Ein KI-Modell soll das Patientenaufkommen in Notaufnahmen stundenweise vorhersagen und damit die Personal- und Kapazitätsplanung unterstützen. In einer Studie mit mehr als 213.000 Notfallkontakten verbesserten soziale und demografische Merkmale des Einzugsgebiets die Prognose stärker als Wetterdaten.
Wie viele Patientinnen und Patienten werden in der nächsten Zeit eine Notaufnahme aufsuchen? Für Krankenhäuser ist diese Frage entscheidend, weil sich Personal, Behandlungsplätze und weitere Ressourcen nur begrenzt kurzfristig anpassen lassen. Forschende der Wuhan University und des Renmin Hospital of Wuhan University haben deshalb untersucht, ob künstliche Intelligenz das stündliche Patientenaufkommen besser prognostizieren kann, wenn neben zeitlichen und meteorologischen Faktoren auch soziale Merkmale des Einzugsgebiets berücksichtigt werden. Die Studie ist im npj Digital Medicine erschienen.
Mehr als 213.000 Notfallkontakte ausgewertet
Für ihre Analyse nutzten die Forschenden Daten aus einer universitären Notaufnahme in Wuhan. Insgesamt flossen 213.138 Patientenkontakte ein, die zu 22.883 stündlichen Beobachtungen zusammengefasst wurden. Als Machine-Learning-Verfahren kam XGBoost zum Einsatz. Die Forschenden verglichen unterschiedliche Modelle und prüften unter anderem, welchen zusätzlichen Nutzen Wetterdaten und sogenannte Social Determinants of Health (SDoH) für die Vorhersage liefern. Darunter fallen Merkmale des sozialen und demografischen Umfelds einer Bevölkerung. In der Studie zeigten sich beispielsweise deutliche Unterschiede zwischen einzelnen Wohngebieten bei Altersstruktur und Krankheitsprofilen – und damit auch beim zu erwartenden Versorgungsbedarf. Modelle, die solche dynamischen sozialen Faktoren berücksichtigten, schnitten durchgehend besser ab als Varianten, die sich stärker auf Wetterinformationen stützten.
Im Mittel rund drei Patienten Abweichung
Die beste Vorhersage lieferte ein Modell, das mehrere Informationsquellen kombinierte. Es erreichte einen mittleren absoluten Fehler von 2,62 Patienten pro Stunde. Der RMSE, der größere Prognosefehler stärker gewichtet, lag bei 3,48 Patienten. Das Bestimmtheitsmaß R² betrug 0,68. Über verschiedene Szenarien hinweg lagen die durchschnittlichen Abweichungen damit bei etwa zwei bis drei Patienten pro Stunde. Nach Einschätzung der Autoren könnte diese Genauigkeit ausreichen, um kurzfristige Entscheidungen zur Personal- und Kapazitätsplanung zu unterstützen. Der Ansatz zielt dabei nicht auf die Vorhersage einzelner medizinischer Notfälle. Stattdessen soll das Modell abschätzen, wie stark die gesamte Notaufnahme in den kommenden Stunden voraussichtlich beansprucht wird. Interessant ist insbesondere, dass soziale Merkmale des Einzugsgebiets mehr zur Prognose beitrugen als Wetterfaktoren. Viele bisherige Modelle zur Vorhersage des Notaufnahmeaufkommens berücksichtigen vor allem Tageszeit, Wochentag, saisonale Muster oder meteorologische Daten. Die aktuelle Studie deutet darauf hin, dass auch die Zusammensetzung und soziale Vulnerabilität der Bevölkerung Hinweise darauf liefern können, wann mit einer höheren Nachfrage zu rechnen ist. Für Krankenhäuser könnten solche Prognosen beispielsweise helfen, Dienstpläne kurzfristig anzupassen, zusätzliche Behandlungskapazitäten vorzubereiten oder besonders stark frequentierte Zeiträume frühzeitig zu erkennen.
Übertragbarkeit muss sich noch zeigen
Noch ist allerdings offen, wie gut sich das Modell außerhalb des untersuchten Standorts einsetzen lässt. Die Daten stammen aus einem einzelnen universitären Krankenhaus in Wuhan. Bevölkerungsstruktur, Versorgungswege und Organisation von Notaufnahmen unterscheiden sich zwischen Regionen und Gesundheitssystemen zum Teil erheblich. Auch wurde bislang nicht untersucht, ob der Einsatz der Prognosen im realen Klinikbetrieb tatsächlich Wartezeiten verkürzt, Personalressourcen besser verteilt oder die Versorgung verbessert. Die Studie zeigt damit zunächst, dass sich stündliches Patientenaufkommen mit Machine Learning vergleichsweise präzise abschätzen lässt – und dass dabei Informationen über das soziale Umfeld einen bislang möglicherweise unterschätzten Beitrag leisten können.
