lokales Backtesting.

Varianten

• Ereignisbasierte Überwachung (EBS): LLM-/NLP-Triage von Nachrichten und Berichten; Arbeitsabläufe im Stil von EIOS.
• Abwasserbasierte Epidemiologie (WBE): SARS-CoV-2, Influenza, RSV, Polio, Gene für antimikrobielle Resistenz; je Kläranlage, mit Normalisierung und Trenderkennung.
• Syndromische Überwachung und Kurzfristprognosen: ILI/ARE, COVID-19-Krankenhauseinweisungen, regionale Hubs.
• Genomische Überwachung: Erkennung von Varianten und Schätzung des Wachstums von Linien aus Sequenzdaten.
• Gesundheitsamt / Krankenhaushygiene: Cluster-Erkennung auf Stationsebene (berührt HLTH-012, HLTH-020).
• Tiere und One Health: Vogelgrippe, durch Vektoren übertragene Krankheiten mit Klimakovariaten (PRED-017).

So funktioniert es

1. open sources (news, reports, social, ProMED-type feeds)
2. crawl/ingest
3. language ID + translation
4. relevance classifier + event extraction (disease, place, date, count)
5. dedup/clustering
6. analyst triage queue wastewater lab data + clinical/syndromic + sequencing
7. harmonised time-series store
8. normalisation, outlier handling, trend and anomaly detection
9. forecasting models (mechanistic + statistical + ML)
10. ensemble with calibrated intervals
11. dashboards, alerts, situation-report drafts
12. epidemiologist review
13. risk assessment & response

• Signalerkennung: mehrsprachige Encoder und LLMs klassifizieren die Relevanz und extrahieren strukturierte Ereignisse; Embeddings bündeln Duplikate. LLMs entwerfen zudem Zusammenfassungen mit Verweisen auf die Quell- artikel; jede Warnung verlinkt auf den Originaltext.
• Prognose: Erneuerungsgleichungs- und Kompartimentmodelle (z. B. Schätzung der Reproduktionszahl im Stil von EpiEstim, SEIR), statistische Zeitreihenmodelle, Gradient Boosting und neuronale Netze; einzelne Modelle werden zu einem Ensemble kombiniert und mit geeigneten Bewertungsregeln (Weighted Interval Score) bewertet.
• Abwasser: Viruskonzentration, normalisiert nach Durchfluss oder fäkalen Markern (z. B. PMMoV); Trends werden mit klinischen Daten verglichen, um die Inzidenz abzuschätzen.
• Mensch-in-der-Schleife (Human-in-the-Loop): Analystinnen und Analysten verifizieren Signale, entscheiden über die Eskalation an das EU-Frühwarn- und Reaktionssystem (EWRS) und verantworten die Risikobewertung; Prognosen sind Entscheidungsunterstützung, nie ein automatischer Auslöser für Maßnahmen.

Datenaufbereitung

• Daten und Ablageort: Laborergebnisse zum Abwasser (Laborsysteme, Tabellen, CSV), Berichte von Sentinel- und syndromischer Überwachung (PDF-Bulletins, Portale), Fallzahlen meldepflichtiger Krankheiten (nationale Meldesysteme), Sequenzdaten sowie Nachrichten und Feeds aus offenen Quellen.
• Typische Lücken: Tabellen mit wechselndem Layout, fehlende Normalisierungswerte (Durchfluss, PMMoV), Meldeverzug und nachträgliche Korrekturen, unterschiedliche Codes für Einzugsgebiete und Regionen, wechselnde Teststrategien, keine Historie darüber, was an welchem Tag bekannt war, und verstreute Vereinbarungen zum Datenaustausch.
• Aufbereitungsschritte: Quellen, Verantwortliche und Weitergaberegeln erfassen (PREP-001, PREP-004); Tabellen und PDF-Bulletins in saubere, maschinenlesbare Tabellen überführen (PREP-011, DATA-003); Regionen- und Erregercodes in einem gemeinsamen Glossar harmonisieren (PREP-012); Daten als Vintages speichern, damit Backtests nur nutzen, was zum jeweiligen Zeitpunkt bekannt war; von Analystinnen und Analysten gelabelte Relevanzdatensätze für die Nachrichtentriage aufbauen (PREP-018, PREP-020); Einzelfalllisten aggregieren oder pseudonymisieren und Schwellenwerte für kleine Zahlen anwenden (PREP-022).
• Werkzeuge: Pipelines mit Airflow oder Dagster, ein Zeitreihenspeicher, Hubverse-Datenformate.
• Aufwandsanteil: rund 60 Prozent; harmonisierte, versionierte Zeitreihen sind der wichtigste Vermögenswert. Zur Bereitschaftsprüfung siehe GUIDE-003.

Umsetzungswege

Welcher Weg für wen

• Öffentlicher Sektor: Weg C. Gesundheitsbehörden brauchen reproduzierbare, nachvollziehbare Methoden und Datensouveränität, und HW1-HW2 plus das R/Python-Epidemiologie-Ökosystem genügen; nutzen Sie das kostenlose EIOS (Weg A) als zusätzliche Signalquelle.
• Enterprise: Weg B. Krankenhausverbünde und kommerzielle Analysten brauchen schnell Signale und Prognosen auf Modellen in EU-Regionen, ohne eine Forschungsplattform aufzubauen.
• Developer: Weg C. Offene Epidemiologie-Werkzeuge (EpiNow2, Hubverse) und offene mehrsprachige Modelle sind die natürliche Basis zum Bauen und Backtesten.

Weg A — Kaufen (Standardsoftware)

• Ereignisbasierte Überwachung: WHO EIOS 2.0 (kostenlos für Einrichtungen des öffentlichen Gesundheitsdienstes, über den WHO Hub for Pandemic and Epidemic Intelligence, Berlin) [1]; kommerzielle Intelligence-Dienste wie BlueDot (Kanada) und Metabiota/Ginkgo Biosecurity (USA) für Organisationen ohne EBS-Team.
• Abwasser: Labordienstleister plus Datenplattformen; nationale/EU-Programme (z. B. EU Wastewater Observatory, AMELAG in Deutschland) liefern Daten statt Software [3][4].
• A wählen, wenn: ein kleines Gesundheitsamt oder ein Krankenhausverbund Signale braucht, keine Forschungsplattform.

Weg B — Auf Cloud-KI-Diensten aufbauen

• LLM-Schicht: führende Modelle in EU-Regionen (Mistral, Azure OpenAI EU Data Zone, Claude/Gemini über EU- Regionen) mit strukturierter Ausgabe für die Ereignisextraktion und mehrsprachige Zusammenfassung; maschinelle Übersetzung über DeepL (EU) oder Ähnliches.
• Prognose: verwaltete Notebooks/Rechenleistung in der EU-Cloud; Foundation-Modelle für Zeitreihen wie Chronos / TimesFM können neben epidemiologischen Modellen als zusätzliche Ensemble-Mitglieder dienen.
• Daten: öffentliche Quellen (ECDC Surveillance Atlas, ERVISS, Eurostat), nationale Feeds; Orchestrierung mit Airflow/Dagster; Dashboards mit Grafana oder Metabase.
• Hinweis: Überwachungsdaten sind meist aggregiert, aber Einzelfalllisten und Sequenzen können personenbezogene Daten sein.

Weg C — Selbst betreiben (Open Source)

• Modelle: offene mehrsprachige Open-Weight-LLMs (Familien Qwen, Llama, Mistral) für Klassifizierung und Extraktion; Encoder XLM-R/multilingual-E5; NLLB / Opus-MT für die Übersetzung.
• Epidemiologie-Werkzeuge: R/Python-Ökosystem — EpiNow2, EpiEstim, epidemics (Epiverse-TRACE), Nextstrain (genomisch), Hubverse-Werkzeuge zum Einreichen und Bewerten von Prognosen [2][5].
• Hardware: HW1–HW2 genügt (kleine LLMs, Zeitreihenanpassung auf der CPU); eine einzelne GPU mit 24–32 GB deckt die mehrsprachige Triage von zehntausenden Artikeln pro Tag ab.
• C wählen, wenn: Regeln zur Datensouveränität die Cloud-Nutzung ausschließen oder Sie reproduzierbare, nachvollziehbare Methoden brauchen.

Weg D — Eigenes Training

Lohnt sich für (a) einen Klassifikator für Relevanz und Ereignisse, trainiert auf den eigenen gelabelten Entscheidungen der Analystinnen und Analysten der Behörde (einige tausend Beispiele), und (b) standortspezifische Prognosemodelle, trainiert auf mehrjähriger lokaler Abwasser- und syndromischer Historie. Führen Sie Backtests auf vergangenen Saisons durch; trainieren Sie jede Saison neu, da sich Erreger, Tests und Verhalten ändern.

Stand der Technik (2026)

• Prognose-Hubs (Hubverse, US CDC FluSight/COVID-Hubs, europäischer RespiCast) haben die Evaluation zum Standard gemacht: einfache Ensembles aus vielfältigen Modellen sind durchweg schwer zu schlagen [2][5].
• Abwasser ist in vielen EU-Staaten inzwischen Routine für SARS-CoV-2, Influenza und RSV und wird auf Erreger wie Polio und AMR ausgeweitet; quantitative Zusammenhänge mit Krankenhauseinweisungen sind vom Einzugsgebiet abhängig.
• LLMs verbessern die mehrsprachige Triage und Zusammenfassung von Informationen aus offenen Quellen; die offenen Probleme sind Fehlalarme durch Gerüchte, regionale Verzerrung in der Medienberichterstattung und halluzinierte Details.
• Foundation-Modelle für Zeitreihen sind für kurze Horizonte konkurrenzfähig, aber an Wendepunkten nicht eindeutig besser als abgestimmte epidemiologische Ensembles.
• Grenzen: Meldeverzug und Korrekturen, wechselnde Teststrategien, spärliche Daten bei neuartigen Erregern und Nichtstationarität. Zeigen Sie immer Vorhersageintervalle und verfolgen Sie die Kalibrierung.

Gemeinsame Bausteine & Kombinationen

• Gleicher Stack: LANG-018 (Medienbeobachtung: Crawler, Übersetzung, Klassifizierung), PRED-011 (Mengenprognose, Zeitreihen-Stack), PRED-017 (Klimakovariaten), PRED-040 und PRED-027 (Prognosepraktiken für vorausschauendes Handeln).
• Nachgelagert: HLTH-010 (Signale der Pharmakovigilanz), HLTH-020 (Risikostratifizierung der Bevölkerung), HLTH-007/HLTH-012 (Überwachung auf Individualebene, getrennt von der Bevölkerungsüberwachung gehalten).
• Gemeinsame Infrastruktur: Zeitreihenspeicher, Workflow-Orchestrierer, in der EU gehosteter mehrsprachiger LLM-Server.

Aufwand, Kosten & Kennzahlen

• Weg A: Wochen; EIOS ist für Einrichtungen kostenlos, kommerzielle Dienste werden je Abonnement berechnet.
• Weg B: 3–6 Monate für Datenaufnahme, Triage-Oberfläche und die erste Prognose-Pipeline.
• Weg C/D: 6–12 Monate mit Epidemiologinnen und Epidemiologen sowie Dateningenieuren; laufende Neukalibrierung von Saison zu Saison.
• Kennzahlen: Präzision der Signale und Zeitaufwand der Analystinnen und Analysten je relevantem Signal, Vorlaufzeit der Erkennung gegenüber der amtlichen Meldung, Prognosegüte (Weighted Interval Score relativ zur Baseline), Abdeckung der Intervalle, Verzug zwischen Abwasser und klinischen Daten, Anteil der Warnungen, die zu Maßnahmen führen.

Menschen & Veränderung

• Früh einbinden: Leitung der Behörde oder des Instituts, die Leitung der Epidemiologie als Prozessverantwortliche, Epidemiologinnen und Analysten als tägliche Nutzer, IT, Datenverantwortliche der Labore und Sentinel-Netzwerke, Partnerbehörden, die Daten liefern, und die(den) Datenschutzbeauftragte(n).
• Betriebsrat: abhängig vom Einzelfall. Wo ein gewählter Personalrat (nach BPersVG oder Landesrecht) oder Betriebsrat besteht, ist dieser zu informieren, wenn Arbeitsprozesse mit KI geplant werden (§90 Abs. 1 Nr. 3 BetrVG, im öffentlichen Recht entsprechend); die Mitbestimmung nach §87 Abs. 1 Nr. 6 greift vor allem, wenn Nutzungsprotokolle der Analystinnen und Analysten geführt werden, halten Sie diese daher anonym (GUIDE-004).
• Datenschutz: aggregierte Zahlen sind meist nicht personenbezogen, aber Einzelfalllisten, Zahlen für kleine Gebiete und Inhalte aus sozialen Medien können Gesundheitsdaten sein; beziehen Sie die(den) Datenschutzbeauftragte(n) ein, nutzen Sie die Grundlage nach Art. 9 Abs. 2 Buchst. i, minimieren Sie und führen Sie bei Bedarf eine DSFA durch (GUIDE-005).
• KI-Kompetenz: ergreifen Sie Maßnahmen zur KI-Kompetenz (Art. 4): Prognoseunsicherheit, Kalibrierung und Fehler der LLM-Triage (GUIDE-006).
• Pilot und Kommunikation: laufen Sie eine Saison lang im Schattenbetrieb neben dem manuellen Prozess (GUIDE-009). Typische Sorgen sind Warnmüdigkeit, zu großes Vertrauen in Prognosen und Verlust von Fachwissen; begegnen Sie ihnen mit Quellenlinks bei jeder Warnung, angezeigten Vorhersageintervallen und damit, dass die Analystinnen und Analysten Risikobewertung und Eskalation verantworten (GUIDE-008).

Risiken, Regulierung & Compliance

• KI-Verordnung (AI Act): in der Regel minimales Risiko — Entscheidungsunterstützung auf Bevölkerungsebene, keine Entscheidungen auf Individualebene und keine Kategorie nach Anhang III; wenn Ausgaben individuelle Maßnahmen oder den Zugang zu Leistungen steuern oder in ein Medizinprodukt eingebettet sind, ist neu zu bewerten. KI-Kompetenz (Art. 4) gilt. Keine verbotene Praxis, solange keine individuelle Bewertung (Scoring) oder Profilbildung identifizierbarer Personen in sozialen Medien erfolgt.
• EU-Gesundheitssicherheitsrecht: Die Verordnung (EU) 2022/2371 zu schwerwiegenden grenzüberschreitenden Gesundheitsgefahren regelt Vorsorge, EWRS-Meldungen und die Rolle des ECDC bei der Epidemic Intelligence [6].
• DSGVO: aggregierte Abwasser- und Fallzahlen sind in der Regel nicht personenbezogen; Einzelfalllisten, Zahlen für kleine Gebiete, Sequenzen und Inhalte aus sozialen Medien können personenbezogene Daten oder Gesundheitsdaten sein (Art. 9); nutzen Sie die Grundlage des öffentlichen Interesses nach Art. 9 Abs. 2 Buchst. i, Minimierung, Aggregationsschwellen und eine DSFA. Erstellen Sie keine Profile von Einzelpersonen aus sozialen Medien.
• Abwasser: Die neugefasste Kommunalabwasserrichtlinie (EU) 2024/3019 führt Überwachungspflichten für Gesundheitsparameter ein; ethische Prüfung bei Probenahmen unterhalb der Gemeindeebene (z. B. einzelne Einrichtungen) [7].
• Risiken: Fehlalarme und Warnmüdigkeit, übersehene Ereignisse durch Medienverzerrung, zu großes Vertrauen in Prognosen, Stigmatisierung von Regionen oder Gemeinschaften. Gegenmaßnahmen: Verifizierung durch Analystinnen und Analysten, Transparenz der Quellen, kalibrierte Intervalle, kommunizierte Unsicherheit, rückblickende Evaluation, versionierte Modelle.

Erste Schritte

1. Verfügbare Daten erfassen (Kläranlagen, Sentinel-Netzwerke, Labor-Feeds) und Regeln für den Datenaustausch vereinbaren.
2. EIOS und dem passenden Prognose-Hub beitreten; die Baseline des Hubs nachbauen, bevor Sie eigene Modelle entwickeln.
3. Mehrsprachige Triage an drei Monaten archivierter Artikel prototypisch erproben, von Ihren Analystinnen und Analysten gelabelt.
4. Vor jedem Dashboard einen Backtest-Rahmen (Weighted Interval Score, Abdeckung) aufbauen.
5. Eine Saison lang im Schattenbetrieb neben dem manuellen Prozess laufen und danach Eskalationsverfahren vereinbaren.

Quellen

1. WHO — Epidemic Intelligence from Open Sources (EIOS) — https://www.who.int/initiatives/eios
2. ECDC — European Respiratory Diseases Forecasting Hub (RespiCast) — https://www.ecdc.europa.eu/en/news-events/respicast-new-european-respiratory-diseases-forecasting-hub
3. Commission Recommendation (EU) 2021/472 on wastewater surveillance of SARS-CoV-2 — https://eur-lex.europa.eu/eli/reco/2021/472/oj
4. RKI — AMELAG, wastewater surveillance in Germany — https://www.rki.de/DE/Aktuelles/Publikationen/Epidemiologisches-Bulletin/epidemiologisches-bulletin-node.html
5. Hubverse — collaborative forecasting hub tooling — https://hubverse.io
6. Regulation (EU) 2022/2371 on serious cross-border threats to health — https://eur-lex.europa.eu/eli/reg/2022/2371/oj
7. Directive (EU) 2024/3019 (recast Urban Wastewater Treatment) — https://eur-lex.europa.eu/eli/dir/2024/3019/oj
8. Regulation (EU) 2024/1689 (AI Act) — https://eur-lex.europa.eu/eli/reg/2024/1689/oj