Datengetriebene Entscheidungsunterstützung bei intrakraniellen Aneurysmen und in der Spitalgastronomie mittels Bayes'schen Netzwerken
Auf einen Blick
- Projektleiter/in : Dr. Georg Spinner
- Co-Projektleiter/in : Dr. Nicole Gerber
- Projektteam : Matteo Delucchi, Dr. Lukas Hollenstein, Andrea Krähenbühl
- Projektvolumen : CHF 250'000
- Projektstatus : abgeschlossen
- Drittmittelgeber : Interne Förderung
- Projektpartner : Hôpitaux universitaires de Genève / Department of Clinical Neurosciences, BEG Analytics AG
- Kontaktperson : Georg Spinner
Beschreibung
Klinische Entscheidungen in der Medizin und Managemententscheidungen im Facility Management werden regelmäßig auf Basis von geringer Evidenz oder Extrapolationen getroffen und auch durch subjektive und wirtschaftliche Aspekte beeinflusst.
Während in der Medizin aufgrund der zunehmenden Digitalisierung Daten exponentiell generiert werden, fehlt ein Rahmen, um diese Daten in die klinische Routine zu integrieren. Die Zahl der mit intrakraniellen Aneurysmen diagnostizierten Patienten hat in den letzten Jahrzehnten aufgrund besserer Diagnostik stark zugenommen. Enorme Anstrengungen werden unternommen, um prädiktive Faktoren für den Krankheitsverlauf und die Behandlungsergebnisse zu identifizieren. Diese Faktoren stehen in einem komplexen Zusammenhang miteinander, was bei der Modellierung adäquat berücksichtigt werden muss.
Ständig steigende Kosten im Gesundheitswesen erfordern ein ökonomisches Handeln, ohne die Versorgungsqualität zu beeinträchtigen. Die Spitalgastronomie ist kostenintensiv, aber auch wesentlich mitverantwortlich für die Patientenzufriedenheit. Neben der rein betriebswirtschaftlichen Optimierung sind auch zahlreiche qualitative Faktoren wie Nachhaltigkeit und Mitarbeiterzufriedenheit zentral. Hierbei sind insbesondere auch ihre gegenseitigen Abhängigkeiten von Interesse, die oftmals nicht direkt ersichtlich sind.
Die zunehmende Erfassung von Daten im Gesundheitssektor erlaubt eine systematische Analyse solcher Fragestellungen. Bayes'sche Netzwerke (BN) sind eine bestimmte Art von Graphen, welche es erlauben, die Variablen und ihre Abhängigkeiten auf einfach zugängliche Art darzustellen – sowohl für Berechnungen als auch für die Interpretation. Die Anwendung von BN ermöglicht insbesondere die kausale und probabilistische Modellierung zahlreicher Faktoren, die in komplexem, hierarchischem Zusammenhang stehen. Das Management von intrakraniellen Aneurysmen ist daher ein idealer Rahmen, um BN zu erproben. Im vorliegenden Projekt werden ausserdem umfangreiche Datenerhebungen zur Gastronomie verschiedener Gesundheitsinstitutionen untersucht. Zusätzlich werden simulierte Daten analysiert, um die Modellqualität zu verbessern.
Die daraus resultierenden Modelle in Form von BN werden Rückschlüsse erlauben, wie sich verschiedene Faktoren direkt oder indirekt beeinflussen. Somit können systematische Grundlagen für klinische Entscheidungen und Managemententscheidungen erarbeitet und ein Beitrag geleistet werden hin zu patientenzentrierten und ressourcenoptimierten Leistungen in Gesundheitsinstitutionen.
Weiterführende Informationen
Publikationen
-
Delucchi, Matteo; Spinner, Georg; Scutari, Marco; Bijlenga, Philippe; Morel, Sandrine; Friedrich, Christoph M.; Furrer, Reinhard; Hirsch, Sven,
2022.
Bayesian network analysis reveals the interplay of intracranial aneurysm rupture risk factors.
Computers in Biology and Medicine.
147(105740).
Verfügbar unter: https://doi.org/10.1016/j.compbiomed.2022.105740
-
Spinner, Georg; Gerber, Nicole,
2022.
Bayesian network analysis for data-driven decision support.
TRANSFER Special.
S. 20.
Verfügbar unter: https://doi.org/10.21256/zhaw-25931
-
Delucchi, Matteo; Spinner, Georg Ralph; Scutari, Marco; Bijlenga, Philippe; Morel, Sandrine; Friedrich, Christoph M.; Hirsch, Sven,
2022.
Bayesian networks to disentangle the interplay of intracranial aneurysm rupture risk factors [Paper].
In:
Nithiarasu, Perumal; Vergara, Christian, Hrsg.,
CMBE 2022 : 7th International Conference on Computational & Mathematical Biomedical Engineering.
7th International Conference on Computational and Mathematical Biomedical Engineering (CMBE22), Milan, Italy, 27-29 June 2022.
Computational and Mathematical Biomedical Engineering.
S. 22-25.
Verfügbar unter: https://www.compbiomed.net/2021/cmbe-proceedings.htm
-
Spinner, Georg; Gerber, Nicole,
2022.
Datengetriebene Entscheidungsunterstützung mittels Bayes’scher Netzwerke.
TRANSFER Spezial.
S. 20.
Verfügbar unter: https://doi.org/10.21256/zhaw-25930
-
Gerber, Nicole; Hollenstein, Lukas; Krähenbühl, Andrea,
2021.
Was wäre wenn?! Unsichtbares sichtbar machen mit Simulationen im Verpflegungsprozess.
In:
FM Perspektiven: FM Innovationen in HC digital, Wädenswil, 26. November 2021.
-
Krähenbühl, Andrea; Gerber, Nicole; Höhener, Rebecca; Hollenstein, Lukas,
2021.
Simulationen von Verpflegungsprozessen : auf Knopfdruck zur richtigen Entscheidung.
fmpro service.
2021(4), S. 22-24.
Verfügbar unter: https://doi.org/10.21256/zhaw-23063