---
title: "Wie KI-basierte Frühwarnsysteme die Versorgung auf Intensivstationen verbessern"
language: "de"
type: "post"
original_url: "https://www.atlas-digitale-gesundheitswirtschaft.de/blog/2021/07/20/wie-ki-basierte-fruehwarnsysteme-die-versorgung-auf-intensivstationen-verbessern/"
human_version: "../../../../../1/blog/2021/07/20/wie-ki-basierte-fruehwarnsysteme-die-versorgung-auf-intensivstationen-verbessern/"
date: "2021-07-20"
section: "Review-Artikel"
categories: ["KI", "Krankenhaus", "Machine Learning"]
author: "Philipp Köbe"
reading_time: "9 Min."
description: "Welche Potenziale bieten Frühwarnsysteme in der intensivmedizinischen Versorgung und wie können sie Kosten für Krankenhäuser reduzieren?"
publisher: "Lehrstuhl für Management und Innovation im Gesundheitswesen, Universität Witten/Herdecke"
---

# Wie KI-basierte Frühwarnsysteme die Versorgung auf Intensivstationen verbessern

*20.07.2021 · Review-Artikel · Von Philipp Köbe*

Review-Artikel

Die intensivmedizinische Versorgung gehört in Kliniken zu den kostenintensiven und hochtechnisierten Bereichen (1). Die dort behandelten Patienten sind besonders vulnerabel und benötigen nach einer Operation oder einer Verlegung eine besonders intensive Betreuung. Die Situation der Patienten zeichnet sich durch ein besonders hohes Mortalitätsrisiko oder eine besonders hohe Anfälligkeit für Komplikationen, beispielsweise in Folge von Infektionen, aus (2). Moderne Technologien sowie eine umfassende Erfassung von Patientendaten könnten die Überlebenschancen der Patienten auf Intensivstationen erhöhen. Können KI-basierte Frühwarnsysteme zu besseren Ergebnissen auf Intensivstationen führen?

### **Intensivmedizinische Versorgung ist besonders teurer Klinikbereich**

Insgesamt behandelten 2016 rund 1.100 Kliniken in Deutschland Patienten auf einer Intensivstation (3). Die intensivmedizinische Versorgung umfasste 8,1 Millionen Belegungstage, an denen etwa 2,1 Millionen Fälle behandelt wurden. Die durchschnittlichen Kosten einer Therapie auf der Intensivstation lagen bei rund 3.200 Euro pro Patient (1). Allerdings sind je nach Fachgebiet und Charakteristik der Patientengruppe große Schwankungen festzustellen. Einzelne intensivmedizinische Therapien können auch bei über 50.000 Euro liegen (1). Für Kliniken ist es daher besonders wichtig, die Behandlungstage auf Intensivstationen bestmöglich auszutarieren, um Kapazitäten nicht länger als nötig zu binden.

### **Hohe Risiken bei unzureichender Versorgungssteuerung und -Überwachung**

Neben einer unzureichenden Kapazitätssteuerung kommt es zudem regelmäßig zu Komplikationen infolge vorausgegangener Operationen oder Infektionen, die frühzeitig erkannt werden müssen (4). Insgesamt ergeben sich daraus drei Risiken für Krankenhäuser:

- **Finanzrisiko**, durch zu lange Liegezeiten von Patienten auf Intensivstationen, die zu steigenden Kosten des Behandlungsfalls führen (1, 2).
- **Qualitätsrisiko**, durch zu spät oder nicht erkannte Komplikationen, die bis zum Tod führen können (4).
- **Operatives Risiko**, durch schlecht genutzte Ressourcen, fehlende Planung oder Bereitstellung von kurzfristig benötigten Diagnostik- und Therapieeinheiten (CT, OP etc.) (5).

Die Zunahme erfasster Patientendaten in elektronischen Patientenakten (ePA) sowie die Möglichkeit der Auswertung großer Datenmengen in Echtzeit kann mittels geeigneter Instrumente dazu führen, diese Risiken zu minimieren (5).

In Abbildung 1 sind die Zusammenhänge der klinischen Prozesse im Kontext eines schematischen Behandlungsverlaufs dargestellt (6). Die roten Pfeile stellen potenzielle Verlegungen durch unerwartete Komplikationen dar, deren Identifikation möglichst frühzeitig stattfinden muss. Mittels Datenaggregation aller klinischen Behandlungsdaten über die elektronische Patientenakte (ePA), kann eine künstliche Intelligenz (KI) als Frühwarnsystem fungieren.

![Klinische Prozesse, Behandlungsverlauf und Frühwarnsystem](https://www.atlas-digitale-gesundheitswirtschaft.de/1/assets/bilder/wp-content/uploads/2021/07/Abb_1_Versorgungsverlauf.jpg)Abb. 1: Zusammenhang zwischen klinischen Prozessen, Behandlungsverlauf und Frühwarnsystem, eigene Darstellung erweitert nach (6).

### **Vorhersagemodelle ermöglichen rechtzeitige Eingriffe bei drohenden Komplikationen**

Aufgrund der vorgenannten Datenerhebung bietet die Vorhersage durch Algorithmen eine Vielzahl an frühzeitigen Reaktionsmöglichkeiten, um die Mortalität zu senken, die Rückverlegung von Normalstationen auf Intensivstationen zu reduzieren sowie die Liegedauer auf Intensivstationen zu verkürzen. Dafür sind bereits in zahlreichen Kliniken Frühwarnsysteme im Einsatz, um in Echtzeit den Patientenzustand zu monitoren (4). Abbildung 2 zeigt eine mögliche Vorgehensweise zur Modellierung einer Komplikationsvorhersage. Dafür werden zunächst die Patientendaten, wie Vitalparameter oder Laborwerte, ins Modell eingespeist. Die Daten können aus einzelnen Kiniken stammen, idealerweise ist eine Zusammenführung größerer Krankenhaus-übergreifender Datenpools empfehlenswert. Das Vorhersagemodell errechnet dann mittels supervised Machine Learning (ML), in welchen Fällen eine Komplikation als Output auftritt. Daran anknüpfend errechnet ein Algorithmus in einem erklärenden Modell, inwieweit die einzelnen Input-Parameter für die Komplikationen verantwortlich sind. Anschließend kann das Frühwarnsystem vollautomatisiert alarmieren, wenn entsprechende Komplikationsparameter Auffälligkeiten aufweisen (7).

![KI Vorhersagemodellierung von Komplikationen im Krankheitsverlauf](https://www.atlas-digitale-gesundheitswirtschaft.de/1/assets/bilder/wp-content/uploads/2021/07/Abb_2_Vorhersagemodell.jpg)Abb. 2: Vorhersagemodellierung von Komplikationen, eigene Darstellung nach (7).

Der Einsatz von ML als Form einer überwacht lernenden KI kann dabei immer besser die Parameter verstehen und das Frühwarnsystem optimieren (2). Ein drohender Atemstillstand konnte beispielsweise bereits bei Verlegung auf Intensivstationen erkannt werden, wodurch frühzeitig Überwachungs- und Interventionsmaßnahmen eingeleitet werden konnten (8). Es konnte zudem durch ein geeignetes Frühwarnsystem die Liegedauer auf der Intensivstation um 10 Prozent, die Rückverlegungsrate um 50 Prozent und die Mortalität um 60 Prozent reduziert werden (2).

### **Charité testet Frühwarnsystem für die Intensivstation**

In einem Projekt der Charité Universitätsmedizin Berlin in Zusammenarbeit mit dem Forschungszentrum Berlin Institute of Health wurde ein Frühwarnsystem zur Vorhersage von Komplikationen auf Intensivstationen entwickelt (9). Die Charité ist damit in Deutschland Vorreiter bei der Entwicklung dieser Systeme. Die Evaluation zeigt eine hohe Wirksamkeit bzw. Genauigkeit der Vorhersage, wodurch der Nachweis eines zielführenden Einsatzes von Frühwarnsystemen in diesem Kontext belegt werden konnte (10). Der ML-Algorithmus zeigte eine deutliche Performance-Verbesserung gegenüber klassischen klinischen Referenztools bei Blutungen von 9 Prozent, bei Mortalität von 18 Prozent und bei Nierenversagen von 25 Prozent (10).

### **Datenqualität und Echtzeit-Auswertung sicherstellen**

Das Personal auf Intensivstationen kann durch ein KI-gestütztes Frühwarnsystem entlastet werden, wenn die notwendigen Voraussetzungen geschaffen werden. Zu beachten ist dabei eine hinreichend gute Datengrundlage durch die Bereitstellung von Patientendaten über die ePA in Echtzeit. Bei der Entwicklung von Algorithmen sollten gemeinsame Datennetzwerke genutzt werden, um eine breitere Datengrundlage bereitzustellen. Die notwendigen Schnittstellen müssen vorhanden sein, um alle verfügbaren Datenpunkte (unter anderem Vital- und Labordaten) bereitzustellen. Das Personal muss hinreichend für die Nutzung des Frühwarnsystems eingearbeitet und geschult sein. Zudem könnte der Bedarf zur Prozessanpassung bestehen, wenn personelle und räumliche Ressourcen aufgrund einer Warnung ad hoc bereitgestellt werden müssen, beispielsweise ein CT.

### **Frühwarnsysteme steigern die Überlebenschancen von Patienten**

Der Einsatz von KI-gestützten Frühwarnsystemen zeigt eine deutliche Verbesserung der Performance in der intensivmedizinischen Versorgung. Das Finanz- und Qualitätsrisiko kann dabei ebenso wie das operative Risiko infolge einer schnelleren und effektiveren Behandlung von Komplikationen reduziert werden. Krankenhäuser haben mit diesem Instrument das Potenzial, ihre Kosten auf Intensivstationen zu senken, Ressourcen effektiver zu nutzen und den Outcome für den Patienten zu erhöhen.

<a id="expandable-block--6aac4bda43298"></a>

Quellen

1. Maierhofer T, Pfisterer F, Bender A, Küchenhoff H, Moerer O, Burchardi H, et al. Kosten als Instrument zur Effizienzbeurteilung intensivmedizinischer Funktionseinheiten. Medizinische Klinik – Intensivmedizin und Notfallmedizin. 2018;113(7):567-73. [zum Original](https://doi.org/10.1007/s00063-017-0315-8)
2. McCoy A, Das R. Reducing patient mortality, length of stay and readmissions through machine learning-based sepsis prediction in the emergency department, intensive care unit and hospital floor units. BMJ Open Quality. 2017;6(2):e000158. [zum Original](https://doi.org/10.1136/bmjoq-2017-000158)
3. Riessen R, Hermes C, Bodmann KF, Janssens U, Markewitz A. Vergütung intensivmedizinischer Leistungen im DRG-System. Medizinische Klinik – Intensivmedizin und Notfallmedizin. 2018;113(1):13-23. [zum Original](https://doi.org/10.1007/s00063-017-0390-x)
4. Liu VX, Lu Y, Carey KA, Gilbert ER, Afshar M, Akel M, et al. Comparison of Early Warning Scoring Systems for Hospitalized Patients With and Without Infection at Risk for In-Hospital Mortality and Transfer to the Intensive Care Unit. JAMA Network Open. 2020;3(5):e205191-e. [zum Original](https://doi.org/10.1001/jamanetworkopen.2020.5191)
5. Awad A, Bader-El-Den M, McNicholas J, Briggs J. Early hospital mortality prediction of intensive care unit patients using an ensemble learning approach. International Journal of Medical Informatics. 2017;108:185-95. [zum Original](https://doi.org/10.1016/j.ijmedinf.2017.10.002)
6. Calvo Herranz E, Mozo Martín MT, Gordo Vidal F. Introduction of a management system in Intensive Care Medicine based on the safety of the seriously ill patient during the entire hospitalization process: Extended Intensive Care Medicine. Medicina Intensiva (English Edition). 2011;35(6):354-60. [zum Original](https://doi.org/10.1016/j.medine.2011.05.002)
7. Lauritsen SM, Kristensen M, Olsen MV, Larsen MS, Lauritsen KM, Jørgensen MJ, et al. Explainable artificial intelligence model to predict acute critical illness from electronic health records. Nature Communications. 2020;11(1):3852. [zum Original](https://doi.org/10.1038/s41467-020-17431-x)
8. Dziadzko MA, Novotny PJ, Sloan J, Gajic O, Herasevich V, Mirhaji P, et al. Multicenter derivation and validation of an early warning score for acute respiratory failure or death in the hospital. Critical Care. 2018;22(1):286. [zum Original](https://doi.org/10.1186/s13054-018-2194-7)
9. Frühwarnsystem für die Intensivstation [press release]. 2021.[zum Original](https://www.bihealth.org/de/aktuell/fruehwarnsystem-fuer-die-intensivstation)
10. Meyer A, Zverinski D, Pfahringer B, Kempfert J, Kuehne T, Sündermann SH, et al. Machine learning for real-time prediction of complications in critical care: a retrospective study. The Lancet Respiratory Medicine. 2018;6(12):905-14. [zum Original](https://doi.org/10.1016/S2213-2600(18)30300-X)





#### Verwandte Artikel

- [Wie eine smarte Triage die Patientensteuerung in der Notaufnahme unterstützt](../../04/26/wie-eine-smarte-triage-die-patientensteuerung-in-der-notaufnahme-unterstuetzt.md)
- [KI in der Krankenhausabrechnung](../../../2020/11/25/ki-in-der-krankenhausabrechnung.md)
- [Effizienzsteigerung durch Diagnostik und Intervention im Hybrid-OP](../../../2020/11/25/effizienzsteigerung-durch-diagnostik-und-intervention-im-hybrid-op.md)


**Kategorien:** KI, Krankenhaus, Machine Learning

## Bilder auf dieser Seite

- Klinische Prozesse, Behandlungsverlauf und Frühwarnsystem: ../../../../../1/assets/bilder/wp-content/uploads/2021/07/Abb_1_Versorgungsverlauf.jpg
- KI Vorhersagemodellierung von Komplikationen im Krankheitsverlauf: ../../../../../1/assets/bilder/wp-content/uploads/2021/07/Abb_2_Vorhersagemodell.jpg
- shutterstock_1861609369-1320x686.jpg: ../../../../../1/assets/bilder/wp-content/uploads/2021/06/shutterstock_1861609369-1320x686.jpg

---
Diese Seite ist für KI-Systeme optimiert. Version für Menschen: [Wie KI-basierte Frühwarnsysteme die Versorgung auf Intensivstationen verbessern](../../../../../1/blog/2021/07/20/wie-ki-basierte-fruehwarnsysteme-die-versorgung-auf-intensivstationen-verbessern/)
