© Tom Wang – stock.adobe.com
News • Transparentes Tool
Patientenströme besser lenken mit erklärbarer KI
Wirtschaftsinformatiker der FAU erhält Stipendium der Daimler und Benz Stiftung
Wie lange bleiben Patientinnen und Patienten voraussichtlich im Krankenhaus, wie oft müssen sie verlegt werden, welche Behandlungen sind erforderlich? Die möglichst zuverlässige Beantwortung dieser Fragen ist ein wichtiger Aspekt der Arbeitsorganisation im Gesundheitswesen. Dr. Sven Weinzierl, Wirtschaftsinformatiker der Friedrich-Alexander-Universität Erlangen-Nürnberg (FAU), entwickelt ein KI-gestütztes Modell, das solche Vorhersagen präzise treffen und zugleich volle Transparenz über die Entscheidungsprozesse gewährleisten soll. Für seine Forschung wird der Postdoktorand am Lehrstuhl für Digital Industrial Service Systems im Rahmen eines Stipendiums der Daimler und Benz Stiftung mit 40.000 Euro gefördert.
Alter, Geschlecht, Lebensweise, Vorerkrankungen, aber auch aktuelle Vitalparameter wie Herzschlag, Blutdruck oder Körpertemperatur – all diese Daten geben Aufschluss über den mutmaßlichen Behandlungsverlauf von Patientinnen und Patienten. Krankenhäuser und andere Gesundheitseinrichtungen nutzen sie zunehmend für die Organisation ihrer Arbeitsabläufe und die Planung ihrer Ressourcen. „Modelle, die diese Daten verarbeiten, müssen sowohl genau als auch selbsterklärend sein, damit das klinische Personal ihnen vertrauen kann“, sagt Sven Weinzierl.
Dieser Artikel könnte Sie auch interessieren
Artikel • Themenkanal
Patientenmanagement aktuell
Von der Terminvergabe über die Aufnahme und Koordinierung der Behandlung bis hin zur Abrechnung – das Patientenmanagement ist ein komplexes Feld, bei dem sich alles um den Patienten dreht. Hier finden Sie neueste Entwicklungen und Anwendungsbeispiele.
Bislang erfolgen solche Modellierungen überwiegend durch statistische Verfahren wie Regressionsanalysen. Diese sogenannten White-Box-Modelle haben sich bewährt, weil sie transparent und gut interpretierbar sind. Ihr Nachteil: Sie erfassen nur lineare Effekte, also proportionale Zusammenhänge zwischen Input- und Zielvariablen – beispielsweise zwischen dem Alter und der Wahrscheinlichkeit, auf die Intensivstation verlegt zu werden. „Patientenpfade sind jedoch sehr komplex und durch eine Vielzahl unterschiedlicher und temporärer Daten determiniert“, erklärt Weinzierl. „Derartige White-Box-Modelle sind deshalb immer etwas ungenau.“
Transparenz ist in einem so sensiblen Bereich wie dem Gesundheitswesen unabdingbar – nicht zuletzt aus Gründen der Rechtssicherheit, denken Sie nur an die Priorisierung bei einer Triage
Sven Weinzierl
Wesentlich genauere Ergebnisse würden Deep-Learning-Modelle liefern – etwa Large-Language-Modelle (LLM), die zum Beispiel bei ChatGPT zum Einsatz kommen. Das große Manko: LLMs sind so strukturiert, dass man nicht nachvollziehen kann, wie sie zu ihren Ergebnissen gelangen, weshalb sie auch als Black-Box-Modelle bezeichnet werden. Weinzierl: „Transparenz ist in einem so sensiblen Bereich wie dem Gesundheitswesen jedoch unabdingbar – nicht zuletzt aus Gründen der Rechtssicherheit, denken Sie nur an die Priorisierung bei einer Triage.“
In seinem neuen Forschungsprojekt will Sven Weinzierl das Beste aus beiden Welten zusammenführen und White-Box-Modelle mit Deep-Learning-Elementen kombinieren. Ziel ist die Entwicklung eines Werkzeugs, das einerseits der Planung individueller Behandlungspfade dient, andererseits Patientendaten so aggregieren kann, dass damit die Arbeits- und Ressourcenplanung der gesamten Einrichtung unterstützt wird.
Gelingen soll das mit neuronalen generalisierten additiven Modellen (neuronale GAMs) – eine flexible statistische Methode, die KI-Algorithmen nutzt, um aus Daten zu lernen und auch nichtlineare Zusammenhänge automatisch zu erfassen. „Ein Großteil meiner Arbeit wird darin bestehen, etablierte neuronale GAMs weiterzuentwickeln, weil sie eigentlich für statische Daten gemacht sind“, erklärt Weinzierl. „Das mag für die Verarbeitung von strukturierten Daten, also überwiegend das, was in der Patientenakte steht, ausreichen. Aber die Einbindung von sequenziellen Daten, etwa aktueller Vitalparameter, erfordert eine Anpassung der Modelle.“
Nach erfolgreicher Anpassung werden die neuronalen GAMs mit klinischen Datensätzen, die für die Forschung freigegeben sind, intensiv trainiert und getestet. Auch in das Interface zwischen Mensch und Modell wird Weinzierl einige Arbeit investieren: „Für den Praxiseinsatz muss die Komplexität der Daten auf das Wesentliche reduziert werden, zugleich muss das Werkzeug natürlich jederzeit zuverlässige Informationen liefern“, sagt er. Ob es auf die Visualisierung in Form eines Dashboards hinausläuft, steht aktuell noch nicht fest. In jedem Fall aber soll das Werkzeug dazu beitragen, die Verwaltung von Patientenströmen in Gesundheitseinrichtungen einfacher, präziser und schneller zu machen.
Quelle: Friedrich-Alexander-Universität Erlangen-Nürnberg
13.03.2026
