KI-Projekt zu Vorhersagen beim Entlassmanagement zeigt durchwachsene Ergebnisse

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

Bereits seit 2021 hatte der Verband in Kooperation mit der Universitätsmedizin Göttingen und dem Institut für angewandte Qualitätsförderung und Forschung im Gesundheitswesen (aQua) das vom Inno­vationfonds geför­derte Projekt „Potenziale KI-gestützter Vorhersageverfahren auf Basis von Routinedaten“ (KI-THRUST) durchge­führt.

Dabei wurden mehrere Machine-Learning-Modelle (ML) mit GKV-Datensätzen von rund 1,4 Millionen Versicher­ten und vier Millionen Krankenhausaufenthalten trainiert. Dazu zählten neben den Stammdaten auch Daten zu ambulanten und stationären ärztlichen Leistungen, Arzneimittelverordnungen, Hilfs- und Heilmittel, medizini­scher Rehabilitation und Pflege.

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

Bei der Mortalitätsvorhersage variierte 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 Skala von Null bis Eins ist, desto besser ist die Vorheersagequalität.

„Wir sind hier mit diesem Modell schon sehr gut unterwegs“, erklärte die Datenanalystin Lisa Weller, die für das aQua-Institut gestern die Ergebnisse präsentierte. 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.

Dabei habe sich gezeigt, dass die ML-Modelle bei identischen, stark vorstrukturierten Eingabedaten teils gering­fügig bessere Vorhersagen geliefert hätten als die Regressionsmodelle. „Die ML-Verfahren sind grundsätzliche einsetzbar bei den Kassen“, unterstrich Weller.

Allerdings stehe der geringfügig besseren Vorhersagequalität ein deutlich höherer Implementierungs­aufwand gegenüber. Ein klassisches Regressionsmodell könne man „im Prinzip mit Bleistift und Taschen­rechner“ auf­set­zen, sagte Weller. Das Training von ML-Algorithmen sei demgegenüber technisch komplexer und zeitaufwendiger.

lau