Optimierte Saalauslastung

Im heutigen OP-Management erschweren viele Variablen die Zeitplanung, die Ressourcen sind beschränkt. Mit der Technologie der künstlichen Intelligenz (KI) konnten wir am Klinikum Stuttgart aufgrund einer genaueren Vorhersage der OP-Zeiten die OP-Planung optimieren und einen Anstieg korrekt geplanter OPs und eine um etwa 6% verbesserte Saalauslastung innerhalb der Kernbetriebszeit erreichen (K20-Definition als prozentualer Anteil auf Schnitt-Naht-Basis gemäß dem Glossar perioperativer Prozesszeiten) [1]. Die Planstabilität erhöht die Zufriedenheit unserer Mitarbeitenden, da Regeldienstzeiten besser eingehalten werden können.

Publication History

Article published online:
08 March 2023

• Literatur

• 1 Bauer M, Auhuber TC, Kraus R. et al. Glossar perioperativer Prozesszeiten und Kennzahlen – Version 2020. Eine gemeinsame Empfehlung von BDA, BDC, VOPM, VOPMÖ, ÖGARI und SFOPM. Anästh Intensivmed 2020; 61: 516-531
• 2 Welker A, Wolcke B, Schleppers A. et al. Ablauforganisation im Operationssaal. Anaesthesist 2010; 59: 904-913
• 3 Accessed December 08, 2022 at: https://healthcare-in-europe.com/de/news/kuenstliche-intelligenz-praeoperative-planung.html
• 4 Zaubitzer L, Affolter A, Büttner S. et al. Zeitmanagement im OP – eine Querschnittstudie zur Bewertung der subjektiven und objektiven Dauer chirurgischer Prozeduren im HNO-Bereich. HNO 2022; 70: 436-444
• 5 Gomes C, Almada-Lobo B, Borges J. et al. Integrating Data Mining and Optimization Techniques on Surgery Scheduling. In: Zhou S, Zhang S, Karypis G. Advanced data mining and applications ADMA 2012. Lecture Notes in Computer Science. Berlin, Heidelberg: Springer; 2012.
• 6 Chen T, Guestrin C. Association for Computing Machinery. XGBoost: A scalable tree boosting system. Proceedings of the 22nd ACM SIGKDD International Conference on Knowledge Discovery and Data Mining (KDD '16). Introduction to Boosted Trees — xgboost 1.7.1 documentation; New York, NY, USA: 2016.
• 7 Shwartz-Ziv R, Armon A. Tabular data: Deep learning is not all you need, 8th ICML Workshop on Automated Machine Learning. Accessed December 08, 2022 at: https://openreview.net/attachment?id=vdgtepS1pV&name=original_ve.rsion 2021