Project Description

VERHINDERUNG EINER VOLLEN KRANKENHAUSBELEGUNG

VORHERSAGE DER KRANKENHAUSBETTENKAPAZITÄT WÄHREND EINER COVID-19-PANDEMIE

KURZ GESAGT

Als die COVID-19 Pandemie ausbrach, standen die Krankenhäuser weltweit vor enormen Herausforderungen. Sie mussten alle verfügbaren Ressourcen bündeln, um mit einer noch nie dagewesenen Pandemie fertig zu werden. Die Verwaltung und Koordinierung der Aufnahme von Personen, die von COVID-19 betroffen waren, wurde so zu einer lebenswichtigen Aufgabe, um das Überleben möglichst vieler Menschen zu sichern.

Angesichts der Dringlichkeit und des raschen Wandels der Pandemie wurden kurzfristige Vorhersagen noch wichtiger. In dieser schwierigen Zeit unterstützten wir unseren Kunden, ein Krankenhaus in der südlichen Region der Niederlande. Unsere Aufgabe bestand in der Vorhersage von Patientenzuströmen und -bewegungen, die eine entscheidende Rolle bei der Schätzung der Bettenbelegung des Krankenhauses für die nächsten zwei Wochen spielten, einschließlich der Best-Case- und Worst-Case-Szenarien.

Unser Data Scientist entwickelte ein robustes Prognosemodell, das in der Lage war:

  • Vorhersage zur Höhe der Patientenzuflüsse, was für die Berechnung der Anzahl und Dauer der Bettenbelegung auf der Normal- und der Intensivstation entscheidend war.
  • Vorhersagen auf lokaler und nationaler Ebene unter Berücksichtigung der Belegungsraten anderer Krankenhäuser im ganzen Land. Dies lieferte wertvolle Erkenntnisse über die Entwicklung der Pandemie auf nationaler Ebene.

DAS KONZEPT

Das ultimative Ziel war es, eine „Code Black“-Situation zu verhindern, in der das Krankenhaus seine volle Kapazität erreicht und keine neuen Patienten mehr aufnehmen kann. Daher war es von entscheidender Bedeutung, sowohl auf lokaler als auch auf nationaler Ebene Erkenntnisse zu gewinnen, die es unserem Kunden ermöglichten, proaktiv Präventivmaßnahmen zu ergreifen. So konnten beispielsweise einige Betten in Erwartung potenzieller Verlegungsanfragen anderer Krankenhäuser reservieren oder rechtzeitig Patiententransfers in andere Einrichtungen veranlassen, wenn die lokale Belegung voraussichtlich die Kapazitätsgrenze erreichen würde.

DIE HERAUSFORDERUNG

Zu Beginn der Pandemie waren wir aufgrund der Nichtverfügbarkeit von COVID-19-Patientendaten auf nationale Datensätze angewiesen, um die lokale Situation zu beurteilen. Dies wirkte sich negativ auf die Genauigkeit unserer Vorhersagen aus. Sobald wir jedoch Zugang zu internen Daten hatten, verbesserte sich die Genauigkeit unserer Vorhersagen erheblich, so dass wir den Prognosehorizont erweitern konnten. Darüber hinaus sahen wir uns mit der Herausforderung konfrontiert, dass die Trends durch verschiedene Faktoren verzerrt wurden, einschließlich staatlicher Interventionsmaßnahmen wie Lockerungen oder Sperrungen. Dank der Robustheit unseres Modells war es jedoch in der Lage, sich innerhalb einer bemerkenswert kurzen Zeitspanne an Trendverzerrungen anzupassen.

MEDIAAN IN AKTION

Während des gesamten Projekts arbeiteten wir eng mit unserem Kunden zusammen. Die folgenden Techniken und Technologien kamen zum Einsatz:

  • Python

  • Time-Series Forecasting

  • Function Approximation

  • Machine Learning

  • Microsoft SQL

  • Tableau

  • Docker

  • Apache Airflow

ERGEBNISSE

Zu Beginn dieses Projekts sah sich unser Data Scientist mit einer Datenbeschränkung konfrontiert, was zu vorläufigen Vorhersagen der Qualität des Proof-of-Concept (PoC) führte. Trotzdem lieferten die Vorhersagen bereits während der dringenden Pandemiesituation einen Mehrwert. Mit der Verbesserung der Datenqualität entwickelten sich unsere Vorhersage und unser Tool weiter und wurden zuverlässiger, so dass wir immer genauere Vorhersagen über Patientenzuflüsse und -bewegungen sowohl in regulären als auch in Intensivstationen machen konnten.

Es gelang uns, die Herausforderungen zu meistern und unserem Kunden einen umfassenden Überblick über die Situation auf lokaler und nationaler Ebene zu geben. So konnte er seine Ressourcen effektiv verwalten, Präventivmaßnahmen ergreifen und eine optimale Versorgung aller Patienten sicherstellen.

Wenn Sie wissen möchten, wie man die Kapazität von Krankenhausbetten in nicht dringenden Situationen vorhersagen kann, finden Sie hier einen ähnlichen Fall.

MÖCHTEN SIE MEHR SEHEN?

ANDERE PROJEKTE