Wenn die Nachfrage schwankt und die Informationen unvollständig sind, ist die Fähigkeit zur Vorhersage von entscheidender Bedeutung, um rechtzeitig Entscheidungen zu treffen, Ressourcen effizient zuzuweisen und operative Risiken zu verringern.
Dies ist besonders in der Notaufnahme kritisch, wo die Zugänge heterogen sind und schnell schwanken. Hier müssen Entscheidungen wie Aufnahme oder Entlassung unter Zeitdruck getroffen werden (Überlastung, Verfügbarkeit von Ressourcen, Bettenbeschränkungen). In Ermangelung robuster Prognoseinstrumente können sich diese Entscheidungen als voreilig oder inkonsequent erweisen, mit Auswirkungen wie verlängerten Aufenthalten und ‚Boarding‘, Verzögerungen oder Fehlern in der Diagnostik, erhöhtem klinisch-operativem Risiko, suboptimaler Ressourcennutzung (vermeidbare Einweisungen oder ‚fragile‘ Entlassungen, die zu neuen Einweisungen führen).
Dies erfordert einen datengesteuerten Ansatz, der die Vorhersage des Einweisungs-/Wiedereinweisungsrisikos nach einer Rückkehr in die PS unterstützt und sowohl die Qualität der Pflege als auch die betriebliche Effizienz verbessert.
Die Implementierung wurde in einer großen zentralen Notaufnahme mit täglich fast 200 Patienten entwickelt.
Methodischer Ansatz
Schritt 1 – Multivariate Analyse mit interpretierbaren Modellen
Verwendung interpretierbarer Modelle, um zu verstehen, welche Faktoren neue Aufnahmen nach einer Rückkehr in die A&E am meisten beeinflussen.
Schritt 2 – Auswahl der genauesten Vorhersagemodelle
Implementierung und Vergleich eines Portfolios von Modellen des maschinellen Lernens (z.B. Random Forest und Gradient Boosting) zur Schätzung der Einlasswahrscheinlichkeit nach einem neuen Besuch in der PS.
Ergebnisse
Wichtige Erkenntnisse
Höhere Wahrscheinlichkeit einer erneuten Hospitalisierung nach einer erneuten Einweisung in die PS für Menschen mit chronischen Krankheiten, jüngerem Alter und ausländischer Nationalität. Bestimmte klinische Zeichen (Vitalparameter) und die Ankunft mit dem Rettungswagen sind mit einer geringeren Wahrscheinlichkeit einer anschließenden Krankenhauseinweisung verbunden
Prognoseleistung
Modelle des maschinellen Lernens, insbesondere Gradient Boosting, haben die traditionellen Ansätze (Logit-Modell) übertroffen und erreichen rund 80 Prozent Recall und Precision, also zuverlässigere Prognosen.
Proaktivere Entscheidungen, bessere Effizienz
Die Integration von historischen Daten und Echtzeitinformationen unterstützt SP-Manager dabei, sachkundigere und zeitnahe Entscheidungen zu treffen, die sowohl die Qualität der Pflege als auch die betriebliche Effizienz verbessern.
