Fachgruppe für Methoden und Evaluation - Universität Bamberg

Mi., 21.09., Anwendungsorientierte methodische Forschung I, 16.10-
16.30 Uhr, Kapelle M3/126N (K)
Itemselektion in komplexen Zusammenhängen
Winfried Zinn
Hochschule für Gesundheit
und Sport
Vulkanstraße 1
10365 Berlin
Winfried.Zinn@my-campus-berlin.com
Die Vergütung von Psychiatriepatienten erfolgt aktuell über
tagesgleiche Pauschalen. Aufgrund politischer Entscheidungen
soll ein leistungsorientiertes Vergütungssystem
entwickelt werden. Ca. 80% aller Kosten in der Psychiatrie
entstehen durch Personaleinsatz. Die durchgeführte Studie
soll Hinweise geben, welche patientengebundene Indikatoren
Einfluss auf den patientenspezifischen Zeitverbrauch
haben. In einem Psychiatrischen Krankenhaus wurde dafür
auf zwei Akutstationen mittels mobiler Erfassungsgeräte
über einen Zeitraum von 5 Wochen Daten erfasst (wer hat
bei welchem Patienten welche Tätigkeit wie lange durchgeführt?)
In der Studie wurden bei 109 Patienten an 659 Tagen
Tätigkeiten erfasst. Dabei wurden insgesamt 4343
Stunden an Tätigkeiten mit insgesamt 8321 Einzelaktionen
durch Pflegekräfte und Ärzte aufgezeichnet. Darüber hinaus
erfolgte retrospektiv eine Erfassung von tagesbezogenen
Patientenmerkmalen, die teilweise zu unterschiedlichen
Scores zusammengefasst wurden. Die Aufgabenstellung
in dieser Studie stellte besondere Anforderungen an
die statistischen Auswertverfahren. Es gab 266 potentielle
Einflussfaktoren auf die Zielvariable (der direkt am Patienten
zugeordneten Zeit). Als erster Schritt war deshalb eine
Itemselektion notwendig, die diese Rahmenbedingungen
bewältigen kann. Die Wahl fiel auf die Verfahren random
forrest und Boosting. Diese Verfahren erlauben es, in einer
nachvollziehbaren Weise Einflussfaktoren zu identifizieren,
die substantiellen Einfluss auf die Zielvariable haben. Die
Auswertung erfolgte mittels R und es wurden die Prozeduren
Cforest (Strobl, Malley, & Tutz, 2009) (Hastie, Tibshirani,
& Friedman, 2008), GLM und GBM (Hastie, Tibshirani,
& Friedman, 2008) (Bühlmann & Hothorn, 2009) verwendet.
Bühlmann, P., & Hothorn, T. (2009). Twin Boosting: improved
feature selection and prediction.
Hastie, T., Tibshirani, R., & Friedman, J. (2008). The elements of
statistical learning. Kap 10 & 15
Strobl, C., Malley, J., & Tutz, G. (2009). An Introduction to
Recursive Partitioning.
40