Das FiliP-Projekt. Modellierung des Pflegeaufwands im Akutkrankenhaus mit Methoden des statistischen Lernens

C. Grebe, in: 2017.

Download
Es wurde kein Volltext hochgeladen. Nur Publikationsnachweis!
Konferenzbeitrag | Deutsch
Autor*in
Abstract
Eines der Hauptprobleme aller Pflegeeinrichtungen ist (und wird auch in Zukunft sein) der Mangel an qualifizierten Pflegefachkräften. Als eine Hauptursache für die abnehmenden Bewerbungszahlen von Auszubildenden und der frühzeitige Berufsausstieg sind die Arbeitszeitregelungen im Schichtbetrieb und ihre Folgeerscheinungen. Aus diesen Gründen ist es für eine Pflegeeinrichtung wichtig, Arbeitszeitkonzepte zu entwerfen und anzubieten, die das Pflegepersonal möglichst gering belastet, um hierdurch Fachpersonal zu gewinnen bzw. zu halten. Im FiliP- Projekt wird ein Software- Tool entwickelt, mit dem mittels Simulationsmodellen auf der Basis von Petri-Netzen verschiedene Arbeitszeitkonzepte vor ihrer konkreten Umsetzung auf Machbarkeit im Hinblick auf relevante Kriterien und Vorgaben zum Zwecke der Entscheidungsunterstützung überprüft werden können. Eine der Herausforderungen des Projekts liegt darin, im Rahmen der Simulationsmodelle unterschiedliche Ausprägungen sowie ebenfalls eine Variabilität des versorgten Case-Mix der Patient/-innen zu modellieren. In diesem Zusammenhang ist es von besonderer Bedeutung, Fallgruppen zu definieren, welche sowohl hinsichtlich klinischer Charakteristika wie auch hinsichtlich ihres Pflegeaufwands möglichst homogen sind. Aus methodischer Perspektive handelt es sich um ein Regressionsproblem, bei dem zeitliche Pflegeaufwand aus Patienten- und ggf. Behandlungscharakteristika heraus zu erklären ist. Zugleich erfordert die Auswahl bedeutsamer Patientencharakteristika eine explorative Herangehensweise. Zur Modellierung eines Patientenklassifikationssystems kommen daher Verfahren aus dem Bereich des statistischen Lernens zum Einsatz, die sich im Bereich der stationären Langzeitpflege bereits bewährt haben. Zu nennen sind neben verschiedenen Regressionsbaum-Algorithmen auch weitere Verfahren des rekursiven Partitionierens (z.B. MARS) sowie aus dem Bereich des evolutionären Lernens (Evolutionary Learning Trees). Der Beitrag bietet einen Überblick über die genannten Verfahren und liefert empirische Erkenntnisse aus der stationären Langzeitpflege sowie einen Einblick in die konkrete Anwendung im Kontext des Akutkrankenhauses im Projekt FiliP.
Erscheinungsjahr
Konferenz
Tagung der AG Health Care Management (Gesellschaft für Operations Research) und der Wissenschaftlichen Kommission Operations Research (Verband der Hochschullehrer für Betriebswirtschaft)
Konferenzort
Stuttgart
Konferenzdatum
2017-01-28 – 2017-01-28
FH-PUB-ID

Zitieren

Grebe, Christian: Das FiliP-Projekt. Modellierung des Pflegeaufwands im Akutkrankenhaus mit Methoden des statistischen Lernens. In: , 2017
Grebe C. Das FiliP-Projekt. Modellierung des Pflegeaufwands im Akutkrankenhaus mit Methoden des statistischen Lernens. In: ; 2017.
Grebe, C. (2017). Das FiliP-Projekt. Modellierung des Pflegeaufwands im Akutkrankenhaus mit Methoden des statistischen Lernens. Presented at the Tagung der AG Health Care Management (Gesellschaft für Operations Research) und der Wissenschaftlichen Kommission Operations Research (Verband der Hochschullehrer für Betriebswirtschaft), Stuttgart.
@inproceedings{Grebe_2017, title={Das FiliP-Projekt. Modellierung des Pflegeaufwands im Akutkrankenhaus mit Methoden des statistischen Lernens}, author={Grebe, Christian}, year={2017} }
Grebe, Christian. “Das FiliP-Projekt. Modellierung des Pflegeaufwands im Akutkrankenhaus mit Methoden des statistischen Lernens,” 2017.
C. Grebe, “Das FiliP-Projekt. Modellierung des Pflegeaufwands im Akutkrankenhaus mit Methoden des statistischen Lernens,” presented at the Tagung der AG Health Care Management (Gesellschaft für Operations Research) und der Wissenschaftlichen Kommission Operations Research (Verband der Hochschullehrer für Betriebswirtschaft), Stuttgart, 2017.
Grebe, Christian. Das FiliP-Projekt. Modellierung des Pflegeaufwands im Akutkrankenhaus mit Methoden des statistischen Lernens. 2017.

Export

Markierte Publikationen

Open Data LibreCat

Suchen in

Google Scholar