Verweildauerprognose bei Spitaleintritt

Die Spitaladministration steht bei der Planung eines stationären Aufenthaltes eines Patienten vor folgender Frage: Wie lange wird das Zimmer besetzt sein? Das Ziel ist es, den Patienten nicht während seines Aufenthaltes unnötig verlegen zu müssen, aber trotzdem eine möglichst effiziente Nutzung der Bettenkapazität sicherzustellen.

Dieses Problem wird klassischerweise mit einer Vorkodierung des Patientenfalls gelöst. Die Vorkodierung ergibt eine provisorische DRG, welcher man die durchschnittliche Verweildauer entnehmen kann. Obwohl dieser Ansatz (die Baseline) akzeptable Resultate bietet, kann man nicht das theoretische Maximum aus den zur Verfügung stehenden Daten herausholen. Zudem gibt es unter Verwendung der Zahlen aus dem SwissDRG Fallpauschalenkatalog systematische Verzerrungen, da die Durchschnitte nur auf Normallieger berechnet werden. Aus diesen Gründen haben wir einen auf Deep Learning basierenden Ansatz entwickelt, der das implizite Wissen aus unseren umfangreichen Datenbeständen nutzt, um eine optimale Vorhersage zu treffen.

Das Modell, das wir für diesen Zweck entworfen haben, ist ein rekurrentes neuronales Netzwerk. Solche Netze werden für die Analyse von sequentiellen Daten verwendet, beispielsweise in der Sprachverarbeitung. Weitere Informationen zu diesem Modell sind hier zu finden. Als Eingabe erwartet das Modell Daten, die kurz nach Eintritt des Patienten zur Verfügung stehen und entsprechend in der Vorkodierung enthalten sind. Dies beinhaltet demographische Daten wie Alter oder Geschlecht, Diagnosen mit POA-Flag (present on admission) und geplante Eingriffe (CHOP). Als Ausgabe liefert es die prognostizierte Verweildauer des Patienten. Ein so definiertes Modell wird zuerst trainiert und dann anhand unabhängiger Testdaten mit bekannter Verweildauer evaluiert. Somit wird die Prognosegüte des Modells unter Realbedingungen simuliert.

Die Prognosewerte der Baseline wurden anhand von Einzeldaten berechnet anstatt dem üblichen Vorgehen mit den Werten aus dem Fallpauschalenkatalog. Entsprechend ist hier bereits die Baseline genauer und weniger verzerrt als der übliche Ansatz. Ausgeschlossen wurden bei der Auswertung DRGs, welche per Verweildauer angesteuert werden und somit bei Eintritt nicht gruppiert werden können, wie beispielsweise Eintages-DRGs.

Die Gesamtperformance im Überblick:

Performance der Prognosemodelle

Unser Modell ist im Schnitt also fast ein Tag genauer. Wenn man dies weiter nach DRG aufschlüsselt, erreicht man sehr unterschiedliche Prognosequalitäten. Für gewisse Patientengruppen ist es naturgemäss schwieriger eine Prognose zu stellen. Entsprechend macht eine Belegplanung vor allem bei Patienten Sinn, welche eine einfach zu prognostizierende Verweildauer haben.

Im Folgenden sind die am einfachsten zu prognostizierenden DRGs aufgeführt. Bei diesen Kollektiven macht eine Prognose also am meisten Sinn. Es sind nur DRGs aufgeführt, welche mit mindestens 25 Fällen getestet wurden.

Durchschnittlicher Fehler in Tagen

Das eonum-Modell erlaubt bei gleichbleibendem Aufwand für die Spitaladministration, eine genauere Planung der Zimmerbelegungen. Dies dürfte vom Spitalpersonal und den Patienten gleichermassen geschätzt werden.

Wir werden das Modell in unsere Software Casematch einbauen und auch in die Schnittstelle für Drittapplikationen aufnehmen. Somit steht einer Integration in Software für Vorkodierung nichts im Wege.