Publications

Seit der Umstellung des Vergütungssystems auf diagnosebezogene Fallpauschalen sind Krankenhäuser gezwungen, effizient zu arbeiten um kostendeckend zu wirtschaften. Unter diesem Gesichtspunkt steigt die Notwendigkeit zur Planung und Optimierung der Abläufe innerhalb dieser. Gegenstand der vorliegenden Arbeit ist eine abteilungsübergreifende Termin- und Reihenfolgeplanung der Patienten, mit dem Ziel, die Krankenhausressourcen möglichst effizient einzusetzen und die Wartezeiten der Patienten zu minimieren. Bis heute werden Lösungsansätze nach ambulanter Aufnahmeplanung, stationärer Aufnahmeplanung sowie OP-Planung differenziert und überwiegend losgelöst voneinander betrachtet. Die bisherigen Lösungsansätze verkennen weitestgehend, dass die stationär und ambulant aufgenommenen Patienten im weiteren Ablauf teils dieselben Ressourcen beanspruchen. Auch lässt sich eine OP-Planung nicht verlässlich durchführen, ohne die Aufnahmeplanung und ohne die vorhandenen Krankenhausressourcen (z.B. Betten, Personal) mit deren jeweiligen Kapazitäten in der Planung zu berücksichtigen. Daher erfolgt erstmalig in der hier entwickelten Planungsmethode eine gesamtheitliche Betrachtung der Problemfelder der stationären Aufnahmeplanung, der ambulanten Aufnahmeplanung und der OP-Planung, unter Berücksichtigung erforderlicher vor- und nachgelagerter Ressourcen, insbesondere der Notaufnahme. Es wird auf den Untersuchungsgegenstand bezogen aufgezeigt, wie die vorliegenden fachübergreifenden und dynamischen Gegebenheiten (fachübergreifende und dynamische Komplexität) berücksichtigt werden können, ohne im Detaillierungsgrad mit vielen stark vereinfachenden Annahmen zu arbeiten (Detailkomplexität), wie es bisherige Arbeiten tun. Um der dynamischen Eigenschaft der zugrundeliegenden Prozesse zu entsprechen (dynamische Komplexität), wurde ein dynamisches Simulationsmodell (ausführbares Modell) entwickelt, welches unter Einsatz einer hier entwickelten Methode zur automatisierten Transformation aus eEPK Prozessbeschreibungen aufgebaut und an Realdaten validiert wurde. Der Arbeit liegen Prozesse und Daten aus drei Kliniken der Maximalversorgung zugrunde (Referenzklinik). Um der Detailkomplexität gerecht zu werden, sind im Modell auf die Planung einwirkende stochastische Einflüsse berücksichtigt, wie u.a. Notfälle, nicht geplantes Patientenaufkommen (nicht-elektiv, walk-ins), Unpünktlichkeit von Patienten, Ausbleiben von Patienten (no-show), Varianzen im Behandlungsverlauf, Varianzen in den Bearbeitungszeiten oder Störungen resp. Ausfälle technischer Ressourcen. Das entwickelte Planungskonzept wird in einer multichromosomalen Repräsentation kodiert. Die Planung und Optimierung erfolgt mit einem hybriden Genetischen Algorithmus (GA), welcher eine hier entwickelte Methode der selbstadaptiven Mutation einsetzt. Im Weiteren werden die Ergebnisse der optimierten Termin- und Reihenfolgeplanung dargelegt und analysiert. Abschließend wird ein konkreter Vorschlag zur Umsetzung im Krankenhaus unterbreitet.

Die vorliegende Arbeit untersucht die Eigenschaften der Support-Vektor-Maschine (SVM) für die Anwendung der Klassifikation komplexer Biosignale. Dabei wird eine Methode zur Erzeugung robuster Klassifikatoren für diese Art von Daten mit Hilfe der SVM vorgestellt. Biologische Daten weisen mehrere Faktoren auf, die eine automatische Klassifikation erschweren. Sie sind von Natur aus stark ungleich verteilt und zeigen starke inter- und intraindividuelle Ausprägungen. Weiterhin weichen die als Belehrungsgrundlage verwendeten Expertenbewertungen bedingt durch die Komplexität der Probleme zu einem bestimmten Grad voneinander ab. Als Basis für die Entwicklung und Erprobung der Methoden werden Schlaf-EEG-Daten verwendet. Die SVM ist eine anerkannte und oft empfohlene Klassifikationsmethode für verschiedene Aufgabenstellungen. So werden im Laufe der Untersuchungen die Vor- und Nachteile dieser Methode beleuchtet. Es finden an allen Schritten der Modellbildung Untersuchungen zu möglichen Optimierungen statt. So kann diese Arbeit zeigen, dass der SVM-Klassifikator stark von den Eigenschaften der ausgewählten Belehrungsdaten abhängig ist. Sowohl die Komplexität als auch die resultierende Klassifikationsgüte werden hierdurch stark beeinflusst. Es wird anhand künstlicher Probleme anschaulich gezeigt, wie die SVM parameterabhängig auf ungleichverteilte und untypische Daten reagiert. Als Konsequenz dessen wird eine zusätzliche Bearbeitung der Belehrungsdaten zur Modelloptimierung eingeführt. Durch den hierbei entwickelten Algorithmus, dem DiLa-Filter, stellt diese Arbeit eine neuartige und universelle Methode zur Datenfilterung vor und belegt dessen Funktion an realen Daten. Weiterhin wird ein neuer multikriterieller genetischer Algorithmus zur Parameteroptimierung, der SIGA, beschrieben. Dieser kann durch den Einsatz einer neuen genetischen Operation, der Immigration, zur verbesserten Konvergenz der genetischen Algorithmen beitragen. Liegen statistische Abhängigkeiten zwischen zeitlich aufeinanderfolgenden Klassifikationen vor, so können diese zum einen in einer kontextbasierten Vorhersage angewendet und zum anderen für die Kombination mehrerer SVM-Modelle (Bagging) genutzt werden. Somit wird eine Methode zur Erzeugung robuster Klassifikatoren mit Hilfe der SVM vorgestellt. Die Einbindung der SVM auf eine ressourcenarme Plattform zeigt die Restriktionen für den Einsatz der SVM für mobile Anwendungen. Die erzielten Resultate werden direkt mit Ergebnissen der Klassifikation durch neuronale Netze verglichen. Dabei schneiden die Netze in fast allen Gütekriterien besser ab. Die These, die SVM sei ein Ersatz für die neuronalen Netze, kann widerlegt werden. Aus den in dieser Arbeit erlangten Erkenntnissen werden weitere Forschungsfragen für zukünftige Arbeiten formuliert.