Prädiktion von Komplikationen nach der OP im Krankenhaus
Der Pflegemangel in deutschen Krankenhäusern macht eine kontinuierliche Optimierung des Personaleinsatzes notwendig. Insbesondere im Bereich der Intensivpflege mangelt es an Pflegefachkräften (1), sodass Intensivbetten nicht belegt und Operationen nicht durchgeführt werden können. Da kurzfristig keine Erhöhung des Angebots von Pflegekräften zu erwarten ist, stellt sich die Frage, ob die computergestützte Prädiktion von Komplikationen die intensivmedizinische Ressourcenplanung unterstützen kann, um einem drohenden Ausfall von Erlösen entgegenzuwirken?
Sinkende Anzahl von Pflegekräften führt zu sinkender Auslastung
Der Pflegeberuf verliert zunehmend an Attraktivität: Allein im Zeitraum von Mai bis Ende Juli 2020 ist die Anzahl von Pflegekräften um 0,5 Prozent (9000) zurückgegangen. Insgesamt arbeiten noch rund 1,8 Millionen Pflegekräfte in Deutschland (1). Umfragen zeigen jedoch, dass jede dritte Pflegekraft über einen Berufswechsel nachdenkt (1). Spätestens seit der Einführung der Personaluntergrenzen droht den Krankenhäusern eine Schließung von Intensiv- Stationen aufgrund des Personalmangels. Konkret dürfen während einer Tagschicht maximal 2 Patienten pro Pflegekraft und während einer Nachschicht 3 Patienten pro Pflegekraft betreut werden (2). Krankenhäuser stehen somit vor einem gravierenden Problem: Ohne entsprechend ausgebildete Fachkräfte können an sich profitable, elektive Eingriffe (3), die anschließend eine intensivmedizinische Überwachung benötigen, nicht durchgeführt werden, sodass Erlöse gemindert werden.
Optimierte Ressourcenplanung durch Vorhersage des Komplikationsrisikos
Beispielsweise erfordern kardiologische Operationen, exemplarisch die chirurgische Behandlung des Bauchaortenaneurysmas, oftmals eine intensivmedizinische Nachbetreuung (4). Eine Vorhersage von Komplikationen nach Operationen mittels künstlicher Intelligenz könnte eine optimierte Nutzung knapper Intensivbetten ermöglichen. Exemplarisch könnte genauer unterschieden werden, welcher Patient wie lange nach einer OP tatsächlich auf einer Intensivstation liegen sollte. Einerseits könnte so die Belegung durch Patienten mit einem relativ geringen Risiko auf Intensivstationen reduziert werden, sodass Betten für nachfolgende Operationen frei bleiben. Andererseits könnte die Belegung anhand der zu erwarteten Belastung optimiert werden (Abb. 1).

Abb. 1: Durch genaue prädiktive Vorhersagen des Komplikationsrisikos nach OPs könnten Patienten mit einem geringeren Risiko früher entlassen werden, um die Belegungszeit auf Intensivstation zu reduzieren.
Bisherige Vorhersagemodelle sind verbesserungswürdig
Es wird bereits versucht das Komplikationsrisiko zu bestimmen, z. B. durch den EuroSCORE (5). Das Problem ist jedoch, dass diese Modelle auf traditionellen statistischen Verfahren beruhen, die komplexere Zusammenhänge nicht erfassen (6) und auch nur eine begrenzte Anzahl von Variablen berücksichtigen. Im Gegensatz dazu lernen Machine LearningMachine Learning ist ein iterativer Prozess und als Kategorie in das Feld der Künstlichen Intelligenz zu subsummieren. Es werden Algorithmen programmiert, welche initial an Datensets lernen und sich so auch ohne Weiteres selbstlernend entwickeln können. Demnach werden Vorhersagen ohne Regelwerk, auf Basis eingepflegter retrospektiver Daten durch Al… Im Video erklärt.zum Glossar (ML) Algorithmen selbstständig und könnten komplexere Zusammenhänge aus großen Datenmengen erkennen, was die Genauigkeit der Vorhersage erhöht.
Algorithmen lernen Zusammenhänge zwischen Patientenmerkmalen und OP-Risiken
Die Prädiktion von Komplikationen nach OPs mittels künstlicher Intelligenz wird bereits erforscht, beispielsweise nach kardiologischen Operationen, die ein besonders hohes Komplikationsrisiko aufweisen (6). Dazu wurden Supervised ML Algorithmen überwiegend mittels GesundheitsdatenGesundheitsdaten oder auch Patientendaten umfassen alle Informationen zum Gesundheitszustand einer Person. Dazu gehören Stammdaten, aber beispielsweise auch die Krankheitsgeschichte, der Impfstatus oder die Patientenverfügung. Gesundheitsdaten sind besonders sensible personenbezogene Daten, deren Schutz höchste Priorität hat und daher speziellen Zu…zum Glossar aus elektronischen Patientenakten trainiert. Dies ermöglicht dem AlgorithmusEin Algorithmus ist ein Lösungsverfahren in Form einer systematischen Regel oder Vorgehensweise. Mithilfe einer definierten Abfolge von Verfahrensschritten wird ein Problem gelöst. In der Informatik bilden Algorithmen eine Grundlage der Programmierung. Beispiele für Algorithmen sind die Berechnung des Body-Mass-Index (BMI), Gebrauchsanweisungen ode…zum Glossar durch das Lernen von Korrelationen zwischen Patientenmerkmalen und Behandlungsergebnissen, bzw. dem Auftreten von Komplikationen eine Vorhersage des Komplikationsrisiko für kommende Patienten (6).
Maschinelles Lernen zeigt vielversprechende Vorhersagegenauigkeit
Die Praktikabilität und Ergebnisqualität dieser Methode ist abhängig von der konkreten Umsetzung und Expertise der Entwickler. Erste Studien zeigen jedoch, dass eine vielversprechende Vorhersagegenauigkeit von 88 Prozent nach kardiologischen chirurgischen Eingriffen erreicht werden kann (6). Die Umsetzung in der Praxis setzt jedoch eine elektronische PatientenakteDie elektronische Patientenakte (ePA) ist eine Datenbank bei der an unterschiedlichen Stellen erhobene Gesundheitsdaten und Behandlungsinformationen digital zusammengeführt und gespeichert werden. Es gibt sowohl national als auch international ein unterschiedliches Verständnis der elektronischen Patientenakte hinsichtlich der Begrifflichkeit, Inhal… Im Video erklärt.zum Glossar und entsprechende SchnittstellenMittels einer Schnittstelle können zwei unterschiedliche IT-Systeme kommunizieren, um beispielsweise Daten auszutauschen. Voraussetzung ist, dass die Schnittstellen kompatibel sind.zum Glossar voraus.
Fazit
Die bisherigen Ergebnisse legen nahe, dass eine entsprechende Vorhersage genutzt werden könnte, um zu verhindern das Patienten mit einem geringen Risiko auf Intensivstationen aufgenommen werden oder die Betten länger als medizinisch notwendig belegen. Aus Sicht der Krankenhäuser ist jedoch keine eigene Entwicklung entsprechender Systeme zu empfehlen. Die Entwicklung eines solchen Systems erfordert hochspezialisiertes Personal und umfangreiche zeitliche Ressourcen sowie umfassende Klinik-übergreifende Datensätze. Vielmehr sollten Krankenhäuser bestehende Produkte nutzen, um umfangreiche Entwicklungs- und Implementierungskosten einzusparen. Beim Einsatz ist zu beachten, dass die zugrundliegenden Patientendaten zum Training des AlgorithmusEin Algorithmus ist ein Lösungsverfahren in Form einer systematischen Regel oder Vorgehensweise. Mithilfe einer definierten Abfolge von Verfahrensschritten wird ein Problem gelöst. In der Informatik bilden Algorithmen eine Grundlage der Programmierung. Beispiele für Algorithmen sind die Berechnung des Body-Mass-Index (BMI), Gebrauchsanweisungen ode…zum Glossar die Charakteristika deutscher Krankenhäuser widerspiegeln, ansonsten wird die Vorhersagegenauigkeit negativ beeinträchtigt.
Kontakt
E-Mail:
atlas-itg@uni-wh.deInnovation im Gesundheitswesen
Alfred-Herrhausen-Straße 50
58448 Witten, Deutschland

