Nowcasting

Kurzbeschriebung

Nowcasting bezeichnet Methoden, die den aktuellen (gegenwartsnahen) Zustand einer Zielgröße schätzen, obwohl die dafür relevanten Beobachtungen unvollständig, verzögert oder verrauscht vorliegen. Der Kernunterschied zur Vorhersage ist der Zeithorizont: Nowcasting schätzt heute, nicht morgen. Typische Probleme sind Meldeverzüge (Reporting Delays), Nachmeldungen, Right-Censoring und Messfehler.

Methodisch wird Nowcasting häufig als Zustandsschätzung formuliert. Klassische Ansätze nutzen Bayessche Modelle, State-Space-Modelle (z. B. Kalman-Filter), Deconvolution/Back-Projection oder hierarchische Verzögerungsmodelle, um aus partiellen Meldungen den aktuellen wahren Wert zu rekonstruieren. Moderne Varianten kombinieren mehrere Datenquellen (z. B. Meldedaten, Syndromdaten, Suchanfragen) und korrigieren systematische Verzerrungen.

Ein zentrales Ergebnis des Nowcastings ist nicht nur ein Punktwert, sondern eine Unsicherheitsverteilung des aktuellen Zustands. Diese Unsicherheit nimmt ab, sobald Nachmeldungen eintreffen – das Modell wird fortlaufend aktualisiert.

Anwendbarkeit im Gesundheitssektor

Im Public Health ist Nowcasting essenziell für Echtzeit-Lagebilder, etwa bei Infektionskrankheiten (COVID-19, Influenza), Mortalität, Hospitalisierungen oder Notaufnahmen. Da Meldedaten oft Tage bis Wochen verzögert eintreffen, würden rohe Daten den aktuellen Stand systematisch unterschätzen. Nowcasting korrigiert diese Verzerrung und ermöglicht zeitnahe Entscheidungen.

Praktisch wird Nowcasting für Frühwarnsysteme, Ressourcenplanung (Betten, Personal), Monitoring von Maßnahmen und als Eingangsdaten für Prognosen genutzt. Während der COVID-19-Pandemie war Nowcasting ein zentraler Baustein vieler nationaler Surveillance-Systeme.

Sonstiges

Korrigiert systematische Meldeverzüge

Grundlage für Prognosen

Semantik

Wikidata-Identifikator ist: Q16926169

Deutsche Wikipediaseite ist: wiki/Nowcasting

Englische Wikipediaseite ist: https://en.wikipedia.org/wiki/Nowcasting_(epidemiology)

Quelle: Höhle & an der Heiden (2014)

Behandlung von Unsicherheit in den Ergebnissen der Methode ist explizit

Für die Methode benötigte Datenmenge ist mittel

Zweck der Methode ist Operationale Vorhersage„Operationale Vorhersage“ befindet sich nicht in der Liste (Voraussage, Inferenz, Simulation, Kausale Analyse) zulässiger Werte für das Attribut „Zweck der Methode ist“.

Methode ist Mitglied der Methodenfamilie Bayessch;Statistisch;Hybrid„Bayessch;Statistisch;Hybrid“ befindet sich nicht in der Liste (Mechanistisch, Statistisch, Maschinenlernen, Tiefes Lernen, Hybrid, Kausale Inferenz, Simulation, Operationale Vorhersage, Beschreibende und erkundende Analyse, Praktisches Anwendungskonzept, ...) zulässiger Werte für das Attribut „Methode ist Mitglied der Methodenfamilie“.

Interpretierbarkeit der Ergebnisse der Methode ist gut

Webseite: https://www.rki.de