Das Projekt
Alle 18 Monate verdoppeln sich die in Spitälern gespeicherten Daten. Neben der umfangreichen statistischen Erfassung von Patienten-, Krankheits- und OP-Daten sind die modernen bildgebenden Verfahren und die zunehmende Vernetzung von Leistungserbringern die am muntersten sprudelnden Quellen. Da drängt sich die Frage auf, welche Ereignisse die Behandlungsqualität beeinflussen und ob sich aus dieser Datenmenge mehr und bessere Rückschlüsse zum Klinikbetrieb ziehen lassen. Das wiederum bedingt ein rasches Herausfiltern relevanter Informationen und umfangreiche Korrelationsanalysen – generell ein höchst effizientes Auswerten mit dem Ziel, den Klinikalltag zu optimieren.
Der Nutzen
Adjumed wollte wissen, welche verborgenen «Schätze» ihre Datensätze enthalten und wie diese mit geeigneten Datenanalyse-Verfahren in wertvolle Einsichten verwandelt werden können. Zu diesem Zweck wurde die folgende Hypothese überprüft: Reichen die vorhandenen Daten aus, um Zusammenhänge zu finden, welche die postoperative Liegezeit erklären?
Die Realisierung
Als Vorgehensmodell wurde der CRISP-DM-Prozess (Cross-industry standard process for data mining) verwendet. Begonnen wurde mit dem Verständnis der geschäftsrelevanten Fragestellungen von Adjumed. Anschliessend werden die vorhandenen Daten betrachtet und in Bezug auf die Fragestellung ausgewertet, um Nebeneffekte auszuschliessen. Danach wurden die Daten für die Auswertung aufbereitet. Wichtig hierbei war der Umgang mit fehlenden Werten. Anschliessend konnten die Daten mittels Verfahren der Wartezeit-Analyse ausgewertet werden.
Die Technologie
Zur Analyse wurden Verfahren aus der Wartezeit-Analyse eingesetzt. Die postoperative Liegezeit ist dabei die Wartezeit von der Operation bis zum Ereignis des Austritts des Patienten aus der Klinik. Um schnell und einfach das Potential, das in den Daten liegt, abschätzen zu können, wurde eine explorative Analyse mittels Kaplan-Meier-Schätzer durchgeführt. Der Kaplan-MeierSchätzer hat den Vorteil, dass er mit rechts-zensierten Daten umgehen kann und somit auch Daten berücksichtigt werden können, welche keinen direkten Austritt enthalten, sondern z. B. eine Verlegung auf eine andere Station. Schnell stellte sich heraus, dass das Potential in den Daten vorhanden ist und es sich lohnt, rechenintensivere Verfahren wie «Random Forest for Survival» zur Selektion der aussagekräftigsten Indikatoren einzusetzen, um damit umfassendere Modelle wie GLMs (Generalized Linear Models) zu erstellen. Die Auswertung wurde mittels R und R-Studio umgesetzt.
Das Fazit
Die Ergebnisse haben die erwünschte Bestätigung für das gewählte Analyseverfahren geliefert. Die Big-DataTechnologie ist fürs Auswerten der Daten sehr gut einsetzbar. Die geprüfte Methode kann deshalb weiter ausgebaut werden. Dank der grossen Erfahrung und der tief gehenden Herangehensweise von Noser Engineering konnte innerhalb kürzester Zeit ein zufriedenstellendes Resultat erzielt werden.Stimmen aus dem Projekt
«Wir sind mit Noser Health in mehrfacher Hinsicht sehr zufrieden. Als Erstes ist das grosse inhaltliche Interesse zu nennen. Unsere Partner von Noser Health wollten von Anfang an wissen, wie es sich wirklich verhält, und nahmen sich auch Zeit dafür, die Problemstellung richtig zu verstehen. Diese in die Tiefe gehende Herangehensweise zusammen mit dem grossen fachlichen Wissen und der Erfahrung machten die Zusammenarbeit für uns sehr angenehm und herausfordernd. Man könnte sagen, unsere Denkweisen sind sehr ähnlich und wir empfanden es als gegenseitig sehr befruchtend.»
Dr. Luzi Rageth
CEO, Adjumed AG