Improving Hospital Process Management through Process Mining: A Case Study on COVID-19 Clinical Pathways
Diese Studie zeigt auf, wie Process Mining angewandt auf den „COVID Data for Shared Learning“-Datensatz die klinischen Pfade von COVID-19 rekonstruieren und analysieren kann, um die Variabilität der Versorgung sowie die Treiber der Ergebnisse offenzulegen und dadurch handlungsrelevante Erkenntnisse für die Krankenhaussteuerung, die Standardisierung der Triage und die Kapazitätsplanung zu liefern.
Originalarbeit lizenziert unter CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/). Dies ist eine KI-generierte Erklärung des untenstehenden Papers. Sie wurde nicht von den Autoren verfasst oder gebilligt. Für technische Genauigkeit konsultieren Sie das Originalpaper. Vollständigen Haftungsausschluss lesen
Stellen Sie sich ein Krankenhaus wie einen riesigen, geschäftigen Bahnhof vor. Jeden Tag kommen tausende Fahrgäste (Patienten) an, werden untersucht, steigen in verschiedene Züge (Stationen oder Intensivstationen) um und verlassen das Gebäude schließlich wieder. Normaltag gesehen schauen die Bahnhofsmanager nur auf die abschließenden Fahrkartenverkaufsberichte: „Wie viele Leute sind gegangen? Wie viele sind gestorben? Wie viele sind noch hier?“ Sie sehen jedoch nicht wirklich, wie sich die Menschen durch den Bahnhof bewegt haben, wo sie feststeckten oder warum manche Züge Verspätung hatten.
Dieses Paper ist wie die Installation eines intelligenten Kamerasystems, das jeden einzelnen Schritt, den jeder Fahrgast macht, aufzeichnet. Die Autoren nutzten eine spezielle Technologie namens Process Mining, um die unordentlichen, verstreuten Krankenhausdaten in einen klaren, bewegten Film zu verwandeln, der zeigt, wie COVID-19-Patienten tatsächlich durch das Krankenhaus gereist sind.
Hier ist die Geschichte dessen, was sie herausgefunden haben, einfach aufgeschlüsselt:
1. Die Mission: Das Aufräumen der unordentlichen Daten
Die Forscher begannen mit einem riesigen Stapel Rohdaten von 4.479 Patienten (der „CDSL-Datensatz“). Stellen Sie sich diese Daten wie sechs verschiedene Notizbücher vor, die von verschiedenen Mitarbeitern geführt wurden: eines für Demografie, eines für Diagnosen, eines für Vitalparameter, eines für Medikamente usw. Diese führten nicht miteinander zu Kommunikation, und die Zeitangaben waren manchmal fehlerhaft (wie eine Ankunftszeit, die nach der Abfahrtszeit gelistet war!).
Die Autoren bauten ein digitales Fließband (eine Pipeline), um:
- Diese sechs Notizbücher zu einer einzigen Zeitleiste für jeden Patienten zusammenzufügen.
- Die unmöglichen Zeiten zu korrigieren (wie einen Patienten, der abfährt, bevor er ankommt), indem sie die nächstgelegene logische Zeit verwendeten.
- Dies in ein sauberes „Ereignisprotokoll“ (Event Log) zu verwandeln, das ein Computer wie eine Geschichte lesen kann.
2. Die drei großen Fragen, die sie stellten
Sie nutzten diese sauberen Daten, um drei spezifische Fragen zu beantworten:
- RQ1 (Die Karte): Was ist der häufigste Pfad, den Patienten von der Notaufnahme (ER) zur Krankenhausstation nehmen, und wo bleiben sie stecken?
- RQ2 (Das Regelwerk): Folgen die Patienten tatsächlich den „Regeln“ des Krankenhauses oder nehmen sie seltsame Abkürzungen?
- RQ3 (Das Ergebnis): Wie beeinflussen Faktoren wie das Alter eines Patienten oder die Häufigkeit der Kontrollen, ob sie nach Hause gehen oder versterben?
3. Was sie entdeckten
Die „Gleise“ (RQ1):
Sie fanden ein sehr klares „Rückgrat“ der Reise. Die meisten Patienten folgten dem Weg: Notaufnahme → Krankenhausstation → Entlassung.
- Die Routine: Die häufigste Aktivität war keine Operation oder ein Test, sondern „Vitalparameter prüfen“. Es ist wie ein Zug, der an jeder Station hält, um den Druckmesser zu prüfen. Dies geschah während des gesamten Aufenthalts ständig.
- Die Umleitung: Etwa 8 % der Patienten mussten einen Umweg über die Intensivstation (ICU) nehmen. Dies geschah meist nach einer langen Wartezeit in der Notaufnahme, was zeigte, dass die Notaufnahme oft der „Flaschenhals“ war, an dem sich der Druck aufstaute.
Der Check des Regelwerks (RQ2):
Sie erstellten ein „Regelwerk“ (ein deklaratives Modell), das besagte: „Man muss triagiert werden, bevor man die Notaufnahme verlässt“ und „Man muss überwacht werden, bevor man das Krankenhaus verlässt.“
- Die gute Nachricht: Die Patienten folgten den Regeln größtenteils.
- Die schlechte Nachricht: Die „Verstöße“ waren meist keine Fehler der Ärzte beim Durchführen von Schritten, sondern Papierfehler. Manchmal dachte der Computer, ein Patient würde überwacht, bevor er ankam, weil die Uhr falsch eingestellt war. Dies sagte dem Krankenhaus: „Eure Uhren und eure Dokumentation müssen konsistenter sein, besonders bei Patienten, die die Notaufnahme schnell verlassen.“
Die „Wettervorhersage“ (RQ3):
Sie untersuchten, wie sich die Reise basierend auf der Person des Patienten veränderte.
- Alter: Mit zunehmendem Alter (besonders über 70) stieg die Chance auf ein schlechtes Ergebnis.
- Der ICU-Faktor: Patienten, die auf die Intensivstation mussten, hatten deutlich höhere Sterblichkeitsraten, was Sinn ergibt, da sie ohnehin kränker waren.
- Das „Zu viel Kontrollieren“-Paradoxon: Sie fanden etwas Interessantes über die Häufigkeit der Kontrollen heraus.
- Patienten, die 4–5 Mal am Tag kontrolliert wurden, machten gute Fortschritte.
- Patienten, die mehr als 6 Mal am Tag kontrolliert wurden, hatten tatsächlich schlechtere Ergebnisse.
- Warum? Es liegt nicht daran, dass die häufigen Kontrollen ihnen schadeten. Es ist vielmehr so, dass die Ärzte eben die kranksten Patienten so oft kontrollierten. Die hohe Frequenz war ein Zeichen für einen „stürmischen Wetter“-Patienten und nicht die Ursache des Sturms selbst.
4. Was das für Krankenhausmanager bedeutet
Die Autoren schlagen vor, dass Krankenhausleiter diesen „Film“ nutzen können, um bessere Entscheidungen zu treffen, aber nur in spezifischen Bereichen:
- Den Übergang verbessern: Der Übergang von der Notaufnahme zur Station ist der Punkt, an dem die Dokumentation chaotisch wird. Sie müssen die Art und Weise, wie sie Patienten übergeben, standardisieren.
- Die „Ereignisdichte“ beobachten: Wenn die Anzahl der Kontrollen (Vitalwerte, Labortests) pro Tag sprunghaft ansteigt, ist das ein Zeichen dafür, dass das Krankenhaus unter hohem Druck steht. Manager können dies nutzen, um zu wissen, wann sie mehr Personal rufen müssen.
- Smart Triage: Sie können Alter und Schweregrad (ICU-Exposition) nutzen, um zu entscheiden, wer schneller eine höhere Versorgungsstufe benötigt.
Das Fazit
Dieses Paper erfindet kein neues Medikament und keine neue medizinische Prozedur. Stattdessen zeigt es, wie man Daten bereinigt und den „Film“ der Krankenhausabläufe betrachtet. Damit haben sie bewiesen, dass:
- Die meisten Patienten einem vorhersehbaren Pfad folgen, aber die Notaufnahme ein geschäftiger Flaschenhals ist.
- Die größten Probleme nicht medizinische Fehler sind, sondern Uhrzeit- und Dokumentationsfehler.
- Man vorhersagen kann, wer gefährdet ist, indem man auf das Alter und die Intensität der Überwachung schaut.
Die Autoren kommen zu dem Schluss, dass Krankenhäuser, wenn sie diesen „Process Mining“-Ansatz nutzen, von der bloßen Vermutung hin zum genauen Wissen darüber, wo sich die Verkehrsstaus befinden, gelangen und diese mit Evidenz statt nur mit Intuition beheben können.
Ertrinken Sie in Arbeiten in Ihrem Fachgebiet?
Erhalten Sie tägliche Digests der neuesten Arbeiten passend zu Ihren Forschungsbegriffen — mit technischen Zusammenfassungen, in Ihrer Sprache.