=Paper=
{{Paper
|id=None
|storemode=property
|title=Data Mining für das Ressourcenmanagement im Krankenhaus
|pdfUrl=https://ceur-ws.org/Vol-663/paper8.pdf
|volume=Vol-663
|dblpUrl=https://dblp.org/rec/conf/wsbi/Schult10
}}
==Data Mining für das Ressourcenmanagement im Krankenhaus==
https://ceur-ws.org/Vol-663/paper8.pdf
Data Mining für das Ressourcenmanagement im
Krankenhaus
Rene Schult
Arbeitsgruppe KMD
Fakultät für Informatik
Otto-von-Guericke-Universität Magdeburg
Abstract
Computerunterstütztes Ressourcenmanagement in Krankenhäusern wird, nicht zuletzt
durch den Kostendruck, immer wichtiger. Wir besprechen, wie mit Data Mining Techno-
logien das Ressourcenmanagement für mobile medizinische Geräte in einem Kranken-
haus unterstützt werden kann und welches Potenzial in der Auswertung von Nutzungsda-
ten für ein Krankenhaus bestehen.
1 Einleitung
In Krankenhäusern gibt es viele mobile medizinische Geräte, die für die Behandlung am
Patienten benötigt werden. In einem Krankenhaus mittlerer Größenordnung summiert
sich der Anschaffungspreis dieser Geräte auf mehrere Hunderttausende von Euro oder gar
darüber. Dies stellt einen erheblichen Anteil am gebundenen Kapital eines Krankenhau-
ses dar.
Durch den Kostendruck der Krankenhäuser und der Anforderung, mit den eingesetzten
Ressourcen effizienter umzugehen, ergeben sich aus der Sicht des Ressourcenmanage-
ments und aus der Literatur heraus u.a. folgende Problemstellungen, die auch beim
Facility Management in Krankenhäusern immer mehr an Bedeutung gewinnen: (i) Ein-
haltung von gesetzlichen Vorgaben, etwa zur Dokumentation der Nutzung oder zur War-
tung der Geräte, (ii) Einhaltung von Vorgaben zur Verfügbarkeit der Geräte oder zur
Qualität der Leistung, (Poscay & Distler, 2009; Mauro et al, 2010) (iii) Minimierung der
Investitionskosten und der laufenden Kosten (Salfeld et al., 2009; Mauro et al, 2010), (iv)
Minimierung des Wartungsaufwands und somit auch der Wartungskosten (Salfeld et al.,
2009; Mauro et al, 2010).
Data Mining für das Ressourcenmanagement im Krankenhaus 55
Im Folgenden schildern wir anhand eines Fallbeispiels die Aspekte, die beim Ressour-
cenmanagement von mobilen Geräten im Krankenhaus zu berücksichtigen sind, und er-
läutern dabei das Potenzial der Erfassung und Analyse von Daten zur Gerätenutzung.
Das hier geschilderte Problem bezieht sich derzeit auf die tragbaren Infusionsspritzen und
Infusionspumpen, kann aber inhaltlich sicher auf weitere, wenn nicht gar alle mobilen
medizinischen Geräte übernommen werden.
Es besteht die Problematik, dass das technische Personal jedes Gerät für die Erfüllung
von Wartungsaufgaben oder anderen Servicedienstleistungen finden muss, bzw. wissen
muss, ob es derzeit gerade bei einem Patienten im Einsatz ist oder nicht. Die derzeitig
gesetzlich vorgeschriebenen Wartungsintervalle für die oben genannten Geräte beträgt ein
Jahr.
Das Problem des Findens eines Gerätes hat auch das Schwesternpersonal, wenn es ein
freies Gerät für einen neuen Patienten sucht. Für die Geräte existiert je Station meist ein
zentraler Abstellplatz, wobei der je nach Station sehr unterschiedlich sein kann.
Um nun ein freies Gerät für einen neuen Patienten oder für die Wartung zu finden, wird
derzeit der Lagerraum der Station aufgesucht. Ist das Gerät dort nicht vorhanden, wird die
Station nach dem Gerät abgesucht. Dieses Vorgehen ist gerade für das technische Perso-
nal sehr zeitintensiv, denn einerseits muss das technische Personal den jeweiligen Ab-
stellort der Station kennen und falls das gesuchte Gerät dort nicht vorhanden ist, die ge-
samte Station danach absuchen und hoffen, dass es gerade nicht bei einem Patienten im
Einsatz ist.
Durch dieses bisherige Vorgehen und der Notwendigkeit aus medizinischer Sicht ausrei-
chend mobile medizinische Geräte bereitzuhalten, ist die derzeitige Situation so, dass viel
mehr Geräte der unterschiedlichen Typen, in diesem Beispiel Infusionspumpen und -
spritzen, bereit gehalten werden, als tatsächlich benötigt werden. Wenn man gedenkt,
dass eines dieser Geräte zwischen 1000 und 1800 Euro kostet und man die aktuellen Zah-
len des Krankenhauses sich vor Augen führt, dass 151 Infusionspumpen und 286 Infusi-
onsspritzen derzeit in Benutzung sind, erkennt man, dass allein nur bei diesen beiden
Gerätetypen mehr als 550.000 Euro als gebundenes Kapital im Bestand sind.
Unser Lösungsansatz umfasst folgende Komponenten: (1) Ortung der mobilen medizini-
schen Geräte, (2) online Erfassung der Bewegungsdaten zu den Geräten durch automati-
sche Auswertung der Ortungsdaten, (3) Ableitung von nutzungsrelevanten Informationen
(Ereignisse) aus den Bewegungsdaten und (4) Auswertung der Nutzungsdaten zur Be-
56 Rene Schult
rechnung der tatsächlichen Verfügbarkeit und des tatsächlichen Bedarfs für ein jedes
Gerät. Darauf aufbauend soll die Optimierung stattfinden.
Durch die geeignete Nutzung technischer Möglichkeiten soll die Ortung der mobilen
medizinischen Geräte vereinfacht und deren Nutzungsstatus der Geräte abgebildet wer-
den. Darauf aufbauend soll die Nutzung der mobilen medizinischen Geräte (Infusions-
pumpen und -spritzen) mit Hilfe von Data Mining Methoden analysiert werden, um eine
optimalere Nutzung der Geräte zu ermöglichen und im letzten Schritt die Möglichkeiten
der Reduzierung des Gerätebestandes zu untersuchen. Der Einsatz von Data Mining Me-
thoden bietet sich vor allem unter der Nebenbedingung an, dass das medizinische Perso-
nal für die Ortung und Nutzungsbestimmungen der medizinischen Geräte ihre bestehen-
den Arbeitsprozesse möglichst wenig bzw. gar nicht anpassen will und kann.
Durch diese Optimierungsschritte soll eine detailliertere Planung des Bestandes der medi-
zinischen Geräte und deren Auslastung möglich werden, was u.a. zur Verringerung des
gebundenen Kapitals führen kann.
2 Relevante Literatur
Das Ressourcenmanagement (auch Facility Management genannt) wird schon seit langem
in der Literatur diskutiert. Zunehmend findet das computerunterstützte Ressourcenmana-
gement (CAFM) Betrachtung (Nävy, 2006).
Die German Facility Management Association (GEFMA) hat in ihrem Arbeitskreis für
Facility Management im Krankenhaus unter anderem herausgestellt, dass durch die Ein-
führung der DRGs nach „professionelleren Vorgehensweisen und Optimierungspotenzia-
len gesucht wird“ (Odin, 2010) in Krankenhäusern gesucht wird. In (Köchlin, 2004) ver-
deutlicht Köchlin den Nutzen von Facility Management im Krankenhaus.
In (Salfeld et al., 2009) stellen Salfeld et al. heraus, dass vor allem die nicht klinischen
Funktionen Kosteneinsparungspotentiale bieten, zu denen auch das Facility Management
gehört.
In (Pocsay & Distler, 2009) und in (Mauro et al., 2010) betrachten die Autoren vor allem
das Potential der IT, um mögliche Einsparungspotenziale zu nutzen, bzw. die Prozesse in
einem Krankenhaus zu verbessern. Der Schwerpunkt liegt bei beiden jedoch eher auf dem
Austausch der Daten, was u.a. durch SOA ermöglicht werden soll.
Data Mining für das Ressourcenmanagement im Krankenhaus 57
Die Betrachtung von tragbaren medizinischen Geräten als Ressource des Krankenhauses
in Kombination mit dem computerunterstützten Ressourcenmanagement wurde bisher in
der Literatur nicht betrachtet.
3 Grundlagen
Für ein effektives Ressourcenmanagement werden Daten über die Nutzung der zu be-
trachtenden Geräte benötigt. Gerade bei mobilen Geräten ist die Beschaffung der Daten
über die Nutzung und deren Lage nicht so einfach, durch deren Eigenschaft, dass die
Geräte mobil nutzbar sind. In unserem Projekt erfolgt die Ortung mittels WLAN Techno-
logie. Die WLAN Technologie wird in Krankenhäusern für verschiedene Datenübertra-
gungen eingesetzt und somit kann das bestehende WLAN Netz mitbenutzt werden. Ein
WLAN Chip wird am zu überwachenden Gerät angebracht und meldet sich in regelmäßi-
gen Abständen bei einem Server über verschiedene AccessPoints. Durch spezielle Soft-
ware lässt sich die Lage eines Gerätes ermittelt. Diese Lagepositionen in Kombination
mit einem Zeitstempel werden in einer Datenbank gespeichert.
Die Datenbank Tabelle hat die in Tabelle 1 dargestellte Struktur:
Datenfeld Datentyp Zusätze Beispiel
Id BIGINT UNSIGNED NOT_NULL AUTO_INCREMENT 1
PRIMARY_KEY
TagId VARCHAR(20) NOT_NULL 3003121670
MacAdress VARCHAR(20) 00:00:B3:00:00:06
PosX INT(10) NOT_NULL 240
PosY INT(10) NOT_NULL 588
PosModelId INT(10) 1
PosMapId INT(10) 3
PosMapName VARCHAR(100) floor2
PosZoneId INT(10) 17
PosZoneName VARCHAR(100) hall-a
PosQuality INT(10) 99
PosTimestamp TIMESTAMP NOT_NULL 29.05.06 15:21
Tabelle 1: Datenbankstruktur für die Ortung
In der Tabelle werden zu jedem WLAN Chip (TagID) die dazugehörigen Parameter wie
X und Y Koordinaten der aktuellen Position sowie Mapping Parameter dafür eingetragen.
Des weiteren werden der aktuelle Zeitstempel des Eintrags und die Sendequalität des
WLAN Chips gespeichert. Somit stellt die Datenbank eine Art Log-File für die einzelnen
WLAN-Chips und deren aktuellen Positionen da. Wenn sich die mobilen Geräte alle 15
Minuten melden, bedeutet das für jedes mobile Gerät eine Anzahl von 96 Log-Einträgen.
58 Rene Schult
Bei der zu betrachtenden Anzahl von 437 Geräten und einem Testzeitraum von ca. 8 Wo-
chen ergeben sich 41952 Log-Einträge pro Tag und für den gesamten Testzeitraum erge-
ben sich somit über 2,3 Mio Log-Einträge in der Datenbank.
Mittels Data Mining Techniken zur Log-File Analyse lassen sich die Daten für einzelne
Geräte gruppieren und heraus filtern. Durch Auswertung dieser örtlichen Daten zu einem
speziellen Gerät und dem Nutzen von räumlichen Informationen zum Gebäude, lassen
sich Daten zur Nutzung eines Gerätes ermitteln. Dadurch stehen für jedes medizinische
Gerät Daten über deren Position und deren Nutzung in einem zeitlichen Verlauf zur Ver-
fügung. Durch diese zeitlichen Daten lassen sich für jedes einzelne Gerät, aber auch für
jede Station oder auch das gesamte Krankenhaus verschiedene Kennzahlen, wie Auslas-
tung des Gerätes, Ruhezeiten, Reparaturzeiten, zurückgelegte Wege usw. ermitteln.
4 Wissenschaftliche Fragestellung
Die aus Business Intelligence Sicht interessanten Fragestellungen ergeben sich aus der
Analyse dieser einzelnen Zeitreihen.
(1) Es ist für das Krankenhaus interessant, zu analysieren, wie groß die Auslastung
der einzelnen medizinischen Geräte ist. Darauf aufbauend kann man versuchen
zu analysieren, worin die möglichen Unterschiede der Nutzungsgrade der einzel-
nen Stationen liegen. Dies bedeutet eine Klassifikation so durchzuführen, dass
man unterscheiden kann, welche Eigenschaften der erfassten Daten sich auf eine
hohe bzw. geringe Nutzung der Geräte zurückführen lassen.
(2) Aus den Nutzungsstatistiken und den erkannten Abhängigkeiten für eine hohe
bzw. geringe Nutzung der Geräte kann man versuchen, eine Vorhersage für den
zukünftigen Bedarf an den medizinischen Geräten abzuleiten. Gerade diese Vor-
hersagen können ein Einsparpotenzial aus ökonomischer Sicht bedeuten, denn
wenn diese Vorhersagen geringer als der derzeitige Gerätebestand ausfallen, rei-
chen weniger Geräte für die gleiche medizinische Leistung ohne Qualitätseinbu-
ßen. Sicher sollte man dabei aber noch eine Art Puffer an Geräten einführen um
z.B. Schwankungen nach oben im Bedarf abfangen zu können.
Um die erste beschriebene Fragestellung zu lösen, ermittelt man auf den vorhandenen
Daten der Datenbank und den darauf folgenden Aufbereitungen der Log-Daten der ein-
zelnen Geräte ein deskriptives Modell auf den Daten, um zwischen den Eigenschaften für
die Nutzung und der Nichtnutzung unterscheiden zu können. Hierbei ist es interessant
herauszufinden, ob es
Data Mining für das Ressourcenmanagement im Krankenhaus 59
1. überhaupt typische Eigenschaften für die Nutzung bzw. Nichtnutzung der Geräte
gibt und
2. mit welchen Data Mining Methoden lassen diese sich am besten ermitteln bzw.
die Daten in die beiden Gruppen am besten unterteilen. Eignet sich dazu z.B. bes-
ser eine Regressionsanalyse oder ein Clusteringalgorithmus oder Klassifikati-
onsmodelle?
Für die zweite Fragestellung ist es von starkem Interesse, ob sich qualitativ hochwertige
Vorhersagen über die Nutzung der einzelnen Geräte machen lassen. Dabei kann man
versuchen zwischen den einzelnen Geräten, den Geräten die einer Station zugewiesen
sind oder auch den Gerätegruppen des gesamten Krankenhauses zu unterscheiden. Die
Vorhersagen in qualitativ hochwertiger Weise wären eine ideale Grundlage das Ressour-
cenmanagement des Krankenhauses für diese medizinischen Geräte zu unterstützen und
gleichzeitig Kosten durch die Verringerung des gebundenen Kapitals in diese Geräte zu
sparen.
5 Zusammenfassung
Mit den beschriebenen Methoden des Data Mining und der Beantwortung der aufgezeig-
ten Fragestellungen lässt sich das Ressourcenmanagement in einem Krankenhaus durch
die Computerunterstützung verbessern und vereinfachen. Durch die Data Mining Metho-
den lassen sich die Auslastungen der einzelnen Ressourcen besser analysieren und Vor-
hersagen über zukünftige Nutzungsgrade treffen, was eine bessere Planung für die Be-
schaffung und die Kapitalbindung bedeutet. Eine Verringerung des Gerätebestandes der
in der Einführung genannten Infusionspumpen und -spritzen um z.B. 10% würde eine
mögliche Ersparnis von ca. 55000 Euro bedeuten, was das mögliche Einsparpotential
verdeutlicht. Die Nutzung der vorgeschlagenen Lösung läßt sich sicherlich auf andere
mobile Geräte erweitern, egal ob technische Geräte oder mobiles Inventar, wie z.B. die
Betten in einem Krankenhaus oder mobile Röntgengeräte. Dies verdeutlicht umso mehr
die Optimierungsmöglichkeiten und Einsparmöglichkeiten speziell im Krankenhaus. Die
Besonderheiten im Krankenhaus zur „normalen“ Analyse von Logistikprozessen liegt
u.a. in den gesetzlich höheren Anforderungen im medizinischen Bereich und dem Zu-
sammenwirken aus weniger fest strukturierten Prozessen und dem großen Anteil mensch-
licher Einflußfaktoren in diesem Bereich.
60 Rene Schult
6 Literatur
Salfeld; Hehner & Wichels (2009). Modernes Krankenhaus Management, Konzepte
und Lösungen, ISBN 978-3-540-87398-3, Springer Verlag, Seite 143
Pocsay, A. & Distler, O. (2009) Geschäftsprozessmanagement im Gesundheitswe-
sen – Organisation und IT wachsen zusammen in Behrendt, König, Krystek : Zukunfts-
orientierter Wandel im Krankenhausmanagement Outsourcing, IT-Nutzenpotenziale,
Kooperationsformen, Changemanagement, ISBN 978-3-642-00934-1, Springer Verlag,
Seite 215-217
Mauro, C., Leimeister, J. M. & Krcmar, H. (2010) Serviceorientierte Integration
medizinischer Geräte – ganzheitliche IT-Unterstützung klinischer Prozesse in Informa-
tik-Spektrum April 2010, Springer Verlag
Odin, S. (2010) GEFMA Arbeitskreis Facility Management im Krankenhaus-
Benchmarking, GEFMA eV.
Nävy (2006) Facility Management – Grundlagen, Computerunterstützung, System-
einführung, Anwendungsbeispiele, ISBN 3-540-25164-2, 4.Auflage, Springer Verlag,
Kapitel 2
Köchlin, K. (2004) Ist der Einsatz von Facility Management im Krankenhaus not-
wendig?, Technical Report, Technische FH Berlin