Thema5031

Process Mining im Krankenhausbetrieb - Anwendungsfall Patientenlogistik (Simulation/ Machine Learning Models)

Informationen zur Arbeit

Abschlussarbeitstyp: Master
Betreuer: Tobias Kropp (TMB), Clemens Schreiber, Andreas Oberweis
Forschungsgruppe: Betriebliche Informationssysteme
Partner: Kunibert Lennerts (TMB)
Archivierungsnummer: 5031
Abschlussarbeitsstatus: Offen
Beginn: 14. April 2023
Abgabe: unbekannt

Weitere Informationen

Process Mining ist eine junge, analytische Disziplin zum Erkennen, Überwachen und Verbessern realer Geschäftsprozesse (d. h. nicht angenommener Prozesse). Dabei wird Wissen aus Ereignisprotokollen extrahiert, die in heutigen Informationssystemen (zur Unterstützung eingesetzte Software) verfügbar sind. Im Allgemeinen kann man Process Mining als Brücke zwischen Daten- und Prozesswissenschaften verstehen (vgl. van der Aalst, W.: Process Mining: Data Science in Action, 2016, S. 16). Im Gesungheitswesen werden komplexe und individuelle Aufgaben ausgeführt. Zugehörige Prozesse stellen die Anwendbarkeit von Process Mining-Methoden vor große Herausforderungen.

Überall dort, wo prozessbezogene Daten anfallen, bieten sich Process Mining Analysen an. Vor allem im Krankenhausbetrieb gibt es definierte Abläufe, die mit Hilfe von Prozessdaten validiert und optimiert werden können. Da jedoch die Anwendung von Process Mining in diesem Bereich noch wenig erprobt ist, gilt es pilotmäßige Use-Cases anhand ausgewählter FM-Prozesse im Krankenhaus schaffen.

Aufgabenstellung

- Literaturrecherche: Welche Simulationsmethoden oder Machine Learning Ansätze sind geeignet um auf Grundlage prozessbezogener Daten (Event-Logs) Szenarioanalysen zur Prozessoptimierung durchzuführen?

- Daten-Input (schon vorhanden): Prozessdaten in Form von Event-Logs, die die Patientenlogistik in einem Klinikum über mehrere Jahre darstellen

- Ist-Analysen sind z.T. vorhanden und sollen verbessert/erweitert werden um Bottlenecks im Prozess und Problemfaktoren zu identifizieren

- Anhand von z.B. System Dynamics (SD), Discrete Event Simulation (DES) oder mittels Machine Learning sollen durch die Veränderung von Parametern unterschiedliche Szenarien simuliert und mit den historischen Daten verglichen werden um die bestmöglichen Rahmenbedingungen im Praxisbetrieb vorschlagen zu können

- Kritische Würdigung der Untersuchungsresultate (Vor-/Nachteile ggü. anderen Herangehensweisen und Einschränkungen)

- Datenaufbereitung mittels Python/R/andere Programmiersprache ist vermutlich erforderlich

Bei Interesse an der Masterarbeit melden Sie sich gerne bei: https://www.tmb.kit.edu/FM_Mitarbeiter_5441.php