Improving Hospital Process Management through Process Mining: A Case Study on COVID-19 Clinical Pathways
Deze studie으로e toont aan hoe process mining toegepast op de COVID Data for Shared Learning-dataset de klinische trajecten van COVID-19 kan reconstrueren en analyseren om variabiliteit in de zorg en drijfveren voor uitkomsten te onthullen, waardoor bruikbare inzichten worden geboden voor ziekenhuisbestuur, standaardisatie van triage en capaciteitsplanning.
Oorspronkelijk artikel gelicentieerd onder CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/). Dit is een AI-gegenereerde uitleg van het onderstaande artikel. Het is niet geschreven of goedgekeurd door de auteurs. Raadpleeg het oorspronkelijke artikel voor technische nauwkeurigheid. Lees de volledige disclaimer
Stel je een ziekenhuis voor als een enorm, druk treinstation. Elke dag arriveren duizenden passagiers (patiënten), worden gecontroleerd, stappen op verschillende treinen (afdelingen of IC's) en vertrekken uiteindelijk weer. Meestal kijken de stationmanagers alleen naar de definitieve ticketverkooprapporten: "Hoeveel mensen zijn vertrokken? Hoeveel zijn overleden? Hoeveel zijn er nog?" Ze zien niet echt hoe de mensen door het station bewogen, waar ze vastliepen, of waarom sommige treinen vertraging opliepen.
Dit artikel is als het installeren van een slim camerasysteem dat elke stap die elke passagier zet, registreert. De auteurs gebruikten een speciale technologie genaamd Process Mining om de rommelige, verspreide ziekenhuisgegevens te veranderen in een heldere, bewegende film van hoe COVID-19-patiënten daadwerkelijk door het ziekenhuis reisden.
Hier is het verhaal van wat ze ontdekten, eenvoudig uitgelegd:
1. De Missie: De Rommelige Data Opruimen
De onderzoekers begonnen met een enorme stapel ruwe gegevens van 4.479 patiënten (de "CDSL-dataset"). Denk aan deze data als zes verschillende notitieblokken die door verschillende medewerkers worden bijgehouden: één voor demografie, één voor diagnoses, één voor vitale functies, één voor medicatie, enzovoort. Geen van deze blokken communiceerde met de andere en de tijdstippen waren soms slordig (zoals een aankomsttijd die na de vertrektijd werd genoteerd!).
De auteurs bouwden een digitale lopende band (een pipeline) om:
- Deze zes notitieblokken samen te voegen tot één enkele tijdlijn voor elke patiënt.
- De onmogelijke tijden te herstellen (zoals een patiënt die vertrekt voordat hij is aangekomen) door de dichtstbijzijnde logische tijd te gebruiken.
- Dit om te zetten in een schoon "event log" dat een computer kan lezen als een verhaal.
2. De Drie Grote Vragen Die Ze Stelden
Ze gebruikten deze schone data om drie specifieke vragen te beantwoorden:
- RQ1 (De Kaart): Wat is het meest voorkomende pad dat patiënten afleggen van de Spoedeisende Hulp (SEH) naar de ziekenhuisafdeling, en waar blijven ze steken?
- RQ2 (Het Regelboek): Volgen patiënten daadwerkelijk de "regels" van het ziekenhuis, of nemen ze vreemde afkortingen?
- RQ3 (De Uitkomst): Hoe beïnvloeden zaken zoals de leeftijd van een patiënt of hoe vaak zij gecontroleerd worden, of zij naar huis gaan of overlijden?
3. Wat Ze Ontdekten
De "Treinrails" (RQ1):
Ze vonden een zeer duidelijke "ruggengraat" van de reis. De meeste patiënten gingen: SEH → Ziekenhuisafdeling → Ontslag.
- De Routine: De meest voorkomende activiteit was geen operatie of een test; het was "Vitale functies controleren." Het is alsof een trein bij elke halte stopt om de drukmeters te controleren. Dit gebeurde constant gedurende het verblijf.
- De Omweg: Ongeveer 8% van de patiënten moest een omweg maken naar de ICU (Intensive Care Unit). Dit gebeurde meestal na een lange wachttijd op de SEH, wat laat zien dat de SEH vaak de "bottleneck" was waar de druk zich opbouwde.
De Controle van het Regelboek (RQ2):
Ze maakten een "regelboek" (een declaratief model) dat zei: "Je moet getrieerd worden voordat je de SEH verlaat" en "Je moet gemonitord worden voordat je het ziekenhuis verlaat."
- Het Goede Nieuws: Patiënten volgden de regels grotendeels.
- Het Slechte Nieuws: De "schendingen" waren meestal geen medische fouten van artsen, maar administratieve fouten. Soms dacht de computer dat een patiënt gemonitord werd voordat hij arriveerde omdat de klok verkeerd stond. Dit vertelde het ziekenhuis: "Jullie klokken en jullie verslaglegging moeten consistenter zijn, vooral voor patiënten die de SEH snel verlaten."
De "Weersverwachting" (RQ3):
Ze keken naar hoe de reis veranderde op basis van wie de patiënt was.
- Leeftijd: Naarmate patiënten ouder werden (vooral boven de 70), nam de kans op een slechte uitkomst toe.
- De ICU-factor: Patiënten die naar de ICU gingen, hadden veel hogere mortaliteitscijfers, wat logisch is omdat zij al zieker waren.
- De "Te Veel Controleren" Paradox: Ze ontdekten iets interessants over hoe vaak patiënten gecontroleerd werden.
- Patiënten die 4–5 keer per dag gecontroleerd werden, deden het goed.
- Patiënten die meer dan 6 keer per dag gecontroleerd werden, hadden juist een slechtere uitkomst.
- Waarom? Het is niet dat het te veel controleren hen kwaad deed. Het is dat de artsen alleen de ziekste patiënten zo vaak controleerden. De hoge frequentie was een teken van een "stormachtig weer"-patiënt, niet de oorzaak van de storm.
4. Wat Dit Betekent voor Ziekenhuismanagers
De auteurs suggereren dat ziekenhuisdirecteuren deze "film" kunnen gebruiken om betere beslissingen te nemen, maar alleen op specifieke manieren:
- Verbeter de Overdracht: De overgang van de SEH naar de afdeling is waar de papierwinkel rommelig wordt. Ze moeten de manier waarop ze patiënten doorgeven standaardiseren.
- Let op de "Event Density": Als het aantal controles (vitale functies, labs) per dag piekt, is dat een teken dat het ziekenhuis onder zware druk staat. Managers kunnen dit gebruiken om te weten wanneer ze extra personeel moeten oproepen.
- Slimme Triage: Ze kunnen leeftijd en de ernst van de ziekte (ICU-blootstelling) gebruiken om te beslissen wie sneller naar een hoger zorgniveau moet worden verplaatst.
De Kernboodschap
Dit artikel vindt geen nieuw medicijn of een nieuwe medische procedure uit. In plaats daarvan laat het zien hoe je de data opschoont en de film van de ziekenhuisoperaties bekijkt. Hiermee bewezen ze dat:
- De meeste patiënten volgen een voorspelbaar pad, maar de SEH is een drukke bottleneck.
- De grootste problemen zijn geen medische fouten, maar klok- en administratieve fouten.
- Je kunt voorspellen wie een risico loopt door te kijken naar hun leeftijd en de intensiteit van hun monitoring.
De auteurs concluderen dat als ziekenhuizen deze "Process Mining"-aanpak gebruiken, ze kunnen overstappen van gissen naar wat er gebeurt naar precies weten waar de verkeersopstoppingen zitten en deze op te lossen met bewijs, in plaats van alleen op intuïtie.
Verdrinkt u in papers in uw vakgebied?
Ontvang dagelijkse digests van de nieuwste papers die bij uw onderzoekswoorden passen — met technische samenvattingen, in uw taal.