KI und die schwierigen Probleme der Welt · Medizin & Wirkstoffforschung · arXiv · 2026-10-23
Mindern ML-gestützte proaktive Full-Capacity-Protokolle die Überfüllung von Notaufnahmen? Eine simulationsbasierte Evaluierung
Originaltitel: Do Machine Learning-Guided Proactive Full Capacity Protocols Mitigate Emergency Department Overcrowding? A Simulation-Based Evaluation
Die Studie untersucht, ob maschinelles Lernen Full-Capacity-Protokolle in Notaufnahmen auslösen kann, bevor sich eine Überfüllung aufbaut, statt erst nach Überschreiten von Schwellenwerten. In einer an einem großen US-Krankenhaus kalibrierten Simulation steuerte ein Modell, das die Überfüllung des Wartebereichs sechs Stunden im Voraus vorhersagt, eine proaktive Aktivierung, verglichen mit einer reaktiven Aktivierung über 365 Tage und 10 Replikationen. Die proaktive Aktivierung verringerte die Zeit über dem Überfüllungsschwellenwert und die Protokolldauer signifikant sowie die Variabilität der Überfüllung und extreme Überlastung, während die Unterschiede bei Verweildauer und Wartezeit statistisch nicht signifikant waren.