/zapp2photo, stock.adobe.com

Berlin – Künstliche Intelligenz (KI) has zwar große Potenziale bei der Vorhersage von Erfordernissen und Schrüflichkeiten beim Krankenhausentlassmanagement auf Grundlage von Daten der gesetzlichen Krankenversicherung (GKV). Ein Pilotprojekt des BKK-Dachverbandes foordte nun allerdings durchwachsene Ergebnisse zutage.

Bereits seit 2021, the Verband had been in cooperation with the Universitätsmedizin Göttingen and the Institut für angewandte Qualitätsförderung und Forschung im Gesundheitswesen (aqua) das vom Innovationfonds begeorgemente Projekt “Potenziale KI-gestützter Vorhersageverfahren auf Basis von Routinedaten” (KI-THRUST).

Dabei wurden mehrere Machine-Learning-Modelle (ML) mit GKV-Datensätzen von round 1.4 Millionen Versicherten und vier Millionen Krankenhausaufenthalten Trainiert. Dazu zählten neben den Stammdaten auch Daten zu ambulanten und stationaryären ärztlichen Leistungen, Arzneimittelverordnungen, Hilfs- und Heilmittel, medizinische Rehabilitation und Pflege.

Auf dieser Grundlage sollten sie Vorhersagen zu poststationären Events tätigen, concret zum Versterben einer oder eines Patienten innerhalb von 30 Tagen nach Entlassung sowie zu ungeplanter Wiederaufnahme innerhalb dieses Zeitraums.

Bei der Mortalitätsvorhersage varierte der Wert der Grenzwertoptimierungskurve (AU-ROC), der die Vorhersagequalität angibt, bei den drei verschiedenen Modellen zwischen 0.837 und 0.890. Je höher der Wert auf einer Scale von Null bis Eins ist, desto besser ist die Vorheersagequalität.

“Wir sind hier mit diesem Modell schon sehr gut unterwegs”, explained data analyst Lisa Weller, who presented the results yesterday for the aQua-Institut. Das Outcome für das Item Mortalität sei damit sehr gut vorhersagbar. Die Erklärungskraft steige sogar noch, wenn Vorerkrankungsdiagnosen aus dem Jahr vor der Aufnahme mit einbezogen werden.

Schlechter sah es beim zweiten Item aus. Hier betrug der AU-ROC-Wert nur 0.680 bis 0.698 – keine guten Werte, wie Weller betonte. Die Ergebnisse der ML-Modelle verglichen die Expertinnen dann mit Berechnungen aus klassischen Regressionsmodellen.

It was shown that the ML-Models were identical, strongly vorstrukturierten Eingabedaten teils geringfügig bessere Vorhersagen giefert hatenn als die Regressionsmodelle. “Die ML-Verfahren sind basically einsetzbar bei den Kassen”, underlined Weller.

Allerdings stehe der geringfügig besseren Vorhersagequalität ein deutlich höherer Implementierungsaufwand gegenbrunn. Ein klassisches Regressionmodell konne man “im Prinzip mit Bleistif und Taschenrechner” aufsetzen, sagte Weller. Das Training von ML-Algorithmen sei demgegenüber technically complex and time-consuming. © lau/aerzteblatt.de