Etwa ein Fünftel der 3 Millionen Krankenhauspatienten, die jedes Jahr in Kanada Akutversorgung in Anspruch nehmen, sind davon betroffen. Dadurch ist die durchschnittliche Dauer eines Krankenhausaufenthalts in den Vereinigten Staaten im Jahr 2022 im Vergleich zu 2019 um 20 % gestiegen. Im Vereinigten Königreich kostet dies rund 100 Millionen Pfund pro Jahr. Es hatte auch Auswirkungen auf Gesundheitssysteme und Patienten in vielen anderen Ländern, beispielsweise in Deutschland, Schweden, Schottland, Dänemark, Frankreich, Neuseeland, Australien und Südkorea. Süden.

Dies ist ein Phänomen, das als verzögerte Entlassung aus dem Krankenhaus bezeichnet wird.

Ein Forscher der McMaster University trägt dazu bei, das Management und die Prävention von verspätetem Urlaub durch Datenanalyse, künstliche Intelligenz (KI) und Optimierung voranzutreiben. Seine Forschung, die weltweit angewendet werden kann, könnte möglicherweise Kosten und Wartezeiten im Krankenhaus reduzieren und die Gesundheit der Patienten verbessern.

Die Auswirkungen einer verspäteten Entlassung auf die Gesundheitsversorgung

Als verspätete Entlassung bezeichnet man hospitalisierte Patienten, die nicht mehr die von einem Krankenhaus gebotene Pflege benötigen, aber dennoch zusätzliche Pflege und Unterstützung benötigen. Ihr Pflegeweg wird jedoch unterbrochen, weil die häusliche Unterstützung oder Langzeitpflege, die sie benötigen, nicht verfügbar ist. Es hat sich gezeigt, dass sich der Gesundheitszustand der Patienten während der Wartezeit auf ihre Entlassung verschlechtert, wodurch sie dem Risiko gesundheitlicher Probleme wie Wiedereinweisung und Tod ausgesetzt sind. Gleichzeitig darf kein anderer Patient das vom verspätet entlassenen Patienten belegte Krankenhausbett nutzen.

„Die Auswirkungen verspäteter Entlassungen auf Gesundheitssysteme sind nahezu universell“, sagt Manaf Zargoush, Forscher und außerordentlicher Professor für Gesundheitspolitik und -management an der DeGroote School of Business. „Dies hat nicht nur negative Auswirkungen auf die Patientenergebnisse und erhöht das Risiko einer Verschlechterung der Gesundheit und Leistungsfähigkeit, sondern auch auf das gesamte Gesundheitssystem.“ Dies wirkt sich aufgrund der Überfüllung der Krankenhäuser auf die Effizienz und Verfügbarkeit der Versorgung anderer Patienten aus und führt zu längeren Wartezeiten für die Notfallversorgung und elektive chirurgische Eingriffe.

Nutzung von Big Data und KI, um fundierte Entscheidungen im Gesundheitswesen zu treffen

Laut Zargoush sind Gesundheitssysteme unter anderem deshalb mit Herausforderungen wie Entlassungsverzögerungen konfrontiert, weil sie Daten nur langsam nutzen, um Vorhersagen zu treffen und Entscheidungen zu verbessern. Um dieses Problem zu bekämpfen, nutzt es Big Data und künstliche Intelligenz, um Patientenergebnisse in verschiedenen Szenarien vorherzusagen und Entscheidungen im Gesundheitswesen zu optimieren. Beispielsweise fließen 18 Jahre umfangreicher Daten zu fast allen spät entlassenen Patienten in Ontario in die Forschung von Zargoush in zwei Projekten ein.

„Obwohl sich die Kosten, Daten und anderen Parameter von einem geografischen Standort zum anderen unterscheiden, bleiben der datengesteuerte Rahmen und das Verfahren, das wir in unseren Studien entwickelt und vorgeschlagen haben, gleich“, erklärt er. „Indem wir dasselbe Modell mit den neuen Daten neu trainieren und dasselbe Problem mit neuen Parametern basierend auf diesem geografischen Standort lösen, kann unser Framework regionalspezifische Muster erfassen, die überall zu fundierten Entscheidungen führen.“ Das ist das Versprechen einer KI-gesteuerten Entscheidungsfindung, die unsere Gesundheitsversorgung in nahezu jeder Hinsicht revolutionieren wird. »

Wie sehen nun die Forschungsergebnisse zur verzögerten Zargoush-Entladung in Bewegung aus? Im Gesundheitswesen eines Krankenhauses kann beispielsweise ein Computer den Zargoush-Algorithmus mit einer Patientenakte nutzen, um verschiedene Pflege- und Übergangsentscheidungen zu treffen. Politische Entscheidungsträger können die Forschung auch nutzen, um die Budgetzuweisung und langfristige Entscheidungsfindung zu priorisieren.

„Komplexe Modelle funktionieren im Hintergrund, während vorgeschlagene Lösungen sehr einfach in etwas wie einer Anwendung oder Computersoftware zu implementieren sind“, sagt er. „Es ist so einfach, dass medizinische Fachkräfte ihre Telefone und Computer nutzen, um ihre Entscheidungsfindung zu verbessern. Wir haben gezeigt, dass diese Art der Entscheidungsfindung viele andere Entscheidungsparadigmen, einschließlich „Wer zuerst kommt, mahlt zuerst“, übertrifft.

Laut Zargoush ist die verspätete Entlassung nur ein Bereich im Gesundheitswesen, in dem künstliche Intelligenz eingesetzt werden kann, um fundiertere Entscheidungen zu treffen. Eine weitere Lösung besteht darin, die Verschreibung von Medikamenten für die Behandlung chronischer Krankheiten zu optimieren. Zargoush arbeitet derzeit an zwei Projekten, die Ärzte dabei unterstützen sollen, bessere Verschreibungsentscheidungen für Diabetiker und Bluthochdruckpatienten zu treffen.

„Patienten sind komplex, was bedeutet, dass verschiedene Medikamente bei verschiedenen Patienten unterschiedlich wirken“, erklärt er. „Personalisierte Medizin ist das Gegenteil einer universellen Praxis, die derzeit in vielen Situationen praktiziert wird. Wir suchen nach Verschreibungsentscheidungen, die auf individueller Ebene am besten sind, basierend auf Merkmalen wie Alter, Geschlecht, anderen Krankheiten eines Patienten und den von ihm verwendeten Medikamenten. Diese personalisierte Gesundheitsversorgung wird durch den Einsatz von KI ermöglicht, die auf elektronische Gesundheitsaktendaten angewendet wird.

Auseinandersetzung mit der dunklen Seite der künstlichen Intelligenz

Es sei jedoch wichtig zu beachten, fügt Zargoush hinzu, dass diese Forschung nicht dazu gedacht sei, Ärzte zu ersetzen.

„Das ist angesichts der komplexen Natur des Menschen gar nicht möglich“, sagt er. „Aber ich sehe dieses Missverständnis manchmal. Stattdessen betrachte ich diese Methoden als Instrumente zur Entscheidungsunterstützung, die Ärzten, Gesundheitsmanagern und politischen Entscheidungsträgern helfen, bessere Entscheidungen zu treffen.

Neben der Angst, dass KI Gesundheitsdienstleister ersetzen könnte, thematisiert Zargoush auch das Potenzial für einen unfairen oder unethischen Einsatz von KI. In einer anderen aktuellen Studie entwickelte er beispielsweise Werkzeuge und Methoden, um die KI-basierte Ressourcenallokation im Gesundheitswesen gerecht auf gerechtigkeitssuchende Gruppen anzuwenden.

„Meistens sind die von uns gesammelten Daten von Natur aus verzerrt“, erklärt er. „Wenn wir also künstliche Intelligenz anhand eines verzerrten Datensatzes trainieren, werden auch die daraus resultierenden Vorhersagen der KI verzerrt sein.“ Zu diesem Zweck haben wir Wege gefunden, unsere KI-Entscheidungsalgorithmen so zu trainieren, dass Fairness gewährleistet ist. Das ist der verantwortungsvolle Weg der Datenwissenschaft. Wenn umfangreiche Daten verfügbar sind, sind den Bereichen, in denen künstliche Intelligenz eingesetzt werden kann, um unsere Arbeitsweise im Gesundheitswesen und in fast allen anderen Bereichen zu verbessern, nahezu keine Grenzen gesetzt, und wir können dies verantwortungsvoll tun.

Hinweis: In diesem Artikel ist künstliche Intelligenz gleichbedeutend mit maschinellem Lernen.