Entwicklung von Strategien zum Management von Engpässen in Krankenhausprozessen - Lösungsfindung durch maschinelles Lernen

Qualitätssteigerung und Kostensenkung durch die Optimierung des Patientenflusses durch die wichtigsten Prozessbereiche eines Spitals

Projektbeschreibung 

Die Spitalversorgung macht einen grossen Teil der stetig steigenden Gesundheitsausgaben in der Schweiz aus. Folglich wird von Spitalmanagern erwartet, Kosten zu senken. Gleichzeitig wird von Spitälern erwartet, dass sie die Qualität ihrer angebotenen Leistungen kontinuierlich verbessern. Die Studienlage zeigt, dass die Optimierung ineffizienter Spitalprozesse ein wichtiger Hebel sein kann, um beiden Herausforderungen gerecht zu werden.

Die wichtigsten Prozessbereiche eines Spitals, wie z. B. die Intensivstation, stellen Prozess-Engpässe dar, die anfällig für Ineffizienzen sind. Hauptgründe hierfür sind Unsicherheiten auf der Nachfrage- (z. B. Anzahl der Patienten, die in einem bestimmten Zeitraum auf der Intensivstation aufgenommen werden müssen) und der Angebotsseite (z. B. Durchlaufzeiten der Prozesse). Obwohl das Thema des Managements von Engpässen von Krankenhausprozessen umfassend erforscht wurde, sind herkömmliche Operations-Research-Modelle nur begrenzt in der Lage mit Prozessunsicherheiten umzugehen, ihren Algorithmen mangelt es an Flexibilität, und sie sind in ihrer allgemeinen Anwendbarkeit eingeschränkt.

In unserem Projekt zielen wir darauf ab, Spitalprozessmanagement und -optimierung auf eine neue Art zu adressieren, und zwar mit Machine Learning Techniken der Klasse der Doubly Robust Learners und der (offline) Policy Learner, z.B. Causal Forest und Policy Tree. Diese Machine Learning Techniken können die Unzulänglichkeiten konventioneller Modelle effektiv adressieren.

Zusammen mit unserem Partner, dem Kantonsspital St. Gallen (KSSG), arbeiten wir als erstes Anwendungsbeispiel daran ein Modell zu trainieren, das das individuelle Wiedereintrittsrisiko von Intensivpatienten berechnet und so die klinische Entscheidungsfindung unterstützt. Konkret zielen wir darauf ab, mithilfe von Causal Forest konditionale durchschnittliche Behandlungseffekte von Austritten auf das Wiedereintrittsrisiko zu schätzen und so Entlassungsentscheidungen optimieren und Wiedereintritte auf die Intensivstation minimieren zu können.

Projektverantwortliche

Dr. Justus Vogel, Johannes Cordier, Daria Bukanova-Berend, David Klug

Kooperationspartner

Kantonsspital St. Gallen (KSSG)

Finanzierungsquelle

HSG Stepping Stone Program

Dauer

15 Monate (01.05.2024 – 31.07.2024)

north