Optimising the Operation of Hospitals through Process-related Data Analysis using the Example of Intra-Hospital Patient Transport

Organisatorische Gesundheitsprozesse unterstützen als Sekundärprozesse die primären, medizinischen Prozesse in Krankenhäusern. Grundsätzlich ermöglichen zunehmend digitalisierte Prozesse datengetriebene Prozessverbesserungen. Allerdings ist der Umgang mit realen Prozessdaten aufgrund der Komplexität eine fortwährende Herausforderung für die Forschung. Darüber hinaus werden bei den Ansätzen nur selten Realdaten zur Analyse und Unterstützung der Entscheidungsfindung für die Verbesserung der organisatorischen Prozesse in Krankenhäusern genutzt.
In dieser Thesis wird der Nutzen datengestützter Analysen und Empfehlungen zur Verbesserung des Krankenhausbetriebs am Beispiel des innerklinischen Patiententransports untersucht, da dieser Prozess eine zentrale Rolle bei der rechtzeitigen und effizienten Bereitstellung medizinischer Versorgung spielt. ... mehrDie Kapazitätsplanung ist im Rahmen dieses logistischen Prozesses besonders wichtig, und Prozessdaten können zeigen, inwiefern die Zuweisung von Ressourcen den Transportanforderungen entspricht. Derzeit gibt es nur wenige Ansätze, die datengestützte, automatisierte Lösungen zur Unterstützung der Prozessverbesserung bieten. Zudem erfordern diese begrenzten Ansätze in der Regel einen erheblichen Aufwand bei der Modellierung komplexer Prozesse und Systeme. Um autonomes Lernen und Prozessoptimierung zu ermöglichen, wird in dieser Thesis der Einsatz einer Kombination aus einem künstlichen neuronalen Netz und einem metaheuristischen Algorithmus zur Optimierung der Kapazitätsplanung im innerklinischen Patiententransport auf der Grundlage von Erkenntnissen aus einer Process Mining-Analyse untersucht.
Als Fallstudie dient ein Realdatensatz des deutschen Krankenhauses “Klinikum Magdeburg gGmbH” (700 bis 800 Betten) mit 3,5 Jahren Prozessinformationen über 256.266 begleitete, abgeschlossene Patiententransporte mit mehr als 69.000 Patienten. In die Untersuchungen sind auch Krankenhausexperten eingebunden. Derzeit kommen im betrachteten Krankenhaus fast 35% der Patiententransporte verspätet an. Eine Process Mining-Analyse hilft, Probleme aufzudecken, die Schlüsselfaktoren, die den Prozess beeinflussen, zu verstehen und qualitative Verbesserungsideen abzuleiten. Allerdings gibt es Herausforderungen bei der quantitativen Bewertung von Planungsalternativen vor der praktischen Umsetzung. Um dieses Problem zu lösen, wird ein Multilayer-Perceptron (künstliches neuronales Netzwerk) auf Grundlage des Realdatensatzes entwickelt, um Vorhersagen über verspätete Transporte an Wochentagen treffen zu können. Dazu wird eine Datenvorverarbeitung durchgeführt, um transportspezifische Informationen zu stündlichen Informationen zu aggregieren, die als Eingabe- und Labeling-Daten für das Training, die Validierung und das Testen des Vorhersagemodells verwendet werden. Anschließend wird ein genetischer (metaheuristischer) Algorithmus verwendet, um stündliche Eingabevariablen anzupassen und die vom Modell vorhergesagte Anzahl verspäteter Transporte im Verlauf des Tages zu reduzieren. Die Anzahl der aktiven Transporteure, die Anzahl der geplanten Transporte oder die Automatisierungsrate der Transportdisposition dienen beispielhaft als Eingabevariablen, die angepasst werden können. Ohne zusätzliche Ressourcen in den Prozess einzubringen, erzielt der neuartige Planungsansatz eine Reduzierung der verspäteten Transporte an einem beispielhaften Wochentag (durchschnittlicher Montag) von theoretisch 27% bis 42%, indem lediglich die vorhandenen Ressourcen reallokiert werden. Die Leistung sowohl des Multilayer-Perceptron Vorhersagemodells als auch des genetischen Algorithmus, die zusammen die Optimierung der Kapazitätsplanung ermöglichen, wird mit verschiedenen Metriken validiert.
Vor der praktischen Umsetzung müssen jedoch bestimmte Leistungskennzahlen des entwickelten Vorhersagemodells noch weiter verbessert werden, hauptsächlich durch Erhöhung des Volumens an Trainingsdaten. Die weitere Einbeziehung von Expertenwissen in die Spezifikation der Zielfunktionen wirkt sich ebenfalls positiv auf die praktische Aussagekraft des Optimierungsansatzes aus. Der entwickelte Ansatz ist jedoch bereits für die verbesserte Kapazitätsplanung einzelner Wochentage umsetzbar, ist auf andere Prozesse und Organisationen übertragbar und dient als Benchmark für weitere Forschungen zur datenbasierten Optimierung organisatorischer Prozesse im Gesundheitswesen.

As secondary processes, organisational healthcare processes support the primary medical processes in hospitals. In principle, increasingly digitised processes enable data-driven process improvements. However, dealing with with real-world process data is an ongoing challenge in research due to complexity. In addition, approaches rarely use real-world data to analyse and support the decision-making to improve organisational processes in hospitals.
This thesis examines the benefits of data-based analysis and recommendations for improving the operation of hospitals, using the example of the intra-hospital patient transport, as this process plays a central role in the timely and efficient provision of medical care. ... mehrCapacity planning is particularly important in the context of this logistics process and process data can show how the allocation of resources meets transport requirements. Currently, there exist only a few approaches that provide data-driven, automated solutions to support process redesign, and these limited approaches typically require significant effort in modelling complex processes and systems. To enable autonomous learning and process optimisation, this thesis explores the use of a combination of an artificial neural network and a metaheuristic algorithm to optimise capacity planning in intra-hospital patient transport based on knowledge from process mining analysis.
A real-world dataset of the German hospital “Klinikum Magdeburg gGmbH” (700 to 800 beds) including 3.5 years of process information over 256,266 accompanied, completed patient transports involving more than 69,000 patients, serves as a case study. Hospital experts are also involved in the investigations. Currently, almost 35% of patient transports in the case study hospital arrive delayed. A process mining analysis helps to unveil problems, understand the key factors affecting the process and to derive already potential qualitative improvement ideas. However, there are challenges in evaluating planning alternatives quantitatively prior to practical implementation. To solve this issue, a multilayer perceptron artificial neural network is developed from the real-world dataset to conduct predictions of delayed transports on a day of the week basis. Data preprocessing is carried out to aggregate transport-specific information into hourly information to be used as input and label data for the prediction model training, validation and testing. Subsequently, a genetic metaheuristic algorithm is used to adapt hourly input variables to reduce the number of delayed transports predicted by the model over the course of the day. The number of active transporters, the number of planned transports, and the automation rate of transport dispatching serve as example input variables that can be altered. Without adding additional resources to the process, the novel process redesign approach achieves a theoretical reduction in delayed transports on an example day of the week (average Monday) ranging from 27% to 42% just by reallocating resources. The performance of both the multilayer perceptron prediction model and the genetic algorithm, together optimising the capacity planning, are validated using various metrics.
Before practical implementation, certain performance metrics of the prediction model still need to be improved, mainly by increasing the volume of training data. Further inclusion of domain expertise to the specification of objective functions also has a positive impact on the practical implications of the optimisation approach. However, the approach developed is already feasible to improve capacity planning for individual days of the week, is transferable to other processes and organisations, and serves as a benchmark for further research into the data-based optimisation of organisational healthcare processes.