Wie eine smarte Triage die Patientensteuerung in der Notaufnahme unterstützt

Die Notfallbehandlung ist eine der bedeutendsten Säulen der akuten Gesundheitsversorgung (1). Wenige Minuten können über Leben oder Tod entscheiden. Der Rettungsdienst und die Kliniken müssen in enger Abstimmung ein bestmögliches Ergebnis erzielen, schnelle Entscheidungen treffen und über die richtigen Informationen zum richtigen Zeitpunkt verfügen (2). Derzeit werden datengestützte Systeme in Pilotprojekten getestet, um die Entscheidungsfindung zu erleichtern. Denn im Status Quo erfolgt die Zuteilung von verfügbaren Klinikkapazitäten über die Leitstellen des Rettungsdienstes, die nur über eine rudimentäre Datenlage in den Krankenhäusern verfügen (1). Zudem erfolgt die Triage in den Notaufnahmen heutzutage noch nicht auf Grundlage in Echtzeit übermittelter Daten aus dem Rettungswagen (3). Mit Facetten technologischer Anwendungen könnten diese Prozesse deutlich optimiert werden. Wie kann eine smarte Patientensteuerung die Zuteilung von Notfällen in der Notaufnahme sowie die Triage verbessern?

Zunehmendes Patientenaufkommen führt zu Engpässen

Das Einsatzfahrtaufkommen im öffentlichen Rettungsdienst ist von 9,5 Millionen Fahrten in den Jahren 1994/95 auf etwa 16,4 Millionen Fahrten für 2016/17 angestiegen (4). Der Anteil der Notfalleinsätze ist in diesem Zeitraum stark angestiegen, während der disponible Krankentransport rückläufig war. Der Rettungsdienst ist damit eine Quelle der ankommenden Patienten in der Notaufnahme. Zudem können Patienten auch in Eigenregie eine Notaufnahme in Deutschland aufsuchen, da es keine Gatekeeper gibt, die Patienten zuweisen (5). Die Kassenärztliche Vereinigung Westfalen-Lippe beziffert den Fehlzugang von Patienten in die Notfallambulanz mit rund 20 bis 30 Prozent (6). Somit werden pro Jahr in Nordrhein-Westfalen etwa eine Million Notfälle in Kliniken behandelt, die eigentlich in ein ambulantes Setting gehören würden. Dadurch verstopfen Patienten die knappen Kapazitäten der Notaufnahmen zusätzlich, besonders zu bestimmten Spitzenzeiten, wie Abbildung 1 zeigt.

Abbildung 1: Exemplarische Tagesverteilung von Patientenaufkommen in der Notfallaufnahme eines städtischen Klinikums nach MTS-Kategorisierung (5)

In Abbildung 1 wird das Patientenaufkommen, das allgemein generalisierbar ist, nach Tageszeiten in einem städtischen Klinikum dargestellt (5). Der blaue Balkenanteil zeigt die nicht dringenden Fälle, die nicht in einer Notfallaufnahme behandelt werden müssten. Ihr Anteil ist im Tagesverlauf von etwa 9 bis 19 Uhr besonders hoch. Da das Patientenaufkommen in Spitzenzeiten besonders viel Personal und Räume bindet, muss eine optimale Priorisierung der Patienten erfolgen.

Datenlieferung vom smarten Rettungswagen direkt in die Notaufnahme

Der Rettungswagen ist heute bereits ein digital vernetztes Einsatzgerät, das mittels Sensorik und Monitoring-Systemen jederzeit alle Vitalwerte des Patienten überwachen kann (1). Durch die Vernetzung mit der Rettungsleitstelle können von dort die Einsätze koordiniert werden. Heute können ebenfalls bereits erste Datenpakete in eingeschränktem Umfang an die Notaufnahmen direkt aus dem Rettungswagen übertragen werden (2). Damit kann das Personal vor Ort sich in besonders zeitkritischen Situationen bereits auf den eintreffenden Patienten vorbereiten. Infolgedessen können Workflows vorbereitet, personelle und räumliche Ressourcen bereitgestellt sowie erste Daten gesichtet werden (7).

Im Rettungswagen stellt sich dann die Frage, welches Klinikum aufgrund der aktuell vorliegenden Triage-Situation am geeignetsten für eine Anfahrt ist. Damit ist die aktuelle Auslastung mit wartenden Patienten in der Notaufnahme gemeint, unter Berücksichtigung der vorliegenden Priorisierung nach dem MTS. Dafür muss eine Schnittstelle in Echtzeit zur Verfügung stehen, um die aktuelle Auslastung der verfügbaren Kliniken bewerten zu können (1). Mithilfe einer Online-Plattform, zwischen Rettungsleitstelle, Rettungswagen und Krankenhäusern, ist dieses Konzept realisierbar. Entscheidend sind dafür die entsprechenden Schnittstellen und die Kompatibilität der Systeme, die eine Echtzeit-Übertragung gewährleisten müssen. Bei Einsätzen des Rettungsdienstes können Algorithmen auf Grundlage künstlicher Intelligenz (KI) unterstützen. Das Projekt AI Rescue testet in der Modellregion Gesundheit Lausitz derzeit den Einsatz von KI im Rahmen von Rettungseinsätzen und deren Einsatzplanung (8). Dabei wird versucht mittels Software die Rettungskette virtuell abzubilden und mögliche Einsatzszenarien zu testen.

Machine Learning unterstützt die Triage durch Echtzeit-Daten

KI kann auch bei der Triage im Klinikum selbst einen zusätzlichen Beitrag leisten (9). Einerseits kann mithilfe von Data Mining der Workflow in der Notaufnahme optimiert werden, sodass mehr Patienten in kürzerer Zeit behandelt werden können (3). Für die Triage spielt dies eine entscheidende Rolle, da bei einem besseren Workflow potenziell auch mehr dringende Fälle abgearbeitet werden können. Bei besonders zeitkritischen und Ressourcen-intensiven Fällen, wie einem Schlaganfall, bieten Pre-Hospital Assessments per Datenübertragung die Möglichkeit sich optimal auf den eintreffenden Patienten vorzubereiten (10). In diesem Fall liefert der Rettungsdienst Daten vorab, die über telemedizinische Anwendungen übertragen werden. Darüber hinaus haben Forscher einen Risiko-Score entwickelt, der auf Grundlage von Machine Learning den Outcome ableitet, wenn bestimmte Triage-Priorisierungen vorgenommen werden (9). Ein Triage-Algorithmus ist ein Baustein für ein zukunftsweisendes Konzept zur Optimierung der Notaufnahme. Das Verbundprojekt ENSURE an der Universitätsmedizin Göttingen nutzt die Entwicklung smarter Notfall-Algorithmen durch erklärbare KI-Verfahren (11). Das Projekt soll die smarte Unterstützung von ärztlichen Entscheidungen voranbringen. Die Helios Kliniken haben bereits eine Gesundheitsplattform mit Triage-Tool im Einsatz, bei der die Patienten über eine App vorab selbst ihre Symptome eingeben (12). Infolgedessen bewertet die KI die Dringlichkeit in Abstimmung mit den medizinischen Fachangestellten, um eine KI-gestützte Triage vorzunehmen.

Mit datengestützter Entscheidungshilfe Menschenleben retten

Die bessere Nutzbarmachung von Daten und die akteursübergreifende Vernetzung in der Gesundheitsversorgung eröffnen Möglichkeiten der smarten Patientensteuerung. Sowohl bei einem Rettungseinsatz auf dem Weg zur Klinik als auch bei der Triage in der Notaufnahme kann künstliche Intelligenz die Entscheidungsfindung von handelnden Personen unterstützen. Dadurch kommen potenziell bessere und schnellere Entscheidungen zustande. Voraussetzungen sind jedoch, dass die notwendigen Schnittstellen zwischen den Akteuren vorhanden sind, die Daten in Echtzeit übertragen werden und das Personal für den Umgang mit den Systemen geschult ist. Aufgrund der zunehmend knappen Ressourcen im Rettungsdienst und der klinischen Notfallversorgung können mit diesen smarten Systemen die verfügbaren Kapazitäten besser genutzt und zusätzliche Kosten im Gesamtsystem eingespart werden.

Quellen

1. Almadani B, Bin-Yahya M, Shakshuki EM. E-AMBULANCE: Real-Time Integration Platform for Heterogeneous Medical Telemetry System. Procedia Computer Science. 2015;63:400-7. zum Original
2. Ashmawy MN, Khairy AM, Hamdy MW, El-Shazly A, El-Rashidy K, Salah M, et al., editors. SmartAmb: An Integrated Platform for Ambulance Routing and Patient Monitoring. 2019 31st International Conference on Microelectronics (ICM); 2019 15-18 Dec. 2019. zum Original
3. Pereira S, Portela F, Santos MF, Machado J, Abelha A, editors. Predicting Pre-triage Waiting Time in a Maternity Emergency Room Through Data Mining2016; Cham: Springer International Publishing. zum Original
4. Einsatzfahrtaufkommen im öffentlichen Rettungsdienst (Anzahl). Gliederungsmerkmale: Jahre, Deutschland, Einsatzart [Internet]. 2021. zum Original
5. Schmiedhofer M, Möckel M, Slagman A, Frick J, Ruhla S, Searle J. Patient motives behind low-acuity visits to the emergency department in Germany: a qualitative study comparing urban and rural sites. BMJ Open. 2016;6(11):e013323. zum Original
6. Bungeroth M. Eine Million unnötige Fälle in Klinik-Notaufnahmen2018. zum Original
7. Beul S, Mennicken S, Ziefle M, Jakobs E, editors. What happens after calling the ambulance: Information, communication, and acceptance issues in a telemedical workflow. 2010 International Conference on Information Society; 2010 28-30 June 2010. zum Original
8. L S-E. Wie Künstliche Intelligenz das Rettungswesen unterstützen kann2021; Rettungs-Magazin. zum Original
9. Spangler D, Hermansson T, Smekal D, Blomberg H. A validation of machine learning-based risk scores in the prehospital setting. PLOS ONE. 2019;14(12):e0226518. zum Original
10. Johansson A, Esbjörnsson M, Nordqvist P, Wiinberg S, Andersson R, Ivarsson B, et al. Technical feasibility and ambulance nurses’ view of a digital telemedicine system in pre-hospital stroke care – A pilot study. International Emergency Nursing. 2019;44:35-40. zum Original
11. Smarte Unterstützung für die Notfallversorgung [press release]. 2020. zum Original
12. Verlagsgesellschaft B-M. Was Helios in der Telemedizin plant – Neue Gesundheitsplattform startet 20202019. zum Original

Verwandte Artikel

• Die Rettung naht aus der Luft – Drohnen in der Gesundheitsversorgung
• Augmented Reality als Ersthelfer?
• Goldgräberstimmung – Wie kann Process Mining das Prozessmanagement in der stationären Versorgung unterstützen?