Die Länge des Aufenthalts eines Patienten, d. h. die Anzahl der Tage zwischen Aufnahme und Entlassung, ist ein Aspekt, der im Gesundheitswesen mit hohen Kosten verbunden sein kann, wenn hierfür nicht der richtige Ansatz gewählt wird. Die Optimierung der Abläufe für den Patienten erleichtert hingegen die Behandlung und führt zu kürzeren Wartezeiten, einer Minimierung der Risiken im Zusammenhang mit dem Aufenthalt im Krankenhaus sowie einer effektiven Nutzung von Ressourcen wie Krankenhausbetten, Geräten und medizinischem Personal.
Daten der Centers for Medicare & Medicaid Services zeigten, dass ein Drittel der Ausgaben im Gesundheitswesen in den USA mit der Versorgung von stationären Patienten zusammenhängt, d. h. die Kontrolle über die Dauer des Aufenthalts von Patienten ist ein kritischer Faktor. Dies ist allerdings kompliziert. Alter, Geschlecht, Krankengeschichte und eine Reihe anderer Faktoren haben unterschiedliche Auswirkungen darauf, wie viele Tage zwischen Aufnahme und Entlassung vergehen.
Glücklicherweise können mit prädiktiven Analysewerkzeugen wie z. B. in der Minitab Statistiksoftware große Mengen verfügbarer Daten ausgewertet werden, um die individuellen Ergebnisse für Patienten zu prognostizieren. Im folgenden Beispiel wird die Initiative eines Anbieters im Gesundheitswesen betrachtet, mit der die Aufenthaltsdauer der Patienten optimiert werden sollte.
Betrachten wir als Beispiel ein Krankenhaus mittlerer Größe in Oregon (USA), das es sich zum Ziel gesetzt hat, seine Ressourcen besser zu planen und einzusetzen. Das Operational Excellence-Team arbeitet mit einem Datensatz, der Informationen zu ca. 8.500 Patienten enthält, die in den letzten zwei Jahren in das Krankenhaus aufgenommen wurden. Er enthält 21 Prädiktoren bzw. Variablen von Interesse, von allgemeinen Informationen wie Alter, Geschlecht und Familienstand bis hin zu medizinischen Informationen wie Stärke der Schmerzen, Tumorgröße und Anzahl der weißen und roten Blutkörperchen. Die Abbildung zeigt das Arbeitsblatt in der Minitab Statistical Software:
Das Arbeitsblatt enthält 22 Datenspalten. Die ersten 21 Spalten stellen die Prädiktoren oder Variablen dar, mit denen die Aufenthaltsdauer der Patienten prognostiziert werden soll, während Spalte 22 die Aufenthaltsdauer enthält.
Ein Algorithmus für maschinelles Lernen kann einem Computer „beibringen“, Muster anhand von verfügbaren Daten zu erkennen. Zu den Werkzeugen für die prädiktive Analyse in Minitab gehören auch Klassifikations- und Regressionsbäume (CART®). Regressionsbäume sind ein Algorithmus für Entscheidungsbäume, mit dem ein Satz von Ja-/Nein-Regeln erstellt wird, der die Daten in Partitionen aufteilt. Als Grundlage dienen dabei Prädiktoreinstellungen, die die Daten am besten in ähnliche Werte der Antwortvariablen unterteilen. Der Einsatz dieses Werkzeugs bietet in diesem Beispiel folgende Möglichkeiten:
Um einen solchen Regressionsbaum zu erstellen, würde das Mitglied des Operational Excellence-Teams einfach auf Statistik > Prädiktive Analysen > CART®-Regression klicken.
Dies ist das ausgefüllte Dialogfeld:
Wie in der Abbildung unten dargestellt, zeigt Minitab im Ausgabefenster ein Baumdiagramm an. Es enthält zwei verschiedene Elemente, die als Knoten bezeichnet werden. Einige dieser Knoten sind in weitere Knoten unterteilt, die ihrerseits nicht weiter aufgeteilt werden. Sie werden als Endknoten bezeichnet. Jeder Endknoten im Regressionsbaum stellt eine spezifische Kombination von Prädiktoreinstellungen dar. Die Anzahl der Endknoten stellt die Größe des Baums dar. In unserem Beispiel verfügt der Baum in Minitab über 10 Endknoten. Die Baumgröße beträgt daher 10.
Die Ausgabe enthält außerdem das unten dargestellte Diagramm der relativen Variablenwichtigkeit. Dieses Diagramm zeigt, wie wichtig die einzelnen Prädiktorvariablen zum Erklären der Streuung bei der Aufenthaltsdauer eines Patienten sind. In unserem Beispiel ist das Alter die wichtigste Variable zum Prognostizieren der Aufenthaltsdauer. Anhand von Krebsstadium, Familienstand, Anzahl der Tumore, Anzahl der weißen Blutkörperchen und der Angabe, ob der Patient Raucher ist, kann ebenfalls die Aufenthaltsdauer prognostiziert werden.
Anhand dieses Modells und der Option Prognostizieren... in der Minitab Statistiksoftware können ganz einfach Prognosen erstellt werden. Hier wird eine Prognose für einen neuen Fall angefordert:
Die Ergebnisse werden unten gezeigt:
Unter den Einstellungen lässt sich erkennen, dass die Ausgabe die Werte enthält, die für die einzelnen Prädiktorvariablen eingegeben wurden. Unter den Einstellungen und der Überschrift „Prognose“ gibt Minitab den angepassten Wert an, in diesem Fall die prognostizierte durchschnittliche Aufenthaltsdauer. Mit diesen Informationen kann das Krankenhaus Folgendes prognostizieren:
Für einen 53-jährigen verheirateten Mann:
... wird eine Aufenthaltsdauer von 5,43 Tagen im Krankenhaus prognostiziert.
Mit Hilfe der CART-Regression in der Minitab Statistiksoftware hat das Operational Excellence-Team die benötigten Daten, um anhand von bereits bei der Aufnahme vorliegenden Informationen genau zu prognostizieren, wie lange ein Patient bleibt. Wenn bekannt ist, wie lange Patienten mit verschiedenen Indikationen im Krankenhaus bleiben, kann entsprechend geplant werden, damit bei Bedarf ausreichende Ressourcen vorhanden sind.