Ein vergleichende Bewertung von Zeitreihenmodellen zur Vorhersage von stationären Todesfällen und Entlassungen gegen ärztlichen Rat

Warum Krankenhauszahlen wichtig sind

Wenn wir ein Krankenhaus betreten, vertrauen wir darauf, dass Ärztinnen, Ärzte und Pflegekräfte alles tun, um uns zu schützen. Zwei Warnsignale dafür, dass etwas schieflaufen könnte, sind, wie viele Patientinnen und Patienten im Krankenhaus sterben und wie viele gegen den ärztlichen Rat entlassen werden — also trotz eines ärztlichen Bleibeverrats freiwillig gehen. Diese Zahlen einige Monate im Voraus vorhersagen zu können, hilft Krankenhäusern, Probleme früh zu erkennen, genügend Personal und Betten bereitzustellen und die Versorgung zu verbessern, bevor sich Schwierigkeiten verschärfen.

Zwei Krankenhäuser, zwei Warnsignale

Die Studie konzentrierte sich auf zwei große Überweisungszentren in verschiedenen Regionen Chinas. Für jedes Krankenhaus verfolgten die Forschenden von 2018 bis 2024 monatlich zwei zentrale Ergebnisse: stationäre Todesfälle (Patienten, die während des Aufenthalts verstarben) und Entlassungen gegen ärztlichen Rat (Patienten, die trotz ärztlicher Warnungen vorzeitig gingen). Diese Messgrößen werden häufig als Indikatoren für Versorgungsqualität und Belastung des Systems genutzt. Das Team verzichtete bewusst auf umfangreiche Datenbereinigung oder -anpassung, damit die Vorhersagen die unordentlichen, realen Informationen widerspiegeln, die Krankenhausleitungen tatsächlich sehen.

Vorhersageinstrumente auf dem Prüfstand

Die Autorinnen und Autoren verglichen sechs verschiedene Vorhersageansätze, die in Statistik und künstlicher Intelligenz häufig diskutiert werden. Manche, wie ARIMA und das Grey Model, sind traditionelle statistische Werkzeuge. Andere, etwa NNETAR und LSTM, nutzen neuronale Netze, die versuchen, Muster aus historischen Daten zu lernen. Prophet modelliert Trends und saisonale Schwankungen, etwa regelmäßige Jahreszyklen. Der neueste Kandidat, Chronos, ist ein großes vortrainiertes Modell, das bereits aus umfangreichen Zeitreihenbeständen gelernt hat und mit wenig Anpassung auf neue Probleme angewendet werden kann. Alle sechs Methoden wurden mit Daten von 2018 bis 2023 trainiert und sollten dann vorhersagen, was tatsächlich 2024 geschah; die Genauigkeit wurde danach bewertet, wie sehr die Prognosen von den realen Monatszahlen abwichen.

Was am besten funktionierte — und wann

Für beide Krankenhäuser lieferte Chronos die verlässlichsten Vorhersagen für stationäre Todesfälle. Seine Fehler waren kleiner als die der anderen Ansätze, und statistische Tests bestätigten, dass diese Verbesserungen wahrscheinlich nicht durch Zufall erklärbar sind, insbesondere im Vergleich zu einem verbreiteten Deep-Learning-Modell namens LSTM. Bei Entlassungen gegen ärztlichen Rat war das Bild nuancierter. In dem Krankenhaus, in dem solche Entlassungen häufig und relativ stabil auftraten, erzielte Chronos erneut die besten Ergebnisse. In dem Krankenhaus, in dem solche Entlassungen seltener waren und von Monat zu Monat stark schwankten, lieferte jedoch ein einfacheres neuronales Netz, NNETAR, genauere Vorhersagen als die komplexeren Modelle.

Warum Komplexität nicht immer siegt

Eine auffällige Lehre der Studie ist, dass mehr Komplexität keine Garantie für bessere Prognosen ist. Das LSTM-Modell, theoretisch sehr leistungsfähig, hat viele einstellbare Komponenten und tat sich mit den hier vergleichsweise kleinen Datensätzen schwer; es neigte oft zum Overfitting — es erfasste Rauschen statt echte Muster. Chronos profitierte dagegen von der breiten Erfahrung aus der Vortrainingsphase an anderen Zeitreihen und blieb robust, obwohl jedes Krankenhaus nur wenige Jahre an Daten lieferte. Gleichzeitig zeigt der Erfolg von NNETAR bei den lauteren Entlassungsdaten, dass in manchen Situationen schlankere Modelle mit weniger Annahmen besser mit instabilen, volumenarmen Signalen umgehen können.

Was das für Patientinnen, Patienten und Krankenhäuser bedeutet

Für Nichtfachleute ist die Schlussfolgerung klar: Intelligente Vorhersagewerkzeuge können Krankenhäusern helfen, kritisch vorauszusehen. Indem sie Modelle wählen, die zur Gestalt ihrer Daten passen — vortrainierte Systeme wie Chronos für stabile Indikatoren und einfachere Netze wie NNETAR, wenn Zahlen klein und sprunghaft sind — können Krankenhausleitungen frühere Warnungen bei steigenden Sterbefällen oder plötzlichen Veränderungen bei Entlassungen gegen ärztlichen Rat erhalten. Diese Prognosen sind keine Kristallkugeln, besonders bei kleinen, volatilen Zahlen, aber sie sind nützliche Dashboards. Richtig eingesetzt können sie genauere Überprüfungen von Versorgungspraktiken anstoßen, flexiblere Personal- und Bettensteuerung ermöglichen und schnellere Reaktionen auf aufkommende Probleme fördern — letztlich zugunsten sichererer, verlässlicherer Versorgung für Patientinnen und Patienten.

Zitation: Pang, C., Jiayong, D., Jiang, D. et al. A comparative evaluation of time-series models for forecasting inpatient deaths and discharges against medical advice. Sci Rep 16, 6607 (2026). https://doi.org/10.1038/s41598-026-37913-0

Schlüsselwörter: Krankenhausprognosen, stationäre Sterblichkeit, Entlassung gegen ärztlichen Rat, Zeitreihenmodelle, Versorgungsqualität