Data-Driven Bed Capacity Planning Using $M_t/G_t/\infty$ Queueing Models with an Application to Neonatal Intensive Care Units

Die Studie stellt ein datengesteuertes Framework auf Basis von $M_t/G_t/\infty$-Warteschlangenmodellen vor, um die Bettenkapazität in Intensivstationen unter Berücksichtigung schwankender Nachfrage und variabler Verweildauern präziser zu planen als mit statischen Heuristiken wie der 85%-Auslastungsregel.

Das Wesentliche

Hier ist eine einfache, bildhafte Erklärung der Forschung, als würden wir sie an einem gemütlichen Nachmittag bei Kaffee und Kuchen besprechen.

Das große Problem: Der überfüllte Kinderwagen-Stall

Stellen Sie sich vor, ein Krankenhaus ist wie ein riesiger, sehr spezieller Kinderwagen-Stall (die Intensivstation für Neugeborene, kurz NICU). In diesem Stall gibt es eine begrenzte Anzahl von Wiegen (Betten) und Pflegerinnen.

Das Problem ist: Die Eltern (die Babys) kommen nicht zu einer festen Uhrzeit.
Manchmal kommt eine ganze Welle von Babys auf einmal (vielleicht wegen einer Grippe oder einfach, weil viele Mütter im Winter entbinden). Manchmal ist es ruhig. Und manche Babys bleiben nur zwei Tage, andere brauchen drei Wochen.

Die alte Regel (Der "85%-Trick"):
Früher haben die Krankenhausplaner gesagt: "Wir füllen den Stall einfach so, dass er zu 85 % voll ist. Das ist sicher genug, oder?"
Das ist wie ein Restaurant, das immer nur 85 % der Tische belegt hält, damit es nicht zu voll wird.
Aber: Das funktioniert nur, wenn die Gäste immer zur gleichen Zeit kommen. Wenn plötzlich 50 Gäste gleichzeitig hereinstürmen, sind die 85 % sofort vorbei, und die letzten Gäste müssen draußen warten – was in einer Intensivstation lebensgefährlich ist.

Die neue Idee: Ein Wettervorhersage-System für Betten

Die Forscher aus diesem Papier haben sich gedacht: "Wir brauchen kein starres Regelwerk, sondern ein Wettervorhersage-System für den Stall."

Sie haben ein neues mathematisches Werkzeug entwickelt, das wie ein sehr genauer Wetterbericht funktioniert. Statt nur den Durchschnitt zu gucken, schauen sie sich an:

1. Wann kommen die Babys? (Wie ein Sturm, der in bestimmten Monaten kommt).
2. Wie lange bleiben sie? (Wie lange dauert der Regen?).

Sie nennen ihr Modell $M_t/G_t/\infty$. Klingt kompliziert, ist aber im Grunde so:

• $M_t$: Die Ankunftszeiten ändern sich mit der Zeit (wie der Verkehr zu Stoßzeiten).
• $G_t$: Die Verweildauer ist auch nicht immer gleich (manche Babys sind schneller gesund, andere brauchen länger).
• $\infty$: Das ist der wichtigste Teil! Es bedeutet: "Wir gehen davon aus, dass wir theoretisch unendlich viele Betten haben könnten."
  • Warum? Weil in der Realität niemand auf ein Bett warten darf. Wenn ein Baby kommt, muss es sofort rein. Wenn kein Bett da ist, ist das System "überlastet" (Stress für das Personal, keine Sicherheit), auch wenn es keine Warteschlange gibt. Das Modell berechnet also: "Wie viele Betten bräuchten wir, damit niemals ein Baby warten muss?"

Wie funktioniert das Zaubersystem?

Die Forscher haben Daten aus Calgary (Kanada) über Jahre hinweg analysiert. Sie haben drei Dinge getan:

1. Das Muster erkennen (STL-Zerlegung):
   Sie haben den Datenstrahl wie ein Seil in drei Teile zerlegt:

   • Der Trend (geht es langfristig bergauf?).
   • Die Saison (kommen im Winter mehr Babys?).
   • Das Rauschen (zufällige Schwankungen).
     So konnten sie genau sehen, wann die "Sturmfronten" kommen.

2. Die Verweildauer vorhersagen:
   Sie haben nicht nur den Durchschnitt genommen, sondern geschaut: "Wie stark schwankt die Dauer?"

   • Eine spannende Entdeckung: Wenn alle Babys exakt gleich lange bleiben (keine Schwankung), ist das Chaos am größten! Warum? Weil alle gleichzeitig wieder rauskommen und dann plötzlich alle Betten frei werden, während sie vorher alle voll waren.
   • Wenn die Dauer unterschiedlich ist (manche 2 Tage, manche 10), verteilen sich die Babys wie Sandkörner über den Tag. Das macht die Last gleichmäßiger! Das war eine große Überraschung für die Planer.

3. Die "Sicherheitsmarge" berechnen:
   Statt zu sagen "Wir brauchen 85 % Auslastung", sagen sie jetzt: "Wir wollen nur eine 1 %ige Chance, dass wir überlastet sind."
   Das bedeutet: Wir bauen ein paar extra Betten dazu. Diese Betten stehen vielleicht 60 % der Zeit leer. Das klingt ineffizient, aber es ist wie ein Reserve-Reifen im Kofferraum. Man braucht ihn nicht jeden Tag, aber wenn der Reifen platzt (eine große Baby-Welle kommt), ist er lebenswichtig.

Was haben sie herausgefunden?

• Die alten Regeln sind gefährlich: Wenn man sich nur auf den Durchschnitt verlässt, wird das Krankenhaus an schlechten Tagen überfüllt sein.
• Leere Betten sind gut: Um sicherzustellen, dass niemals ein Baby warten muss, müssen wir bereit sein, dass einige Betten oft leer stehen. Das ist der Preis für Sicherheit.
• Jeder Stall ist anders: Ein Krankenhaus in der Stadt braucht andere Betten als eines auf dem Land. Man kann nicht für alle das Gleiche planen.
• Zukunftssicherheit: Sie haben auch geschaut, wie viele Babys in den nächsten Jahren geboren werden. Ihr System sagt: "Wenn die Geburten steigen, brauchen wir in 5 Jahren X Betten mehr, und zwar nicht nur im Durchschnitt, sondern mit genug Puffer für die schlechtesten Tage."

Die Moral der Geschichte

Dieses Papier sagt uns: Planen Sie nicht für den "normalen" Tag.
Planen Sie für den schlechtesten Tag, den Sie sich vorstellen können.

Statt zu versuchen, jeden Stuhl im Restaurant voll zu bekommen (was zu Chaos führt), bauen Sie ein paar extra Stühle in den Flur. Ja, sie stehen oft leer. Aber wenn die große Familie kommt, haben Sie Platz, und niemand muss auf der Straße warten. Das ist der Unterschied zwischen einem effizienten und einem resilienten (widerstandsfähigen) System.

Für die Eltern bedeutet das: Mehr Sicherheit, dass ihr Baby sofort ein Bett bekommt, auch wenn der Winter besonders hart ist.

Technische Zusammenfassung

Hier ist eine detaillierte technische Zusammenfassung des Papers „Data-Driven Bed Capacity Planning Using Mt/Gt/∞Queueing Models with an Application to Neonatal Intensive Care Units" auf Deutsch.

1. Problemstellung

Intensivstationen (ICUs), insbesondere Neugeborenen-Intensivstationen (NICUs), stehen vor der Herausforderung, die Kapazitätsplanung langfristig unter unsicheren und schwankenden Nachfragebedingungen durchzuführen.

• Dynamische Nachfrage: Aufnahmeraten unterliegen saisonalen Schwankungen, Bevölkerungsdynamiken und strukturellen Verschiebungen.
• Variierende Verweildauer (LOS): Die Verweildauer (Length of Stay, LOS) ist nicht konstant; sie variiert stark aufgrund von Patientenheterogenität, Schweregrad, Komorbiditäten und sich ändernden klinischen Praktiken.
• Limitationen bestehender Ansätze: Herkömmliche Planungen basieren oft auf stationären Warteschlangenmodellen (steady-state) oder Daumenregeln (z. B. die „85%-Regel", die eine durchschnittliche Auslastung von 85% empfiehlt). Diese Ansätze ignorieren die zeitliche Variabilität und die gesamte Verteilung der LOS.
• Folge: Selbst wenn langfristige Auslastungsziele erfüllt sind, führt die Nichtberücksichtigung von Tages- und Wochenschwankungen dazu, dass die tatsächliche Belegung an vielen Tagen die Kapazitätsgrenzen überschreitet (Überlastung), was zu Engpässen und verzögerten Aufnahmen führt.

2. Methodik

Die Autoren entwickeln ein datengesteuertes Framework, das auf einem $M_t/G_t/\infty$-Warteschlangenmodell (nicht-stationäres Warteschlangensystem mit unendlich vielen Servern) basiert. Dieses Modell ist besonders geeignet für ICUs, da es die Priorität der sofortigen Aufnahme widerspiegelt (keine Warteschlangen, sondern Überlastung bei Kapazitätsengpass).

Der Ansatz gliedert sich in folgende Schritte:

A. Schätzung zeitvariabler Ankunftsraten ($\lambda_t$)

• Daten: Mehrjährige Daten von fünf NICU-Standorten in Calgary (2016–2023).
• Methode: Anwendung der STL-Zerlegung (Seasonal-Trend decomposition using Loess) auf die täglichen Aufnahmedaten.
• Optimierung: Ein Grid-Search-Verfahren wählt die besten Fenster für Saisonality (z. B. 7 Tage) und Trend (z. B. 15 Tage) aus, um Rauschen zu filtern und die zugrunde liegende Ankunftsfrequenz glatt zu schätzen.
• Anpassung: Da Patiententransfers zwischen Standorten oft kapazitätsgetrieben sind, werden die Daten so angepasst, dass Transfers zum Ursprungsstandort zurückverfolgt werden, um den tatsächlichen Bedarf jedes Standorts ohne externe Entlastung zu modellieren.

B. Modellierung der LOS-Verteilung

• Ziel: Schätzung der zeitvariablen Überlebenswahrscheinlichkeit $P(S > u | \tau = t-u)$, also der Wahrscheinlichkeit, dass ein Patient, der am Tag $t-u$ aufgenommen wurde, am Tag $t$ noch im Bett liegt.
• Parametrisierung: Es werden parametrische Verteilungen (Weibull, Lognormal, Gamma, Fisk/Burr, Exponential) angepasst.
• Stabilität: Die Formparameter ($\kappa$) der Verteilungen werden als zeitinvariant angenommen (basierend auf empirischer Stabilität), während die Lageparameter (Mittelwert $\mu_t$ und Varianz $\sigma^2_t$) über die STL-Zerlegung und gleitende Fenster der Residuen zeitvariabel geschätzt werden.
• Auswahl: Die beste Verteilung wird mittels Root Mean Squared Error (RMSE) zwischen empirischer Kaplan-Meier-Kurve und parametrischer Überlebensfunktion ausgewählt.

C. Berechnung der erwarteten Belegung ($\rho_t$)

Die erwartete Belegung am Tag $t$ wird als Faltung (Convolution) der vergangenen Ankunftsraten mit den Überlebenswahrscheinlichkeiten berechnet:
$$\rho_t = \sum_{u=0}^{S_{max}} \lambda_{t-u} \cdot P(S > u | \tau = t-u)$$
Dabei ist $S_{max}$ ein Truncation-Horizont (z. B. 99. Perzentil der LOS).

D. Kapazitätsplanung und Szenarioanalyse

Zwei Strategien werden verglichen:

1. Durchschnittsbasierte Schätzung: $B_{average} = \bar{\rho} + \sqrt{\bar{\rho}}$. Basierend auf langfristigen Durchschnitten und einer Sicherheitsmarge (Square-Root-Staffing).
2. Überlauf-beschränkte Schätzung (Overflow-Constrained): Minimierung der Bettenzahl $B$ unter der Bedingung, dass die Wahrscheinlichkeit, dass die Belegung einen Schwellenwert $\gamma B$ (z. B. 85% oder 100%) überschreitet, einen akzeptablen Risikowert $\alpha$ (z. B. 1% oder 5%) nicht übersteigt:
   $$P(L_t > \gamma B) \leq \alpha$$
   Da die Anzahl der Patienten im $M_t/G_t/\infty$-Modell Poisson-verteilt ist mit Mittelwert $\rho_t$, wird dies über die Poisson-Verteilung berechnet.

E. Prognose (Forward-Looking)

Ein Modul projiziert zukünftige Bedarfe basierend auf Bevölkerungsprognosen (Geburtenzahlen). Es kombiniert demografische Projektionen mit historischen Mustern von Ankunftsraten und LOS durch Resampling, um zukünftige Szenarien (2024–2030) zu generieren.

3. Wichtige Beiträge

1. Integration von Zeitvariabilität: Das Framework verbindet STL-Zerlegung, parametrische LOS-Modellierung und nicht-stationäre Warteschlangentheorie, um tägliche Belegungstrajektorien zu erzeugen, die saisonale und kurzfristige Schwankungen abbilden.
2. Berücksichtigung der LOS-Varianz: Im Gegensatz zu vielen Modellen, die nur den Mittelwert der LOS nutzen, wird die Varianz explizit modelliert. Die Studie zeigt, dass die Varianz der LOS die Spitzenbelegung und damit den Kapazitätsbedarf signifikant beeinflusst.
3. Risikobasierte Kapazitätsgrenzen: Statt fester Auslastungsziele werden Kapazitäten basierend auf expliziten Wahrscheinlichkeiten für Überlastung (Overflow) definiert. Dies ermöglicht eine Abwägung zwischen Effizienz (hohe Auslastung) und Resilienz (geringes Überlastungsrisiko).
4. Anwendung auf NICU-Netzwerke: Das Modell berücksichtigt die Komplexität von Patiententransfers in regionalen Netzwerken und schätzt den Bedarf, als ob jeder Standort seine eigene Nachfrage bedienen müsste (ohne Entlastung durch Transfers).

4. Ergebnisse

• Unzulänglichkeit statischer Heuristiken: Die traditionelle 85%-Regel oder rein durchschnittsbasierte Planung unterschätzen den Kapazitätsbedarf erheblich. An Standorten mit hoher Variabilität (z. B. Site 3) wurde die Kapazität an über 23% der Tage überschritten, obwohl die Planung auf der 85%-Regel basierte.
• Trade-off Effizienz vs. Resilienz:
  • Die Strategie $B_{average}$ führt zu einer hohen durchschnittlichen Auslastung (ca. 85%), aber hohem Überlastungsrisiko.
  • Die Strategie $B_{0.01}$ (nur 1% Wahrscheinlichkeit für Überlastung) senkt die durchschnittliche Auslastung auf ca. 56%, bietet aber starken Schutz vor Engpässen.
  • $B_{0.05}$ (5% Risiko) stellt einen Kompromiss dar (ca. 65% Auslastung).
• Einfluss der LOS-Varianz: Ein überraschender Befund ist, dass eine Erhöhung der LOS-Varianz (bei konstantem Mittelwert) den benötigten Kapazitätsbedarf für ein festes Überlastungsrisiko senken kann. Grund ist, dass eine höhere Varianz die Entlassungen über die Zeit streut und somit die Synchronisation von Patientenkohorten (und damit Spitzenbelegungen) reduziert. Umgekehrt erhöht eine geringere Varianz (deterministischere LOS) die Spitzenlast.
• Prognosen: Die Projektionen für 2030 zeigen, dass riskobasierte Strategien ($B_{0.05}$ und $B_{0.01}$) im Vergleich zu Durchschnittswerten 4–13 zusätzliche Betten pro Standort erfordern, um das Risiko zu minimieren.
• Standortspezifische Heterogenität: Die benötigten Bettenzahlen variieren stark zwischen den Standorten, was zeigt, dass eine einheitliche Regel für alle Standorte ungeeignet ist.

5. Bedeutung und Implikationen

• Paradigmenwechsel: Das Paper plädiert für einen Wechsel von statischen, durchschnittsbasierten Planungsregeln hin zu datengesteuerten, probabilistischen Modellen, die die zeitliche Dynamik explizit abbilden.
• Entscheidungsunterstützung: Das Framework bietet Planern transparente Werkzeuge, um verschiedene Resilienz-Ziele (z. B. "Wie viele Betten brauche ich, um das Risiko einer Überlastung auf unter 5% zu senken?") zu bewerten.
• Ressourcenallokation: In regionalen Netzwerken können Kapazitätsengpässe durch Transfers maskiert werden. Das Modell hilft, strukturelle Ungleichgewichte aufzudecken, indem es den Bedarf ohne externe Entlastung berechnet.
• Übertragbarkeit: Obwohl am Beispiel von NICUs demonstriert, ist das $M_t/G_t/\infty$-Framework allgemein auf andere ICU-Bereiche und Krankenhausbereiche mit variabler Nachfrage anwendbar.

Zusammenfassend liefert das Paper ein robustes, interpretierbares mathematisches Werkzeug, um die Lücke zwischen statischer Kapazitätsplanung und der dynamischen Realität von Intensivstationen zu schließen und fundierte Entscheidungen über den notwendigen Bettenbestand unter Unsicherheit zu treffen.