gms | German Medical Science

54. Jahrestagung der Deutschen Gesellschaft für Medizinische Informatik, Biometrie und Epidemiologie e.V. (GMDS)

Deutsche Gesellschaft für Medizinische Informatik, Biometrie und Epidemiologie

07. bis 10.09.2009, Essen

Data-Mining in Leistungsdaten der Pflege

Meeting Abstract

  • Björn Sellemann - Forschungsgruppe Informatik im Gesundheitswesen, Fakultät Wirtschafts- und Sozialwissenschaften, Fachhochschule Osnabrück, Osnabrück
  • Jürgen Stausberg - Institut für Medizinische Informationsverarbeitung, Biometrie und Epidemiologie, Ludwig-Maximilians-Universität München, München
  • Christian Dahlmann - Pflegedirektion, Universitätsklinikum Essen, Essen
  • Irene Maier - Pflegedirektion, Universitätsklinikum Essen, Essen
  • Ursula Hübner - Forschungsgruppe Informatik im Gesundheitswesen, Fakultät Wirtschafts- und Sozialwissenschaften, Fachhochschule Osnabrück, Osnabrück

Deutsche Gesellschaft für Medizinische Informatik, Biometrie und Epidemiologie. 54. Jahrestagung der Deutschen Gesellschaft für Medizinische Informatik, Biometrie und Epidemiologie (gmds). Essen, 07.-10.09.2009. Düsseldorf: German Medical Science GMS Publishing House; 2009. Doc09gmds278

DOI: 10.3205/09gmds278, URN: urn:nbn:de:0183-09gmds2787

Veröffentlicht: 2. September 2009

© 2009 Sellemann et al.
Dieser Artikel ist ein Open Access-Artikel und steht unter den Creative Commons Lizenzbedingungen (http://creativecommons.org/licenses/by-nc-nd/3.0/deed.de). Er darf vervielfältigt, verbreitet und öffentlich zugänglich gemacht werden, vorausgesetzt dass Autor und Quelle genannt werden.


Gliederung

Text

Einleitung: Im Rahmen des Knowledge Discovery in Datenbanken (KDD-Prozess) [1], beschreibt die Assoziationsanalyse Korrelationen zwischen gemeinsam auftretenden Elementen [2]. Ziel dieser Arbeit ist die Überprüfung der Anwendbarkeit der Assoziationsanalyse auf Leistungsdaten der Pflege, und die Generierung nützlicher Assoziationsregeln [3], die Informationen über bislang unbekannte, aber nachvollziehbare pflegerischer Zusammenhänge bzw. Handlungsmuster enthalten. Im Folgenden soll über erste Ergebnisse berichtet werden.

Methode: Im Unversitätsklinikum Essen werden seit 2005 flächendeckend pflegerische Leistungen mit der Methode LEP® Nursing 2 [4] erfasst. Die Studienpopulation umfasst 45.284 Behandlungsfälle mit Aufnahme und Entlassung in 2006, mit über 10 Millionen kodierten LEP®-Einzelleistungen. Assoziationsregeln bestehen aus einem Regelrumpf (unabhängige Variable) und einem Regelkopf (abhängige Variable) [5], beide müssen disjunkt sein [2]. Die Relevanz einer Regel wird anhand der Gütekriterien Support, Konfidenz und Lift-Faktor bewertet [vgl. [2], [6]]. Die Schwellenwerte [vgl. [5], [7], [8]] wurden auf einen Mindestsupport von 5%, eine Mindestkonfidenz von 90% und eine maximale Anzahl von drei LEP-Variablen im Regelrumpf gesetzt. Die Analyse wurde als unüberwachtes Verfahren [9] durchgeführt, da alle LEP®-Pflegevariablen (n=119) sowohl als Regelrumpf als auch als Regelkopf auftreten konnten.

Ergebnisse: 811.573 generierte Assoziationsregeln belegen, dass die Assoziationsanalyse auf pflegerische Leistungsdaten angewendet werden kann. Die semantisch triviale Assoziationsregel [3] mit dem höchsten Lift-Faktor von 7,332 (Supportwert=4,801%, Konfidenzwert=94,893%) besagt, dass es um den Faktor 7,332 wahrscheinlicher ist, dass bei einem Patienten die Intervention „Sauerstoff_Verabreichung (Regelkopf)“ in einem Behandlungsfall erfolgt, wenn im selben Behandlungsfall die Interventionen (Regelrumpf) „Absaugen_einfach“, „Drainage/Spülung_einfach“ und „Pulmonale_Unterstützung_einfach“ durchgeführt wurden.

Assoziationsregeln können im letzten KDD-Schritt [1] der Entwicklung, der Evaluation und Weiterentwicklung hausinterner Behandlungspfade dienen.

Diskussion: Die Assoziationsanalyse kann zur Identifizierung pflegerischer Handlungsmuster in LEP® kodierten Leistungsdaten angewendet werden, die generierten Regeln gehören zu den semantisch trivialen Assoziationsregeln [3]. Die Generierung nützlicher Assoziationsregeln [3], erfordert weitere Modifikationen des iterativen KDD-Prozesses, so z.B. die Reduzierung der Datenbasis auf definierte Patientengruppen und/oder bestimmte Aufenthaltstage.


Literatur

1.
Fayyad UM, Piatetsky-Shapiro G, Smyth P. From data mining to knowledge discovery: An overview. In: Fayyad UM, Piatetsky-Shapiro G, Smyth P, Uthurusamy R, editors. Advances in Knowledge Discovery and Data Mining. Menlo Park, USA: American Association for Artificial Intelligence; 1996.
2.
Bollinger T. Assoziationsregeln – Analyse eines Data Mining Verfahrens. Informatik-Spektrum. 1996;19(5):257-61.
3.
Lechner U, Dannecker A. WrapUp – Data Warehousing. (zitiert 26.03.2009) 2008. Available from: http://wi.informatik.unibw-muenchen.de/C14/lectures-DataWarehous(WT2008)/Document%20Library/DWDM-WT08-Wrapup__01__ad.pdf Externer Link
4.
Brügger U, Bamert U, Maeder C, Odermatt R. Beschreibung der Methode LEP Nursing 2: Leistungserfassung für die Gesundheits- und Krankenpflege. 2001.
5.
Eickbusch J. Kundenabwanderungen in Kreditinstituten – Eine empirische Analyse mittels Data-Mining-Methoden für das Privatkundengeschäft einer Großsparkasse. Frankfurt am Main: Fritz Knapp; 2002.
6.
Adamo JM. Data Mining for Association Rules and Sequential Patterns: Sequential and Parallel Algorithms. Springer; London; 2001.
7.
Ordonez C. Comparing Association Rules and Decision Trees for Disease Prediction. In: Proceedings of the international workshop on Healthcare information and knowledge management; 2006; Arlington, USA. (zitiert 26.03.2009) 2006. p. 17-24. Available from: http://portal.acm.org/citation.cfm?id=1183573 Externer Link
8.
Ordonez C, Ezquerra N, Santana C. Constraining and Summarizing Association Rules in Medical Data. Knowl Inf Syst. 2006;9(3):259-83.
9.
Rudolph A. Data Mining in Action: Statistische Verfahren der Klassifikation. Aachen; 1999.