Ein hierarchisches konformes Rahmenwerk zur unsicherheitsbewussten Vorhersage der Aufenthaltsdauer in Multi-Krankenhaus-Umgebungen

Warum Vorhersagen zur Verweildauer im Krankenhaus wichtig sind

Wenn jemand ins Krankenhaus eingeliefert wird, gehört zu den ersten Fragen, die Angehörige und Personal stellen: „Wie lange wird der Aufenthalt dauern?“ Die Antwort betrifft weit mehr als bloße Neugier: Sie beeinflusst die Bettenverfügbarkeit, Dienstpläne, Operationsplanung und sogar die Entscheidung, ob ein Patient sicher nach Hause entlassen werden kann oder zusätzliche Unterstützung benötigt. Dieser Artikel beschreibt eine neue Methode zur Vorhersage der Aufenthaltsdauer, die nicht nur eine einzelne Zahl liefert, sondern auch einen realistischen Bereich, der die Unsicherheit der Prognose widerspiegelt – entscheidend für sichere und effiziente Versorgung.

Die Herausforderung, die Verweildauer vorherzusagen

Die Vorhersage der Aufenthaltsdauer ist schwieriger als es scheint. Krankenhäuser behandeln sehr unterschiedliche Patientengruppen, von Routinefällen bis zu komplexen Notfällen, und ihre Abläufe variieren nach Größe, Trägerschaft, Lehrstatus und Region. Das führt dazu, dass Patienten in Krankenhäusern und Regionen „geclustert“ sind und ihre Ergebnisse nicht unabhängig sind. Viele aktuelle Machine-Learning-Modelle geben zwar eine Bestschätzung aus, liefern aber wenig verlässliche Informationen darüber, wie groß der Fehler sein könnte. Für Klinikleitungen, die überfüllte Stationen oder leere Betten vermeiden müssen, kann das Fehlen dieser Unsicherheitsangaben zu unsicheren Entlassungen, unnötigen Absagen oder verschwenderischen „für den Fall“-Puffern führen.

Kombination zweier Denkansätze zur Unsicherheit

Die Autorinnen und Autoren untersuchten zwei gängige Ansätze zur Erfassung von Unsicherheit und stellten fest, dass jeder für sich gravierende Nachteile hat. Bayessche Methoden modellieren Unsicherheit direkt und können komplexe Strukturen abbilden, etwa Krankenhäuser, die in Regionen verschachtelt sind, doch in der Praxis können ihre Unsicherheitsbereiche übermäßig zuversichtlich sein, wenn Modellannahmen auch nur geringfügig verletzt werden. Konforme Vorhersagemethoden hingegen machen fast keine Annahmen über die Daten und können garantieren, dass ihre Intervalle das wahre Ergebnis mit einer gewählten Wahrscheinlichkeit enthalten, liefern aber meist Intervalle gleicher Breite für alle Patienten und ignorieren damit, wie schwierig oder leicht ein einzelner Fall zu prognostizieren ist. Die Schlüsselfidee dieser Arbeit besteht darin, ein Hybridsystem zu schaffen, das jeden Ansatz dort einsetzt, wo er am besten ist: Bayessche Modellierung zur Einschätzung, welche Patienten mehr oder weniger Unsicherheit haben, und konforme Vorhersage zur Sicherstellung der insgesamt verlässlichen Deckung der Intervalle.

Wie das hybride System in der Praxis funktioniert

Das System beginnt mit einem „hierarchischen Random Forest“, einem baumbasierten Machine-Learning-Modell, das Muster auf drei Ebenen lernt: einzelne Patienten, ihre Krankenhäuser und die größeren Regionen, zu denen diese Krankenhäuser gehören. Aufbauend darauf betrachtet eine Bayessche Schicht die Residualfehler und schätzt ein, wie unsicher jede neue Vorhersage ist, wobei Krankenhaus- und Regionsbesonderheiten berücksichtigt werden. Separat führt ein konformer Kalibrierungsschritt anhand vergangener Vorhersagefehler über Tausende von Patienten hinweg aus, wie breit Intervalle sein müssen, um ein gewünschtes Zuverlässigkeitsniveau zu erreichen – in dieser Studie etwa 95 Prozent. Das Hybridmodell skaliert diese konformen Anpassungen dann für Fälle hoch, die die Bayesschicht als risikoreich einstuft, und runter für Fälle, die als überschaubar gelten, sodass patientenspezifische Intervalle entstehen, die zugleich vorsichtig und effizient bemessen sind.

Was die Daten zur Leistung sagen

Die Autorinnen und Autoren testeten ihr Rahmenwerk an mehr als 61.000 Krankenhausaufenthalten aus fast 3.800 US-Krankenhäusern in einer nationalen stationären Datenbank. Reine konforme Vorhersage traf das 95‑Prozent‑Ziel nahezu exakt, verwendete aber im Wesentlichen für alle dieselben breiten Intervalle. Eine rein bayessche Ergänzung erzeugte sehr schmale Intervalle, erfasste das tatsächliche Aufenthaltsdauer-Ergebnis jedoch nur in rund 14 Prozent der Fälle – weit zu wenig für einen sicheren Einsatz. Der hybride Ansatz kam dem Ziel nahe und deckte etwa 94,3 Prozent der Fälle ab, verkleinerte gleichzeitig das durchschnittliche Intervall moderat und verteilte die Breite neu: etwa 21 Prozent schmalere Intervalle für die am wenigsten unsicheren Patienten und etwa 6 Prozent breitere für die unsichersten. Diese adaptiven Intervalle blieben über verschiedene Krankenhausarten hinweg stabil und auch beim Test an vollständig unbekannten Einrichtungen.

Was das für Patienten und Krankenhäuser bedeutet

Für Nichtfachleute ist die wesentliche Erkenntnis, dass diese Methode Black‑Box‑Vorhersagen in Werkzeuge mit verständlichen und vertrauenswürdigen Fehlerspannen verwandelt. Anstelle einer unsicheren Einzelzahl erhalten Krankenhäuser Intervalle, die statistisch abgesichert sind und sich nach der Schwierigkeit des Falls richten: enger bei Routinepatienten, weiter bei denen, die Überraschungen bereiten könnten. Das erleichtert eine realistische Planung von Betten und Personal und macht deutlich, welche Patienten besondere Aufmerksamkeit und Notfallplanung benötigen. Zwar sind die hier dargestellten Intervalle in Kalendertagen noch recht breit, doch das Rahmenwerk zeigt, wie sorgfältige Statistik Krankenhäuser von Schätzungen hin zu verlässlicheren, unsicherheitsbewussten Entscheidungen führen kann, die sowohl Sicherheit als auch Effizienz fördern.

Zitation: Shahbazi, M.A., Baheri, A. & Azadeh-Fard, N. A hierarchical conformal framework for uncertainty-aware length of stay prediction in multi-hospital settings. Sci Rep 16, 6564 (2026). https://doi.org/10.1038/s41598-026-37450-w

Schlüsselwörter: Krankenhausaufenthaltsdauer, Unsicherheitsquantifizierung, konforme Vorhersage, Bayessche Modellierung, Healthcare-Analytik