Artikel
Data-Mining in Leistungsdaten der Pflege
Suche in Medline nach
Autoren
Veröffentlicht: | 2. September 2009 |
---|
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
- 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
- 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.