KI für intelligente Terminplanung: Wie MintCode Solutions die Wartezeiten in Arztpraxen reduziert
Wie kann Künstliche Intelligenz helfen, Wartezeiten in Arztpraxen zu verkürzen und Abläufe effizienter zu gestalten? Diese Frage stand im Zentrum einer Machbarkeitsstudie der MintCode Solutions UG, die gemeinsam mit KI.SH durchgeführt wurde. Das Projekt zeigte, wie Machine-Learning-Modelle die Termintreue in Arztpraxen vorhersagen und so zu einem effizienteren Praxisbetrieb beitragen können.
Herausforderung: Unplanbare Verzögerungen im Praxisbetrieb
Terminverschiebungen gehören zum Alltag im Gesundheitswesen. Komplexe Behandlungen, Notfälle oder unerwartete Patientenschwankungen führen dazu, dass geplante Abläufe ins Stocken geraten. Für Praxisteams erschweren sie die Ressourcenplanung und für Patient:innen bedeuten sie vor allem eines: längere Wartezeiten.
Um dieses Problem anzugehen, entwickelte MintCode eine KI-gestützte Web-App, die Verspätungsprognosen für Arzttermine berechnet. Ziel war es, durch datenbasierte Analysen die Organisation in Arztpraxen zu verbessern und Wartezeiten für Patient:innen deutlich zu verkürzen.
Datengrundlage und Aufbereitung
Für die Studie stellte MintCode Praxisdaten einer HNO-Praxis in Hamburg zur Verfügung, darunter Ankunfts- und Abfahrtszeiten, Behandlungsdauer und Patientendaten. Ergänzt wurden diese durch Wetterdaten, Feiertage und Schulferien, um externe Einflussfaktoren wie saisonale Schwankungen zu erfassen.
Die Daten wurden in 15-Minuten-Intervalle aufgeteilt, um präzise Muster zu erkennen. Zusätzlich floss das Patientenalter in die Analyse ein – ein Aspekt, der neue Einblicke in die Besuchsverteilung nach Altersgruppen ermöglichte.
Feature Engineering und maschinelles Lernen
Zur Vorbereitung der KI-Modelle wurden vom KI.SH Team um Felix Doobe und Alwin Klick aus den Rohdaten aussagekräftige Merkmale generiert, etwa die Zahl der Ankünfte und Abfahrten pro Zeitintervall oder die Zahl der behandelnden Ärztinnen und Ärzte. Mit diesen wurden regressionsbasierter Machine-Learning-Modelle und neuronale Netze trainiert, um Verspätungen präzise vorherzusagen. Die Modellierung erfolgte mit Python, basierend auf Bibliotheken wie scikit-learn, TensorFlow, Pandas und NumPy. Mithilfe eines gängigen Hyperparameter-Tuning-Algorithmus wurden die besten Modellparameter identifiziert. Das leistungsstärkste Modell, ein Multi-Layer Perceptron (MLP), erzielte herausragende Ergebnisse mit einer Genauigkeit von über 99,7 Prozent – ein eindeutiger Beweis für die Machbarkeit von KI-Prognosen im medizinischen Umfeld.
Hyperparameter-Tuning
Hyperparameter-Tuning ist eine Methode, mit der ein Computer systematisch verschiedene Kombinationen von Einstellungsmöglichkeiten (Hyperparametern) testet, um die besten Werte für ein KI-Modell zu finden – wie ein automatisiertes Ausprobieren von Varianten.
Multi-Layer-Perception
Multi-Layer Perceptron ist ein künstliches neuronales Netz mit mehreren Schichten verbundener Neuronen. Jede Schicht verarbeitet Informationen weiter und leitet sie an die nächste weiter. So lernt das System komplexe Muster wie Handschrifterkennung oder Bild-Klassifizierung.
Ergebnisse: KI trifft ins Schwarze
Das MLP-Modell überzeugte in allen Testphasen durch äußerst geringe Abweichungen zwischen Prognose und tatsächlicher Aufenthaltsdauer:
- MAPE (Mean Absolute Percentage Error): 0,24 %
- MAE (Mean Absolute Error): 0,91
- Durchschnittliche Genauigkeit: 99,76 %
Diese Werte zeigen deutlich: Künstliche Intelligenz kann Arztpraxen dabei unterstützen, Terminzeiten vorherzusagen und damit Wartezeiten reduzieren, Personalressourcen besser einteilen und Patientenzufriedenheit steigern. Es wird jedoch immer eine gewisse Unwägbarkeit der Terminzeiten geben, denn bei den Unwägbarkeiten des Alltags kann auch KI keine Abhilfe schaffen.
Ausblick: Digitale Zukunft der Arztpraxis
Die Studie demonstriert, wie KI-Anwendungen im Gesundheitswesen praxisnah umgesetzt werden können. Aufbauend auf den Ergebnissen soll dieser Ansatz künftig auch auf andere Fachrichtungen übertragen werden. Besonders spannend: eine mögliche Trennung von Warte- und Behandlungszeiten, um noch präzisere Planungen zu ermöglichen.
Langfristig könnten solche KI-Systeme in bestehende Praxissoftware integriert werden, z.B. als intelligentes Werkzeug, das Ärztinnen und Ärzte entlastet und Patientinnen und Patienten eine verlässliche Orientierung bietet.
