Motivation
Die Durchführung von Transporten im Krankenhaus ist essenziell für einen effizienten Betrieb und erfolgt dabei im Idealfall nahezu unsichtbar für die Patientinnen. Damit dies gewährleistet werden kann, ist eine effiziente Transportdisposition notwendig, welche die Organisation der Logistik und Verteilung der Transporte für den reibungslosen Ablauf von Behandlung und Versorgung sicherstellt. Sie hat damit einen hohen Einfluss auf die Versorgungsqualität der Patientinnen. Derzeitige Dispositionstools stoßen allerdings an ihre Grenzen, wenn benötigte Ressourcen nicht vorhanden sind, z.B. krankheitsbedingt fehlende Mitarbeitende, oder wenn externe Faktoren auf die Planung einwirken, z.B. eine Massenkarambolage im Versorgungsgebiet des Krankenhauses, die die Anzahl an Notfallpatientinnen und -patienten schlagartig erhöht. In diesen Fällen ist bisher das manuelle Eingreifen eines erfahrenen Disponenten erforderlich, da dieser schnell auf ungeplante Anforderungen reagieren und aktuelle Informationen sowie Verfügbarkeiten in die Planung mit einbeziehen kann.
Ziele und Vorgehen
Diese Abhängigkeit vom Erfahrungsschatz des Disponenten soll nun mit KIK_Dispo aufgelöst werden. Hierzu sollen bestehende Dispositionssysteme um Verfahren des maschinellen Lernens, einem Teilbereich der künstlichen Intelligenz, ergänzt werden. Im Ergebnis soll ein selbstlernendes System entwickelt und umgesetzt werden, das durch vorangegangene Entscheidungen lernt, wechselnde Parameter erkennt, Prognosewerte einbezieht und Dispositionsentscheidungen autonom trifft. Die Disposition soll dadurch effizienter, die Anzahl der Transporte gesenkt, der Ressourceneinsatz optimiert und Logistik- sowie Folgekosten reduziert werden. Zur Erreichung des Vorhabenziels werden ein neues Dispositions-Scheduling (Zeitplanung) und Predictive-Analytics-Verfahren entwickelt. Das neue Scheduling soll ein eventbasiertes Reagieren auf kurzfristige Änderungen von Umgebungsparametern ermöglichen. Durch die Integration von Predictive Analytics wird ein prädiktives Modell für die Vorhersage zukünftiger Ereignisse erstellt. Beide Komponenten sollen dafür sorgen, dass für die Transportdisposition auf eine erweiterte Wissensbasis und damit auf mehr Informationen zugegriffen werden kann.
Innovationen und Perspektiven
Die wirtschaftliche Verwertung soll durch die Dynamed GmbH erfolgen, während auf wissenschaftlicher Seite die Ergebnisverbreitung durch das beteiligte Fraunhofer-Institut geplant ist. Bei der Umsetzung des Vorhabens wird der Verbund durch zwei assoziierte Kliniken unterstützt.