KMS > eisTIK® > Künstliche Intelligenz für eine bessere Patientenversorgung
Autor KMS

KMS

17. März 2021

Künstliche Intelligenz für eine bessere Patientenversorgung

Mehr erfahren

Die VWD-App zur Vorhersage der Verweildauer

Gesundheitsdienstleister arbeiten mit sehr hohem Aufwand an der Sicherstellung der bestmöglichen Patientenversorgung. Dabei gilt es, vorhandene Ressourcen sinnvoll einzusetzen und Kapazitäten exakt zu planen. Die optimale Auslastung der vorhandenen Ressourcen bei gleichzeitiger Vermeidung einer Überlastung der vorhandenen Kapazitäten ist hierbei das Ziel.

AICURA hat es sich zur Aufgabe gemacht, Gesundheitsdienstleister bei der Planung von Kapazitäten und Ressourcen mit Hilfe von Machine Learning basierten Applikationen zu unterstützen. Mit der AICURA Plattform steht dabei eine moderne, nahtlos integrierbare und datenschutzkonforme Infrastruktur zur Verfügung, um Applikationen für zahlreiche Bereiche des Gesundheitswesens zur Verfügung zu stellen. 

Zur Unterstützung bei der Planung von Patientenströmen haben AICURA und KMS eine Software zur Vorhersage der stationären Verweildauer der einzelnen Patient:innen – kurz VWD-App – entwickelt. Die VWD-App ist in der Lage, individuelle Einflussfaktoren der Patient:innen zu identifizieren, die einen Krankenhausaufenthalt verlängern bzw. verkürzen. Darüber hinaus können Faktoren identifiziert werden, welche die Verweildauer von Patient:innen generell beeinflussen. Auf dem Weg in die digitale Transformation wird darüber hinaus der Innovationsgrad nach intern gesteigert und schafft ein attraktiveres, zukunftsorientiertes Arbeitsumfeld für das medizinische Personal.

Die VWD-App soll allen Berufsgruppen, die über den Behandlungsprozess Einfluss auf die individuelle Verweildauer der Patient:innen haben, als zielorientierte und patientenzentrierte Hilfestellung dienen:
Ärzt:innen / Stationsmanagement
  • Bei der Planung elektiver Eingriffe können Patient:innen zielgerichtet einbestellt werden, um eine optimale Auslastung der Ressourcen zu ermöglichen.
  • Durch die Identifikation von relevanten patientenspezifischen Faktoren werden Ursachen für einen verlängerten Aufenthalt für die behandelnden Ärzt:innen nachvollziehbar und frühzeitig identifiziert.
Medizin-Controller:innen
  • Unterstützung bei der Analyse großer Fallmengen zur Aufdeckung struktureller oder prozessualer Probleme.
  • Nutzung von relevanten Erkenntnissen aus großen Mengen vorhandener Datensätze für die Planung der zukünftigen Bettenauslastung.

Aktuelle Version

Die VWD-App basiert auf modernsten Methoden des Maschinellen Lernens. In der aktuellen Version wird für einen Großteil der Patient:innen eine Genauigkeit von +/–20 Stunden erreicht.

Folgende Patienteninformationen werden für die Vorhersage benötigt, wobei die Vollständigkeit der Informationen keine Voraussetzung ist:
  • ICD-Diagnosen:
    – Haupt- und Nebendiagnosen
    – Grunderkrankung
    – Anzahl an Nebendiagnosen
  • OPS-Kodierung

  • Patientenmerkmale:
    – Alter
    – Geschlecht etc.
Abbildung: In Rot dargestellt die vorhergesagte Verweildauer. Links aufgelistet die vier Faktoren, die den größten Einfluss auf die Vorhersage hatten.

Modernste Technologien von Morgen schon heute in Anwendung

Während die meisten Algorithmen regelbasiert funktionieren, kommen mehr und mehr Technologien zum Einsatz, die das Wissen aus Daten selbst generieren können. Von zentraler Bedeutung hierbei sind künstliche neuronale Netze, auch bekannt als deep learning.

Für die VWD-App kommt eine besondere Form von künstlichen neuronalen Netzen zum Einsatz. Unter anderem wird ein Long-Short-Term-Memory (LSTM)-Netz verwendet, welches es erlaubt, eine Sequenz von Ereignissen (beispielsweise Krankenhausaufenthalte oder ambulante Behandlungen in der Vergangenheit) bei der Entscheidung zu berücksichtigen, wobei jedes Ereignis eine andere Gewichtung hat. Dies wird durch eine Speicherzelle erreicht, die die relevanten Informationen vergangener Ereignisse enthält und diese mit den Daten des aktuellen Aufenthalts kombiniert. Bei der Verweildauerbestimmung kann so die Patientenhistorie für die Vorhersage der Verweildauer berücksichtigt werden.

Eine Herausforderung bei dem Einsatz neuronaler Netze ist, dass für das Training dieser Netze enorm große Datenmengen benötigt werden. Ein Datensatz von mehreren Hunderttausend Fällen kann zum Beispiel nicht ausreichend sein. Um diese Herausforderung zu lösen, setzt AICURA eine Technologie ein, die sich Federated Learning nennt und mit der man größtmögliche Datensätze nutzen kann. Federated Learning ermöglicht ein dezentrales Lernen auf verteilten Daten. Der große Vorteil ist, dass der dezentrale Lernprozess datenschutzkonform und unter Einhaltung aller Datenschutzrichtlinien abläuft, da die Daten nicht zentral zusammengeführt werden müssen.
Glühbirne

Long-Short-Term-Memory (LSTM)

Während die meisten neuronalen Netze Daten schichtweise verarbeiten, erlauben LSTMs ebenfalls die Verbindung zu Neuronen (Verarbeitungspunkten) in vorherigen Schichten. Eine weitere Besonderheit ist der interne Speicher in LSTMs, welcher ebenfalls untypisch für neuronale Netze ist. Üblicherweise bilden neuronale Netze die gelernten Zusammenhänge in den Parametern der Daten ab, während in LSTMs zusätzlich eine gespeicherte Repräsentation der Daten vorgehalten wird. Dieser Speicher wird mit neuen Datenpunkten kombiniert. Damit erlaubt diese Technologie die Verarbeitung von unterschiedlichen Datenmengen pro Patient:in.

Bereitstellung

Die VWD-App kann als Add-on zum KMS Data Warehouse eisTIK® oder alternativ durch Bereitstellung der AICURA Plattform erfolgen. Das Add-on lässt sich nahtlos über das Data Warehouse einbinden und wird als virtuelle Maschine neben eisTIK® bereitgestellt. Die VWD-App verwendet die bis dahin erworbenen Erkenntnisse und wendet diese auf neue Patienteninformationen an. Updates der VWD-App werden durch einen Austausch der virtuellen Maschine zur Verfügung gestellt.

Integriert man die AICURA Plattform und wählt die VWD-App über den AICURA App Store aus, finden nicht nur die Erkenntnisse der jeweiligen Produktversion Anwendung. Durch die lokale Integration der AICURA Plattform und der lokalen Anbindung an das KMS Data Warehouse können lokale Informationen in die Weiterentwicklung der VWD-App einfließen, ohne dass die Patientendaten das klinikeigene Rechenzentrum verlassen. Dies führt dazu, dass nicht nur die Genauigkeit mit jedem weiteren Patienten verbessert wird, sondern auch spezifische oder lokale Gegebenheiten, die eine Veränderung der Verweildauer ausmachen, dargestellt werden können.

AICURA medical

AICURA ermöglicht eine nahtlose Implementierung von KI-Applikationen in klinische Arbeitsabläufe. Hierfür werden vorhandene medizinische Daten über eine von AICURA entwickelte Plattform für die Anwendung und Entwicklung von weiteren KI-Applikationen datenschutzkonform nutzbar gemacht.

Integration in das KMS Data Warehouse

Die VWD-App benötigt sowohl als Add-on als auch über die AICURA-Plattform eine Integration in eisTIK®. Dafür ist ein lesender Zugriff auf definierte Datenbankteile des KMS Data Warehouses notwendig. Die Ergebnisse der Verweildauerberechnung als auch die Erklärung der Faktoren werden zurück in die Data Warehouse-Datenbank geschrieben. Zur Darstellung der Informationen wird wiederum eisTIK® genutzt, da es schon in die jeweiligen Abläufe des Krankenhauses integriert ist und als zentraler Ort der Informationsvermittlung genutzt wird.
Glühbirne

Informationen zur Technologie

Die Kerntechnologie der VWD-App ist ein Long-Short-Term-Memory (LSTM)-Netzwerk, welches erlaubt, die Anreicherung der medizinischen Codes im Modell vollständig zu berücksichtigen ohne Datensequenzen zu interpolieren oder gar eine Filterung vorzunehmen. Die LSTM-Layer wurden dabei in einer Weise trainiert, dass sie in der Lage sind, neue Codes bei jährlichen Änderungen ohne jeglichen Wartungsaufwand zu verarbeiten. Daraus resultiert auch, dass diese Layer nicht nachtrainiert werden müssen, was beispielsweise das Risiko einer Verwaschung der Gradienten (engl. Vanishing Gradients) massiv einschränkt. Das weiterführende Training (Online Training) erfolgt mittels föderierten Lernens. Das schließt allerdings wie erwähnt die LSTM-Layer aus und bezieht sich lediglich auf das Regressionsnetzwerk.

Die Verwendung des LSTM-Netzwerks birgt einen weiteren Vorteil, und zwar erlaubt der Verzicht von Interpolationen oder anderer Vorverarbeitungsmethoden eine direkte Erklärbarkeit der Prädiktionen mittels gradientenbasierter Methoden. Es kann also auf eine Modifikation der Feature Importance (Bewertung der Entscheidungsgrundlage) verzichtet werden. 

Das Regressionsnetzwerk bietet dabei nicht nur die Möglichkeit, die voraussichtliche Liegezeit vorherzusagen, sondern eben auch bei beispielsweise seltenen Fällen oder Fällen mit einer üblicherweise hohen Variation in den Liegezeiten die Unsicherheit über ein Konfidenzintervall anzuzeigen.

Weiterführende Artikel

- Wissensmanager #12

Stöbern Sie durch die aktuelle Printausgabe unseres Magazins

Bleiben Sie up-to-date
KMS-Newsletter abonnieren
Wir sind immer für Sie da
Kontakt aufnehmen
KMS Vertrieb und Services GmbH
Inselkammerstraße 1
82008 Unterhaching

Telefon: +49 89 66 55 09-0
Telefax: +49 89 66 55 09-55

Support: +49 89 66 55 09-45