TUM-Forscher entwickeln Ansatz für effektivere Belegung von Krankenhausbetten
TUM | PM | 2024-01-23
Wie viele Betten sind in einem Krankenhaus verfügbar und auf welche Betten werden stationär eingelieferte Patienten verteilt? Diese Fragen beschäftigen nicht nur erst seit der Corona-Pandemie das Krankenhausmanagement. Wie stationäre Patienten auf Betten zugewiesen werden, hängt mitunter stark von der Ankunft von Notfallpatienten ab. Vor allem aber wirkt sich die Zuweisung stationärer Patienten auf Krankenhausbetten nicht nur auf die Arbeitsbelastung des Klinikpersonal aus, sondern auch auf die Zufriedenheit der Patienten.
Prof. Alexander Hübner, Dr. Fabian Schäfer (SCM) und Prof. Dominik Grimm (BIT). Foto: Jan Winter/TUM.
Ein aktuelles, interdisziplinäres Paper verwendet nun mithilfe von maschinellem Lernen einen neuen Ansatz, um die Anzahl der ankommenden Notfallpatienten zu schätzen. Grundlage dafür bieten historische Daten, das Wetter sowie lokale und regionale Ereignisse wie Großveranstaltungen. Diese zur Verfügung stehenden Daten kombinieren die Autoren mit einem Optimierungsansatz, um die Patienten den Betten zuzuweisen und Ärzte sowie Krankenpfleger vor Arbeitsüberlastung zu schützen.
Das Paper wurde vor Kurzem im Journal Health Care Management Science veröffentlicht. An der Publikation haben vom TUM Campus Straubing Prof. Alexander Hübner und Dr. Fabian Schäfer (Lehrstuhl für Supply and Value Chain Management) sowie Prof. Dominik Grimm (Professur für Bioinformatik der HSWT) mitgewirkt.
Eine steigende Lebenserwartung, eine höhere Morbidität sowie und ein verändertes Krankheitsspektrum, aber auch der technische und medizinische Fortschritt, der es zunehmend ermöglicht, immer mehr Krankheiten zu behandeln, führen zu einer steigenden Nachfrage nach Krankenhausbehandlungen und zu höheren Ausgaben im Gesundheitswesen. Die Krankenhäuser werden somit mehr belastet, die zur Verfügung stehenden Ressourcen wie Klinikbetten bleiben aber knapp. Um diese Betten effizient zu nutzen, werden sie nicht mehr wie früher individuell für jede Station geplant, sondern oft für das gesamte Krankenhaus.
Bei der Ankunft im Krankenhaus werden die Patienten direkt oder nach einer Behandlung (z.B. im OP oder in der Notaufnahme) in ein Stationsbett eingewiesen. Dieses operative Problem der Zuweisung von stationären Patienten zu bestimmten Zimmern und Betten nennt sich Patienten-Bett-Zuweisungsproblem (PBA). Krankenhäuser haben damit zu kämpfen, dass der tatsächliche Bedarf an Betten sowie mögliche Engpässe nur schwer kalkulierbar sind, auch weil Bettenkapazitäten begrenzt sind.
Die Autoren haben nun ein Modell entwickelt, um Patientenbetten zuzuweisen, das auf einem Ansatz des maschinellen Lernens (ML) zur Vorhersage von Notfallpatienten basiert. Anhand von realen Daten aus einem großen Krankenhaus konnten die Autoren die Vorhersagegenauigkeit für die Ankunft von Notfallpatienten verbessern. Die Autoren erzielten einen bis zu 17 Prozent besseren mittleren quadratischen Fehler (RMSE) bei der Verwendung von ML-Methoden im Vergleich zu einem Basisansatz, der sich auf Durchschnittswerte für historische Ankunftsraten stützt. „Wir zeigen somit, dass die ML-Methoden besser abschneiden als Zeitreihenprognosen“, sagt Studienautor Prof. Alexander Hübner vom Lehrstuhl für Supply and Chain Value Management am TUMCS. Zudem haben die Forscher eine neue fortgeschrittene Heuristik entwickelt. In Kombination mit der Anwendung von maschinellem Lernen zeigt sich, dass sich die Vorhersage der Aufnahme von Notfallpatienten ebenfalls um einige Prozentpunkte optimieren lässt.
Die Autoren weisen aber auch darauf hin, dass für eine optimale Zuweisung von Krankenhausbetten auf Patienten alle Interessensgruppen einbezogen werden müssen – also Patienten, Ärzte und das Pflegepersonal.