Diese Arbeit befasst sich mit der Analyse Ventilator-assoziierter Pneumonien (VAP) auf drei Intensivstationen des Universitätsklinikums Leipzig. Die vorliegende Dissertation beschäftigt sich mit epidemiologischen Kennzahlen, Risikofaktoren, Präventionsmaßnahmen sowie der Diagnostik nach CDC Kriterien. Dabei wird besonders die Bedeutung der VAP auf den untersuchten Intensivstationen dargestellt. Aus den untersuchten Variablen werden Präventionsmaßnahmen abgeleitet und ein Maßnahmen-Bündel vorgeschlagen. Die Diagnostik nach CDC Kriterien wird genauer analysiert und bewertet.:Abkürzungsverzeichnis 1 Einführung 1.1 Einleitung 1.2 Theoretischer Hintergrund 1.2.1 Definition 1.2.2 Epidemiologie der Ventilator-assoziierten Pneumonie 1.2.3 Ventilator-assoziierte Pneumonien in verschiedenen Alterskategorien 1.2.4 Bedeutung einer Ventilator-assoziierten Pneumonie 1.2.5 Prävention einer Ventilator-assoziierten Pneumonie 1.2.6 Schwierigkeiten bei der Diagnostik einer Ventilator-assoziierten Pneumonie 2 Aufgabenstellung und Ziele 3 Materialien und Methoden 3.1 Ethikvotum 3.2 Einschlusskriterien 3.3 Patientenauswahl und Selektion der untersuchten Variablen 3.3.1 Allgemeine Faktoren 3.3.2 Beatmungsassoziierte Faktoren 3.3.3 Pflegerische und medizinische Maßnahmen 3.3.4 Weitere Maßnahmen 3.4 Statistische Analyse 4 Ergebnisse 4.1 Vergleich der Patienten mit und ohne Ventilator-assoziierte Pneumonie 4.1.1 Allgemeine Faktoren 4.1.2 Beatmungsassoziierte Faktoren 4.1.3 Pflegerische und medizinische Maßnahmen 4.1.4 Weitere Maßnahmen 4.1.5 Univariate Risikoanalyse 4.1.6 Multivariate Risikoanalyse 4.1.7 Patienten mit early-onset und late-onset VAP 4.2 Vergleich der Patienten mit und ohne Ventilator-assoziierte Pneumonie hinsichtlich der Alterskategorien „Jung“, „Mittel-Alt“, „Alt“ und „Sehr Alt“ 4.2.1 Allgemeine Faktoren 4.2.2 Beatmungsassoziierte Faktoren 4.2.3 Pflegerische und medizinische Maßnahmen 4.2.4 Weitere Maßnahmen 4.2.5 Univariate Risikoanalyse 4.2.6 Multivariate Risikoanalyse 5 Diskussion 5.1 Vergleich der Patienten mit und ohne Ventilator-assoziierte Pneumonie 5.1.2 Allgemeine Faktoren 5.1.2 Beatmungsassoziierte Faktoren 5.1.3 Pflegerische und medizinische Maßnahmen 5.1.4 Weitere Maßnahmen 5.1.5 Early- und late-onset VAP 5.1.6 Zwischenfazit 5.2 Vergleich der Patienten mit und ohne Ventilator-assoziierte Pneumonie hinsichtlich der Alterskategorien „Jung“, „Mittel-Alt“, „Alt“ und „Sehr Alt“ 5.2.1 Allgemeine Faktoren 5.2.2 Beatmungsassoziierte Faktoren 5.2.3 Pflegerische und medizinische Maßnahmen 5.2.4 Weitere Maßnahmen 5.2.5 Zwischenfazit 5.3 Limitationen 6 Zusammenfassung der Arbeit 7 Literatur-, Tabellen- und Abbildungsverzeichnis 7.1 Literaturverzeichnis 7.2 Tabellenverzeichnis 7.3 Abbildungsverzeichnis 8 Anhang 9 Selbstständigkeitserklärung und Danksagung 9.1 Erklärung über die eigenständige Abfassung der Arbeit 9.2 Lebenslauf 9.3 Danksagung

As of late 2019, the COVID-19 pandemic has been a challenge to health care systems worldwide. Rapidly rising local COVID-19 incidence rates, result in demand for high hospital and intensive care bed capacities on short notice. A detailed up-to-date regional surveillance of the dynamics of the pandemic, precise prediction of required inpatient capacities of care as well as a centralized coordination of the distribution of regional patient fluxes is needed to ensure optimal patient care. In March 2020, the German federal state of Saxony established three COVID-19 coordination centers located at each of its maximum care hospitals, namely the University Hospitals Dresden and Leipzig and the hospital Chemnitz. Each center has coordinated inpatient care facilities for the three regions East, Northwest and Southwest Saxony with 36, 18 and 29 hospital sites, respectively. Fed by daily data flows from local public health authorities capturing the dynamics of the pandemic as well as daily reports on regional inpatient care capacities, we established the information and prognosis tool DISPENSE. It provides a regional overview of the current pandemic situation combined with daily prognoses for up to seven days as well as outlooks for up to 14 days of bed requirements. The prognosis precision varies from 21% and 38% to 12% and 15% relative errors in normal ward and ICU bed demand, respectively, depending on the considered time period. The deployment of DISPENSE has had a major positive impact to stay alert for the second wave of the COVID-19 pandemic and to allocate resources as needed. The application of a mathematical model to forecast required bed capacities enabled concerted actions for patient allocation and strategic planning. The ad-hoc implementation of these tools substantiates the need of a detailed data basis that enables appropriate responses, both on regional scales in terms of clinic resource planning and on larger scales concerning political reactions to pandemic situations.