Diese Seite ist für Menschen und Suchmaschinen gestaltet. Zur Version für KI-Systeme (LLM) →

· Review-Artikel · Von Judith Kraushaar

Goldgräberstimmung – Wie kann Process Mining das Prozessmanagement in der stationären Versorgung unterstützen?

Mit dem deutschen Zukunftspreis wurde 2019 ein Unternehmen geehrt, dessen Software-Produkte Geschäftsabläufe auf Basis von Routinedaten digitalisieren. Die Unternehmensprozesse können mithilfe der Software nicht nur visualisiert, sondern auch hinsichtlich kritischer Leistungsindikatoren analysiert und interpretiert werden. Dadurch wird eine frühzeitige Reaktion auf Ineffizienzen im Prozess ermöglicht. Aber auch Prognosen für zukünftige Abläufe können berechnet werden. Die dafür notwendigen Algorithmen entstammen dem Konzept des Process Mining (1).

Vor dem Hintergrund des steigenden Kosten- und Qualitätsdrucks in der stationären Patientenversorgung erscheint die Übertragung des Konzepts auf Prozesse innerhalb der Klinik eine vielversprechende Möglichkeit für Effizienzsteigerungen. Der theoretische Rahmen, Potenziale und Herausforderungen sowie mögliche Anwendungsszenarien im stationären Sektor werden im Folgenden beschrieben.

Process Mining – Worum geht’s?

Process Mining umfasst Techniken zur Extraktion und Aufbereitung von Daten aus bestehenden Datenbanken und Informationssystemen mit dem Ziel, Unternehmensprozesse digital zu modellieren, zu analysieren, zu optimieren und zu überwachen (2-6). Als Datenquellen eignen sich prinzipiell alle in einer Klinik genutzten informationsverarbeitenden Systeme, darunter u. a. administrative Systeme, klinische Informationssysteme, Logistiksysteme und Software von medizinischen Geräten (3).

Aus den verfügbaren Daten wird zunächst ein Prozess generiert

Die für den Prozess benötigten Daten werden aus den entsprechenden Systemen extrahiert, bereinigt, in einem gemeinsamen Ereignisprotokoll (event log) zusammengeführt und anschließend validiert (4, 7). Ein solches Ereignisprotokoll ist in der Tabelle unten vereinfacht dargestellt. Es besteht aus einzelnen Ereignissen (Zeilen), die mindestens folgende Informationen umfassen: eine Fall-ID (Patientenname/ -nummer), eine durchgeführte Aktivität (z. B. Blutentnahme) und ein Ordnungsmerkmal (i. d. R. ein Zeitstempel) (2, 8). Patienten erhalten meistens eine ganze Sequenz an Untersuchungen und Behandlungen (Ereignissen).

Im Beispiel von Tabelle 1 durchläuft der Patient mit der Fall-ID 1002332 (grün) nacheinander die Aktivitäten Administrative Aufnahme, Körperliche Untersuchung, EKG, Blutbild, Entlassung. Der Patient mit der Fall-ID 1002333 (blau), der mit derselben Symptomatik in die Klinik kam, hatte im Vergleich eine andere Ereigniskette. Weitere Attribute, die für spätere Analysezwecke in das Ereignisprotokoll aufgenommen werden können, betreffen u. a. die Kosten, den Ressourceneinsatz oder relevante Patientendaten (8, 9).

Beispiel eines einfachen Ereignisprotokolls

(eigene Darstellung)

Process Mining

Techniken des Process Mining

Für die weitere Verarbeitung des gewonnenen Datensatzes stellt das Process Mining je nach Fragestellung verschiedene Techniken bereit:

  • Discovery: Zunächst kann es von Interesse sein, den IST-Prozess einer bestimmten Behandlung in der Klinik (z. B. Gastroskopie) patientenübergreifend abzubilden. Dabei wird es, u. a. aufgrund der hohen Variabilität der Patientenklientel, zu einer Vielzahl von Varianten des Behandlungsablaufs kommen, die von der Software veranschaulicht werden. Abbildung 1 bildet eine solche Visualisierung (beispielhaft anhand von Tabelle 1) vereinfacht ab. Die digitale Prozessmodellierung mittels Process Mining ermöglicht es, anschließend Überschneidungen und Ausreißer im Behandlungsverlauf mit geringem Zeitaufwand zu erkennen und zu analysieren (2).
  • Conformance: Bestehen bereits vorgegebene Behandlungspfade (SOLL-Prozesse), so lassen sich IST- und SOLL-Prozesse gegenüberstellen (10). Dadurch können nicht nur Abweichungen erkannt (2), sondern auch die Compliance in Audits anschaulich belegt werden (8).
  • Enhancement: Durch die Anreicherung des Ereignisprotokolls mit Daten aus anderen Systemen wird die Ursachen- und Bottleneck-Analyse (z. B. Gründe für lange Wartezeiten oder Wiedereinweisungen) durch genaue Zuordnung von Informationen zu einem Prozessschritt erleichtert (2, 4).
  • Operational Support: Process Mining ermöglicht aufgrund der digital vorhandenen Prozessmodelle datengestützte Prognosen oder Empfehlungen (z. B. weitere Behandlungsschritte, Kosten oder Verzögerungen) (4, 11).

Beispielhafte Visualisierung der Varianten eines IST-Prozesses anhand der Tabelle (eigene Darstellung)

Process Mining

Wie kann die stationäre Versorgung vom Process Mining profitieren?

Im stationären Bereich wurden die Techniken des Process Mining bereits in diversen Forschungsprojekten eingesetzt und evaluiert (3). Die meisten Anwendungen bezogen sich dabei auf rein medizinische Behandlungsprozesse (3, 6, 8, 9, 12-14). Die Möglichkeiten des Process Mining sind jedoch weitaus vielfältiger. So birgt insbesondere die Verknüpfung von Daten aus verschiedenen Systemen ein bisher nicht genutztes Potenzial für Effizienzsteigerungen. Gleichzeitig kann auf Grundlage des Process Mining aber auch der Triple Aim-Ansatz der nutzenbasierten Gesundheitsversorgung (Value-based Healthcare) umgesetzt werden (6). Im Kern sollen durch den Einsatz der Process Mining-Techniken folgende vier Fragen beantwortet werden können (3, 15):

  • Was ist passiert? (Prozessmodellierung)
  • Warum ist es passiert? (Prozessanalyse)
  • Was wird passieren? (Prognose)
  • Wie sollte es idealerweise passieren? (Prozessoptimierung)

Vorsicht Datenwüste! Garbage in, garbage out …

Den außerordentlichen Chancen stehen enorme Herausforderungen in der Umsetzung gegenüber. Eines der großen Probleme im Gesundheitswesen betrifft auch das Process Mining – die Datenqualität (7, 8). Basis der Generierung eines hochwertigen Ereignisprotokolls sollte folglich die enge Kooperation zwischen Entwicklern und Anwendern des Process Mining-Tools sein. Weiterhin sind Prozesse in der Gesundheitsversorgung von großer Variabilität geprägt: Patienten sind keine Ware, medizinische Fachkräfte keine Maschinen und Behandlungsabläufe häufig nicht genau planbar (2, 3, 8). Dies führt zu einer hohen Komplexität der Prozesse. Daher sind verfügbare Process Mining-Tools in der Gesundheitsversorgung bislang sehr anwendungsspezifisch und kaum skalierbar (3). Auch die Visualisierung und Nutzerfreundlichkeit wird bemängelt (3). Um über die Anwendung in Forschungsprojekten hinaus auch attraktiv für das Controlling in Kliniken zu werden, bedarf es der Weiterentwicklung hin zu einem anwenderorientierten, übergreifend einsetzbaren, effizienten digitalen Instrument im Prozessmanagement.

Fazit

Der Einsatz des Process Mining in der stationären Versorgung birgt enorme Chancen zur Steigerung der Effizienz von Behandlungsabläufen – sowohl aus wirtschaftlicher als auch aus Patientenperspektive. Der routinemäßige Einsatz in den Controlling-Abteilungen der Kliniken konnte bislang aufgrund der fehlenden Anwenderfreundlichkeit und hohen Spezifität der vorhandenen Process Mining-Tools noch nicht erreicht werden. Die Bereitstellung flexibel einsetzbarer Lösungen sollte daher Ziel künftiger Entwicklungsvorhaben sein.

Quellen

  1. Stifterverband für die Deutsche Wissenschaft eV Geschäftsstelle Deutscher Zukunftspreis. Process Mining: 2019. zum Original
  1. Boersma HJ, Leung TI, Vanwersch R, Heeren E, van Merode GG. Optimizing Care Processes with Operational Excellence & Process Mining. In: Kubben P, Dumontier M, Dekker A, editors. Fundamentals of Clinical Data Science. Cham: Springer International Publishing: 2019. 181-92. zum Original
  1. Rojas E, Munoz-Gama J, Sepúlveda M, Capurro D. Process mining in healthcare: A literature review. Journal of Biomedical Informatics. 2016; 61: 224-36. zum Original
  1. van der Aalst WMP. Extracting Event Data from Databases to Unleash Process Mining. In: vom Brocke J, Schmiedel T, editors. BPM – Driving Innovation in a Digital World. Cham: Springer International Publishing; 2015. 105-28. zum Original
  1. Williams R, Rojas E, Peek N, Johnson OA. Process Mining in Primary Care: A Literature Review. Stud Health Technol Inform. 2018; 247: 376-80. zum Original
  1. Ibanez-Sanchez G, Fernandez-Llatas C, Martinez-Millana A, Celda A, Mandingorra J, Aparici-Tortajada L, et al. Toward Value-Based Healthcare through Interactive Process Mining in Emergency Rooms: The Stroke Case. International Journal of Environmental Research and Public Health. 2019; 16(10): 1783. zum Original
  1. Suriadi S, Andrews R, ter Hofstede AHM, Wynn MT. Event log imperfection patterns for process mining: Towards a systematic approach to cleaning event logs. Information Systems. 2017; 64: 132-50. zum Original
  1. Hompes B, Dixit P, Buijs J. Using Process Analytics to Improve Healthcare Processes. In: Consoli S, Reforgiato Recupero D, Petković M, editors. Data Science for Healthcare: Methodologies and Applications. Cham: Springer International Publishing; 2019. 305-25. zum Original
  1. Baker K, Dunwoodie E, Jones RG, Newsham A, Johnson O, Price CP, et al. Process mining routinely collected electronic health records to define real-life clinical pathways during chemotherapy. International Journal of Medical Informatics. 2017; 103: 32-41. zum Original
  1. Huang Z, Dong W, Ji L, Gan C, Lu X, Duan H. Discovery of clinical pathway patterns from event logs using probabilistic topic models. Journal of Biomedical Informatics. 2014; 47: 39-57. zum Original
  1. van der Aalst WMP, Schonenberg MH, Song M. Time prediction based on process mining. Information Systems. 2011; 36(2): 450-75. zum Original
  1. Bouarfa L, Dankelman J. Workflow mining and outlier detection from clinical activity logs. Journal of Biomedical Informatics. 2012; 45(6): 1185-90. zum Original
  1. Rao G, Kirley K, Epner P, Zhang Y, Bauer V, Padman R, et al. Identifying, Analyzing, and Visualizing Diagnostic Paths for Patients with Nonspecific Abdominal Pain. Appl Clin Inform. 2018; 09(04): 905-13. zum Original
  1. Zhang Y, Padman R, Epner P, Bauer V, Solomonides A, Rao G. Identifying Diagnostic Paths for Undifferentiated Abdominal Pain from Electronic Health Record Data. AMIA Jt Summits Transl Sci Proc [Internet]. 2018 2018; 2017: 290-9. zum Original
  1. Mans RS, Aalst, van der, W.M.P., Vanwersch, R.J.B. Process mining in healthcare – evaluating and exploiting operational healthcare processes: 2015. zum Original

Verwandte Artikel

Verwandte Artikel