Loading…
Einsatz neuronaler Netze in der Notaufnahme: Eine Illustration anhand der Prognose der stationären Aufnahme
Zusammenfassung Hintergrund Krankenhäuser generieren einen Teil ihrer stationären Fälle aus ungeplanten Einweisungen über die zentrale Notfallambulanz (ZNA). Die Vorbereitung der Aufnahme benötigt üblicherweise eine ärztliche Entscheidung. Die resultierende Vorbereitungszeit für die Normalstation is...
Saved in:
| Published in: | Notfall & Rettungsmedizin 2023-09, Vol.26 (6), p.401-406 |
|---|---|
| Main Authors: | , , , |
| Format: | Article |
| Language: | ger |
| Subjects: | |
| Citations: | Items that this one cites |
| Online Access: | Get full text |
| Tags: |
Add Tag
No Tags, Be the first to tag this record!
|
| cited_by | |
|---|---|
| cites | cdi_FETCH-LOGICAL-c157x-c4f4cc1187cc7a71c9dd0f98a0a4654e619453e244355816c0c2d1dc1a1354a63 |
| container_end_page | 406 |
| container_issue | 6 |
| container_start_page | 401 |
| container_title | Notfall & Rettungsmedizin |
| container_volume | 26 |
| creator | Weberskirch, Carolin Pigorsch, Uta Tralls, Patric Rachuba, Sebastian |
| description | Zusammenfassung
Hintergrund
Krankenhäuser generieren einen Teil ihrer stationären Fälle aus ungeplanten Einweisungen über die zentrale Notfallambulanz (ZNA). Die Vorbereitung der Aufnahme benötigt üblicherweise eine ärztliche Entscheidung. Die resultierende Vorbereitungszeit für die Normalstation ist mitunter nicht ausreichend und es entstehen Verzögerungen.
Ziel der Arbeit/Fragestellung
Anhand der Prognose der Wahrscheinlichkeit einer stationären Aufnahme soll der potenzielle Nutzen des Einsatzes künstlicher neuronaler Netze (KNN) in der ZNA aufgezeigt werden. Dabei stellt sich die Frage, ob Routinedaten, welche in fast jeder ZNA bereits zum Zeitpunkt der Ersteinschätzung zur Verfügung stehen, einen Beitrag zur Reduktion von Verzögerungen bei der stationären Aufnahme leisten können.
Material und Methoden
Auf Grundlage von beschränkten und anonymisierten Routinedaten aus einem Krankenhausinformationssystem wird für eine ZNA ein KNN entwickelt, das die Vorhersage der stationären Aufnahme ermöglicht. Die Implementierung des KNN erfolgt über die Open-Source-Software R.
Ergebnisse
Unter Anwendung von Routinedaten erzielt das KNN eine Genauigkeit von 76,64 %. Die Sensitivität, d. h. der Anteil korrekt vorhergesagter Patientenaufnahmen, liegt bei 66,93 % und damit niedriger als die Spezifität (Anteil korrekt vorhergesagter Nichtaufnahmen), die 82,13 % beträgt.
Diskussion
Bereits unter Verwendung von Routinedaten können KNN einen wertvollen Beitrag für die Ablaufplanung in der ZNA leisten. Es ist zu erwarten, dass zusätzliche Variablen, wie z. B. das Patientenalter, die Prognosegüte steigern. |
| doi_str_mv | 10.1007/s10049-021-00974-x |
| format | article |
| fullrecord | <record><control><sourceid>crossref_sprin</sourceid><recordid>TN_cdi_crossref_primary_10_1007_s10049_021_00974_x</recordid><sourceformat>XML</sourceformat><sourcesystem>PC</sourcesystem><sourcerecordid>10_1007_s10049_021_00974_x</sourcerecordid><originalsourceid>FETCH-LOGICAL-c157x-c4f4cc1187cc7a71c9dd0f98a0a4654e619453e244355816c0c2d1dc1a1354a63</originalsourceid><addsrcrecordid>eNp9j8FKAzEQhoMoWKsv4GnvEp1JJsnuUUq1QtGLnkPIZnVLm5VkF9Y-vdvWs5f5Z2C-Hz7GbhHuEcA85GlSxUEgB6gM8fGMzZCk5qBMeX7ciWshxCW7ynkDAEIizdjdso3Z9fsihiF10W1DKl5Dvw9FG4v6cHS9G5rovnbhml00bpvDzV_O2cfT8n2x4uu355fF45p7VGbknhryHrE03htn0Fd1DU1VOnCkFQWNFSkZBJFUqkTtwYsaa48OpSKn5ZyJU69PXc4pNPY7tTuXfiyCPejak66ddO1R144TJE9Qnp7jZ0h20w1pEsr_Ub93g1el</addsrcrecordid><sourcetype>Aggregation Database</sourcetype><iscdi>true</iscdi><recordtype>article</recordtype></control><display><type>article</type><title>Einsatz neuronaler Netze in der Notaufnahme: Eine Illustration anhand der Prognose der stationären Aufnahme</title><source>Springer Link</source><creator>Weberskirch, Carolin ; Pigorsch, Uta ; Tralls, Patric ; Rachuba, Sebastian</creator><creatorcontrib>Weberskirch, Carolin ; Pigorsch, Uta ; Tralls, Patric ; Rachuba, Sebastian</creatorcontrib><description>Zusammenfassung
Hintergrund
Krankenhäuser generieren einen Teil ihrer stationären Fälle aus ungeplanten Einweisungen über die zentrale Notfallambulanz (ZNA). Die Vorbereitung der Aufnahme benötigt üblicherweise eine ärztliche Entscheidung. Die resultierende Vorbereitungszeit für die Normalstation ist mitunter nicht ausreichend und es entstehen Verzögerungen.
Ziel der Arbeit/Fragestellung
Anhand der Prognose der Wahrscheinlichkeit einer stationären Aufnahme soll der potenzielle Nutzen des Einsatzes künstlicher neuronaler Netze (KNN) in der ZNA aufgezeigt werden. Dabei stellt sich die Frage, ob Routinedaten, welche in fast jeder ZNA bereits zum Zeitpunkt der Ersteinschätzung zur Verfügung stehen, einen Beitrag zur Reduktion von Verzögerungen bei der stationären Aufnahme leisten können.
Material und Methoden
Auf Grundlage von beschränkten und anonymisierten Routinedaten aus einem Krankenhausinformationssystem wird für eine ZNA ein KNN entwickelt, das die Vorhersage der stationären Aufnahme ermöglicht. Die Implementierung des KNN erfolgt über die Open-Source-Software R.
Ergebnisse
Unter Anwendung von Routinedaten erzielt das KNN eine Genauigkeit von 76,64 %. Die Sensitivität, d. h. der Anteil korrekt vorhergesagter Patientenaufnahmen, liegt bei 66,93 % und damit niedriger als die Spezifität (Anteil korrekt vorhergesagter Nichtaufnahmen), die 82,13 % beträgt.
Diskussion
Bereits unter Verwendung von Routinedaten können KNN einen wertvollen Beitrag für die Ablaufplanung in der ZNA leisten. Es ist zu erwarten, dass zusätzliche Variablen, wie z. B. das Patientenalter, die Prognosegüte steigern.</description><identifier>ISSN: 1434-6222</identifier><identifier>EISSN: 1436-0578</identifier><identifier>DOI: 10.1007/s10049-021-00974-x</identifier><language>ger</language><publisher>Heidelberg: Springer Medizin</publisher><subject>Emergency Medicine ; Medicine ; Medicine & Public Health ; Originalien</subject><ispartof>Notfall & Rettungsmedizin, 2023-09, Vol.26 (6), p.401-406</ispartof><rights>The Author(s) 2022</rights><lds50>peer_reviewed</lds50><oa>free_for_read</oa><woscitedreferencessubscribed>false</woscitedreferencessubscribed><cites>FETCH-LOGICAL-c157x-c4f4cc1187cc7a71c9dd0f98a0a4654e619453e244355816c0c2d1dc1a1354a63</cites></display><links><openurl>$$Topenurl_article</openurl><openurlfulltext>$$Topenurlfull_article</openurlfulltext><thumbnail>$$Tsyndetics_thumb_exl</thumbnail><link.rule.ids>314,776,780,27901,27902</link.rule.ids></links><search><creatorcontrib>Weberskirch, Carolin</creatorcontrib><creatorcontrib>Pigorsch, Uta</creatorcontrib><creatorcontrib>Tralls, Patric</creatorcontrib><creatorcontrib>Rachuba, Sebastian</creatorcontrib><title>Einsatz neuronaler Netze in der Notaufnahme: Eine Illustration anhand der Prognose der stationären Aufnahme</title><title>Notfall & Rettungsmedizin</title><addtitle>Notfall Rettungsmed</addtitle><description>Zusammenfassung
Hintergrund
Krankenhäuser generieren einen Teil ihrer stationären Fälle aus ungeplanten Einweisungen über die zentrale Notfallambulanz (ZNA). Die Vorbereitung der Aufnahme benötigt üblicherweise eine ärztliche Entscheidung. Die resultierende Vorbereitungszeit für die Normalstation ist mitunter nicht ausreichend und es entstehen Verzögerungen.
Ziel der Arbeit/Fragestellung
Anhand der Prognose der Wahrscheinlichkeit einer stationären Aufnahme soll der potenzielle Nutzen des Einsatzes künstlicher neuronaler Netze (KNN) in der ZNA aufgezeigt werden. Dabei stellt sich die Frage, ob Routinedaten, welche in fast jeder ZNA bereits zum Zeitpunkt der Ersteinschätzung zur Verfügung stehen, einen Beitrag zur Reduktion von Verzögerungen bei der stationären Aufnahme leisten können.
Material und Methoden
Auf Grundlage von beschränkten und anonymisierten Routinedaten aus einem Krankenhausinformationssystem wird für eine ZNA ein KNN entwickelt, das die Vorhersage der stationären Aufnahme ermöglicht. Die Implementierung des KNN erfolgt über die Open-Source-Software R.
Ergebnisse
Unter Anwendung von Routinedaten erzielt das KNN eine Genauigkeit von 76,64 %. Die Sensitivität, d. h. der Anteil korrekt vorhergesagter Patientenaufnahmen, liegt bei 66,93 % und damit niedriger als die Spezifität (Anteil korrekt vorhergesagter Nichtaufnahmen), die 82,13 % beträgt.
Diskussion
Bereits unter Verwendung von Routinedaten können KNN einen wertvollen Beitrag für die Ablaufplanung in der ZNA leisten. Es ist zu erwarten, dass zusätzliche Variablen, wie z. B. das Patientenalter, die Prognosegüte steigern.</description><subject>Emergency Medicine</subject><subject>Medicine</subject><subject>Medicine & Public Health</subject><subject>Originalien</subject><issn>1434-6222</issn><issn>1436-0578</issn><fulltext>true</fulltext><rsrctype>article</rsrctype><creationdate>2023</creationdate><recordtype>article</recordtype><recordid>eNp9j8FKAzEQhoMoWKsv4GnvEp1JJsnuUUq1QtGLnkPIZnVLm5VkF9Y-vdvWs5f5Z2C-Hz7GbhHuEcA85GlSxUEgB6gM8fGMzZCk5qBMeX7ciWshxCW7ynkDAEIizdjdso3Z9fsihiF10W1DKl5Dvw9FG4v6cHS9G5rovnbhml00bpvDzV_O2cfT8n2x4uu355fF45p7VGbknhryHrE03htn0Fd1DU1VOnCkFQWNFSkZBJFUqkTtwYsaa48OpSKn5ZyJU69PXc4pNPY7tTuXfiyCPejak66ddO1R144TJE9Qnp7jZ0h20w1pEsr_Ub93g1el</recordid><startdate>20230901</startdate><enddate>20230901</enddate><creator>Weberskirch, Carolin</creator><creator>Pigorsch, Uta</creator><creator>Tralls, Patric</creator><creator>Rachuba, Sebastian</creator><general>Springer Medizin</general><scope>C6C</scope><scope>AAYXX</scope><scope>CITATION</scope></search><sort><creationdate>20230901</creationdate><title>Einsatz neuronaler Netze in der Notaufnahme</title><author>Weberskirch, Carolin ; Pigorsch, Uta ; Tralls, Patric ; Rachuba, Sebastian</author></sort><facets><frbrtype>5</frbrtype><frbrgroupid>cdi_FETCH-LOGICAL-c157x-c4f4cc1187cc7a71c9dd0f98a0a4654e619453e244355816c0c2d1dc1a1354a63</frbrgroupid><rsrctype>articles</rsrctype><prefilter>articles</prefilter><language>ger</language><creationdate>2023</creationdate><topic>Emergency Medicine</topic><topic>Medicine</topic><topic>Medicine & Public Health</topic><topic>Originalien</topic><toplevel>peer_reviewed</toplevel><toplevel>online_resources</toplevel><creatorcontrib>Weberskirch, Carolin</creatorcontrib><creatorcontrib>Pigorsch, Uta</creatorcontrib><creatorcontrib>Tralls, Patric</creatorcontrib><creatorcontrib>Rachuba, Sebastian</creatorcontrib><collection>Springer Open Access</collection><collection>CrossRef</collection><jtitle>Notfall & Rettungsmedizin</jtitle></facets><delivery><delcategory>Remote Search Resource</delcategory><fulltext>fulltext</fulltext></delivery><addata><au>Weberskirch, Carolin</au><au>Pigorsch, Uta</au><au>Tralls, Patric</au><au>Rachuba, Sebastian</au><format>journal</format><genre>article</genre><ristype>JOUR</ristype><atitle>Einsatz neuronaler Netze in der Notaufnahme: Eine Illustration anhand der Prognose der stationären Aufnahme</atitle><jtitle>Notfall & Rettungsmedizin</jtitle><stitle>Notfall Rettungsmed</stitle><date>2023-09-01</date><risdate>2023</risdate><volume>26</volume><issue>6</issue><spage>401</spage><epage>406</epage><pages>401-406</pages><issn>1434-6222</issn><eissn>1436-0578</eissn><abstract>Zusammenfassung
Hintergrund
Krankenhäuser generieren einen Teil ihrer stationären Fälle aus ungeplanten Einweisungen über die zentrale Notfallambulanz (ZNA). Die Vorbereitung der Aufnahme benötigt üblicherweise eine ärztliche Entscheidung. Die resultierende Vorbereitungszeit für die Normalstation ist mitunter nicht ausreichend und es entstehen Verzögerungen.
Ziel der Arbeit/Fragestellung
Anhand der Prognose der Wahrscheinlichkeit einer stationären Aufnahme soll der potenzielle Nutzen des Einsatzes künstlicher neuronaler Netze (KNN) in der ZNA aufgezeigt werden. Dabei stellt sich die Frage, ob Routinedaten, welche in fast jeder ZNA bereits zum Zeitpunkt der Ersteinschätzung zur Verfügung stehen, einen Beitrag zur Reduktion von Verzögerungen bei der stationären Aufnahme leisten können.
Material und Methoden
Auf Grundlage von beschränkten und anonymisierten Routinedaten aus einem Krankenhausinformationssystem wird für eine ZNA ein KNN entwickelt, das die Vorhersage der stationären Aufnahme ermöglicht. Die Implementierung des KNN erfolgt über die Open-Source-Software R.
Ergebnisse
Unter Anwendung von Routinedaten erzielt das KNN eine Genauigkeit von 76,64 %. Die Sensitivität, d. h. der Anteil korrekt vorhergesagter Patientenaufnahmen, liegt bei 66,93 % und damit niedriger als die Spezifität (Anteil korrekt vorhergesagter Nichtaufnahmen), die 82,13 % beträgt.
Diskussion
Bereits unter Verwendung von Routinedaten können KNN einen wertvollen Beitrag für die Ablaufplanung in der ZNA leisten. Es ist zu erwarten, dass zusätzliche Variablen, wie z. B. das Patientenalter, die Prognosegüte steigern.</abstract><cop>Heidelberg</cop><pub>Springer Medizin</pub><doi>10.1007/s10049-021-00974-x</doi><tpages>6</tpages><oa>free_for_read</oa></addata></record> |
| fulltext | fulltext |
| identifier | ISSN: 1434-6222 |
| ispartof | Notfall & Rettungsmedizin, 2023-09, Vol.26 (6), p.401-406 |
| issn | 1434-6222 1436-0578 |
| language | ger |
| recordid | cdi_crossref_primary_10_1007_s10049_021_00974_x |
| source | Springer Link |
| subjects | Emergency Medicine Medicine Medicine & Public Health Originalien |
| title | Einsatz neuronaler Netze in der Notaufnahme: Eine Illustration anhand der Prognose der stationären Aufnahme |
| url | http://sfxeu10.hosted.exlibrisgroup.com/loughborough?ctx_ver=Z39.88-2004&ctx_enc=info:ofi/enc:UTF-8&ctx_tim=2025-02-02T20%3A10%3A49IST&url_ver=Z39.88-2004&url_ctx_fmt=infofi/fmt:kev:mtx:ctx&rfr_id=info:sid/primo.exlibrisgroup.com:primo3-Article-crossref_sprin&rft_val_fmt=info:ofi/fmt:kev:mtx:journal&rft.genre=article&rft.atitle=Einsatz%20neuronaler%20Netze%20in%20der%20Notaufnahme:%20Eine%20Illustration%20anhand%20der%20Prognose%20der%20station%C3%A4ren%20Aufnahme&rft.jtitle=Notfall%20&%20Rettungsmedizin&rft.au=Weberskirch,%20Carolin&rft.date=2023-09-01&rft.volume=26&rft.issue=6&rft.spage=401&rft.epage=406&rft.pages=401-406&rft.issn=1434-6222&rft.eissn=1436-0578&rft_id=info:doi/10.1007/s10049-021-00974-x&rft_dat=%3Ccrossref_sprin%3E10_1007_s10049_021_00974_x%3C/crossref_sprin%3E%3Cgrp_id%3Ecdi_FETCH-LOGICAL-c157x-c4f4cc1187cc7a71c9dd0f98a0a4654e619453e244355816c0c2d1dc1a1354a63%3C/grp_id%3E%3Coa%3E%3C/oa%3E%3Curl%3E%3C/url%3E&rft_id=info:oai/&rft_id=info:pmid/&rfr_iscdi=true |