Hier sollen die wichtigsten Erkenntnisse aus der bisherigen Arbeit zusammengefasst werden. Insbesondere im Analyseteil zeigt sich oft, dass viele Abbildungen keine ,,Haupterkenntnis`` besitzen, sondern je nach Standpunkt und Interessenlage eine Vielzahl von Detailinformationen liefern. Dies ist ausdrücklich kein Mangel sondern durchaus gewollt. Es macht kaum Sinn diese Details durchzugehen - diese sollten ja gerade durch die Abbildungen akzeptabel dargestellt werden. Das bedeutet, dass Erkenntnisse im Einzelfall auch dann bedeutsam sein können, wenn sie im Schlussteil nicht erwähnt werden.
Effektive Software und Hardware zur Verwaltung von Daten, wie sie bei der Gerätebewirtschaftung anfallen, steht kostengünstig zur Verfügung. Die leichte Verfügbarkeit sollte jedoch nicht mit einer leichten Bedienbarkeit verwechselt werden.
Zum Verwalten von Tabellen ist das Programm Microsoft Excel Standard. Mittlerweile sind auch vergleichbare Programme (z.B. open office) kostenlos verfügbar. Excel besitzt eine intuitive Bedienung und ist weit Verbreitet. Jedoch lassen sich viele bei der Verwaltung von mittelgroßen Datenbeständen notwendigen Tätigkeiten damit kaum durchführen. So ist das notwendige Verknüpfen von Tabellen nur bedingt möglich.
Man kommt also um ein Datenbanksystem nicht herum. In dieser Arbeit wurde hauptsächlich mit Microsoft Access gearbeitet. Die intuitive Bedienung von Access kann jedoch auf Dauer keinen Sachverstand ersetzen - im Gegenteil: wenn die vielen in Access eingebauten Automatismen nicht das gewünschte Ergebnis liefern, ist eine Fehleranalyse oft schwieriger als bei manueller Verarbeitung. So sind in dieser Arbeit die Importassistenten von Access negativ aufgefallen.
Man kommt also ohne Fachpersonal nicht aus. Im Rahmen dieser Arbeit zeigte sich jedoch, dass mit Sachverstand und geeigneter Software Datenbestände sehr effektiv bearbeitet und verwaltet werden können. Fachpersonal ist also nicht bei jeder Standardeingabe erforderlich. Bei Beratungen der Medizinischen Hochschule Hannover, die Geräteinventarisierung betreffend, zeigte sich, dass ein mehrstündiger Test der eingegebenen Daten am Wochenbeginn schließlich ausreicht, um die Daten aus EDV-technischer Sicht zu pflegen. Durch ggf. sogar verschlüsselte Datenkommunikation muss das Fachpersonal nicht vor Ort sein. Eher erfordert eine effektive Kommunikation mit den Bedienern vor Ort eine Anwesenheit des Fachpersonals.
Breite Schulungen können die Abhängigkeit von einer Softwarelösung bedenklich erhöhen. Außerdem ist fraglich, ob das durch Schulungen erzielte Fachwissen reicht, um seltene aber schwierige Probleme zu bewältigen. Auch ist zu bedenken, dass die Mitarbeiter, die Daten eingeben, kein Fachwissen benötigen, und die die Fachwissen haben bei Dateneingaben nicht effizient eingesetzt sind.
Bei der Analyse der Daten herrscht kein Mangel an Analyseverfahren und Möglichkeiten diese durchzuführen sondern eher ein Überangebot. Dies führt dazu, dass nicht das Durchführen einer Analyse schwierig ist sondern die Auswahl des Analyseverfahrens.
In dieser Arbeit stellte sich heraus, dass dem Versuch, durch aufwendige Analysen sichere Schlussfolgerungen auch bei fehlerbehafteter Daten zu ziehen, Grenzen gesetzt sind. Im Bereich von Gerätebewirtschaftungsdaten ist die Wahrscheinlichkeit systematischer Fehler recht hoch - und diese Fehler sind im Nachhinein durch Analysen kaum zu kompensieren.
Statt auf komplexe Analysen zu setzen, sollten Fehler beim Datengenerierungs- und -verarbeitungsprozess vermieden werden - hier zahlt sich ein erhöhter Aufwand in jedem Fall aus.
Die Methoden des Data Mining zeigen recht deutlich, dass beim Gewinnen von Informationen aus großen Datenbeständen die Hauptarbeit nicht in Auswahl und Anwenden der Analysen besteht sondern bei der Datenvorbereitung. Mehr noch: auch eine Prüfung der Ergebnisse und sogar der Aufgabenstellung ist wesentlicher Bestandteil des Ablaufes.
Ist die Aufgabenstellung nicht schon beim Datengenerierungsprozess vor Augen, so läuft man Gefahr, dass die gewonnen Daten am Ende nicht die Fragestellung beantworten können. Zwar ist man auch so nicht grundsätzlich vor Problemen geschützt, jedoch können ärgerliche Verfahrensfehler minimiert werden.
Auch die erforderliche Qualität der Ergebnisse sollte möglichst früh festgelegt werden: genügen wage Hinweise oder sind genaue Aussage nötig, welche Irrtumswahrscheinlichkeiten sind akzeptabel.
Oft ist es gar nicht möglich, die Daten mit der gewünschten Genauigkeit zu erfassen. Dann kann es durchaus sinnvoll sein, einen ganz anderen Weg zu gehen, als an einer Datenerfassung festzuhalten, die nicht in der Lage ist, die gestellten Fragen zu beantworten. Dies können z.B. Bereiche sein, in denen Informationen schlecht zugänglich sind (z.B. Daten über den Geräteeinsatz oder Daten externer Dienstleister).
Es ist auch denkbar, dass Entscheidungen nur zum Teil auf Basis der vorliegenden Daten getroffen werden und eher von externen, wie z.B. politischen oder juristischen, Sachverhalten beeinflusst werden. In solchen Fällen sollten ungenaue Informationen ausreichen, weil die Entscheidungen hauptsächlich durch andere Faktoren bestimmt sind.
Bei Geräten, die mehrmals in ihrem Leben ausfallen können (weil sie danach wieder instandgesetzt werden), sind die Ermittlungen von MTBF und der zeitlichen Ausfallrate nur schwer einheitlich durchführbar. Für die Ermittlung der MTBF muss die Betriebszeit des Gerätes nach einem Ausfall wieder auf Null zurückgesetzt werden. Für die Darstellung der Ausfallrate (die ggf. als Badewannenkurve darzustellen ist) zählt die Betriebszeit jedoch von Inbetriebnahme des Gerätes an (siehe 2.4.3).
Genau genommen treffen auch diese Extreme nicht die Wirklichkeit - es liegt eine Mischung von beidem vor. Auch nach einer Instandsetzung ist davon auszugehen, dass das Gerät nicht wieder in einen Neuzustand versetzt wurde - das Gerät hat also ein Gedächtnis. Das zurückstellen der Uhr auf Null nach einer Instandsetzung für die Berechnung der MTBF ist also nicht ganz korrekt, denn das bedeutet, das Gerät startet wieder fabrikneu.
Die einschlägigen Darstellungen (z.B. [7]) gehen nicht von einem so komplexen Fall von Geräten mit Gedächtnis aus, die mehrmals ausfallen können. Modelle, die dies berücksichtigen ([18] Seite 109ff) werden sehr schnell so komplex, dass sie in dieser Arbeit - auch wegen der fraglichen Datenqualität - nicht zur Anwendung kommen.
Analysen des Gerätelebenslaufes von instandsetzbaren Geräten mit Gedächtnis können bei nicht exzellenter Datenqualität kaum über die reine Beschreibung des Verhaltens hinausgehen. Modelle, die auch Aussagen über Wirkzusammenhänge zulassen stellen aufgrund ihrer Komplexität sehr hohe Anforderungen an die Daten.
Gerade bei der Darstellung von Kreuztabellen als Balkendiagramme sind die Variationsmöglichkeiten immens (siehe 2.5.2). Eine ungünstige Wahl der Darstellung muss nicht gleich zu einer Fehlinterpretation führen - jedoch kann das Erkennen wertvoller Informationen sehr erschwert werden. Auch eine übersichtliche Darstellung hierarchisch geordneter Kategorien, die sehr unterschiedlich besetzt sind, wie bei Treemaps, ergibt sich nicht von alleine.
Doch auch hier gilt wie bei den Analysen: auch noch so viel Aufwand vermag nicht mehr Informationen aus den Zahlen herauszuholen, als in ihnen steckt.
Die in dieser Arbeit verwendeten Algorithmen zur Darstellungsverbesserung (siehe 2.5) können ohne weitere Anforderungen an die Daten in leicht nachvollziehbarer Art und Weise die Aussagekraft der Abbildungen erhöhen. Leider sind bis jetzt keine Möglichkeiten realisiert, dies mit Standardanwendungen, wie z.B. Excel, automatisiert durchzuführen. Viele Anwendungen bieten aber durchaus die Möglichkeit zu solchen Erweiterungen.
Im Abschnitt 2.2.6 wurden einige Anforderungen an Data Mining Ergebnisse aufgezählt. Nach den nun durchgeführten Analysen ergibt sich in Hinblick auf die Gerätebewirtschaftung ein etwas detailliertes Bild.
Es wurden Validität und Neuheitsgrad als notwendige Kriterien für Ergebnisse aufgeführt. Bei den Analysen dieser Arbeit zeigte sich jedoch, dass diese Begriffe oft miteinander verknüpft sind. Neue Erkenntnisse besitzen nur selten sofort eine hohe Validität. Andererseits können auch schon bekannte Ergebnisse die Validität älterer Analysen erhöhen und sind damit nicht ganz überflüssig.
Als weiteres Kriterium wurde Kompaktheit / Verständlichkeit genannt. Nach den hier gemachten Erfahrungen gewinnt diese Bedingung erst an Bedeutung, wenn sie über die triviale Forderung, keine unverständlichen Ergebnisse zu erzeugen, hinausgeht, indem diese Forderung auch für die Analyse selbst erhoben wird. Nicht nur das Ergebnis selbst muss verständlich sein, auch der Weg zu diesem muss eine Minimum an Transparenz besitzen, sonst ist der Wert der Ergebnisse sehr eingeschränkt. Diese Einschränkung ist um so größer, je unsicherer die analysierten Daten sind.
Diese Forderung besitzt eine nicht zu unterschätzende Brisanz:
sehr komplizierte Analysen scheiden damit praktisch aus -
zumindest teilweise. An einem Gegenbeispiel sei dies erläutert:
ein Taschenrechner liefert sehr wertvolle Ergebnisse auch für
jemanden, der die Rechenoperationen, die er im Hintergrund
ausführt, nicht kennt. Der numerische Wert von 
kann
auch für jemanden sehr hilfreich sein, der nicht weiß, wie der
Taschenrechner den Wert bestimmt. Solange es nur um Zahlen geht,
ist die Sache unproblematisch. Sobald man aber von den rein
numerischen Quantitäten zu Qualitäten übergeht, z.B. von
zu Seitenlänge einer Fläche von 10 Flächeneinheiten,
muss man wissen, was man rechnet. Der Taschenrechner kann eine
Black Box sein, die Rechnung, die auf ihm durchgeführt wird, muss
jedoch transparent sein. So besteht zumindest die Chance, einen
etwaigen Fehler aufzudecken. Übertragen auf das Data Mining in
dieser Arbeit heißt das, dass das Datenbanksystem (der
Taschenrechner) im Detail unverstanden sein kann und damit sehr
kompliziert, die darauf durchgeführten Analysen (die Rechnungen)
jedoch sehr wohl verstanden werden müssen. Die Meinung, dass es
reicht, nur die Ergebnisse zu verstehen und nicht die Analyse,
wird hier nicht geteilt.
Schließlich sei noch die Nützlichkeit als Kriterium für Erkenntnisse aufgeführt. Nützlichkeit kann nur mit Rücksicht auf den Nutzer bewertet werden. In der Gerätebewirtschaftung von Medizintechnik sind drei Erkenntnisverwerter denkbar:
. Typische Fragestellung: Ausmustern oder noch mal
instandsetzen?
. Typische Fragestellung: Welche
mittlere Nutzungszeit ist in Hinblick auf anfallende Kosten
optimal?
. Typische
Fragestellung: Ist eine Änderung der Nutzungszeit zur
Kostenreduzierung im Vergleich zu anderen Änderungen überhaupt
relevant?
Der Schwerpunkt der Analysen in dieser Arbeit dienen dem Taktiker. Die Assoziationsanalysen von Koinzidenzen (siehe 4.6.1) sind eher für den Strategen von Bedeutung.
Das Ziel dieser Arbeit könnte man damit umschreiben, dass zwischen verschiedenen Bereichen versucht wird, eine Brücke zu schlagen. Der eine Bereich ist die Gerätebewirtschaftung mit ihren Fragestellungen in Hinblick auf Effizienz (siehe 1.3). Auf der anderen Seite sind die Datenbestände und ihre Verarbeitungsmethoden (siehe 2.2).
Um eine Brücke zu schlagen, kann man nun einerseits die Daten an die Fragestellungen der Gerätebewirtschaftung anpassen oder aber man passt die Fragestellungen an die Daten an. Beide Varianten haben Vor- und Nachteile.
Aus Sicht des Betreibers ist die Marschrichtung klar: er hat akut Entscheidungen zu treffen und erwartet für seine Fragestellungen zumindest Entscheidungshilfen. Es geht um relevante Informationen. Häufig jedoch erkauft man sich Relevanz durch einen Verlust an Validität. Die meisten relevanten Fragestellungen können nicht direkt aus den Daten ermittelt werden (z.B. sind die Daten unvollständig oder unzureichend normiert). Aus diesem Grund müssen die Daten oft ,,interpretiert`` werden, was die Wahrscheinlichkeit von insbesondere systematischen Fehlern erhöht und damit die Validität der gefunden Informationen vermindert.
Aus Sicht des ,,Data Miners`` geht der Weg von den Daten aus und soll zu validen Informationen führen - die Relevanz für etwaige Fragestellungen spielt prinzipiell keine so zentrale Rolle. Dabei kann es durchaus passieren das auf Grund der Daten relevante Fragestellungen - insbesondere für den Betreiber von medizin-technischen Geräten - nicht beantwortet werden können.
Eine Überbewertung des ersten Weges, beruht oft darauf, dass die fehlende Validität relevanter Ergebnisse viel schwerer zu entdecken ist als die fehlende Relevanz valider Ergebnisse. Außerdem ist die Wahrscheinlichkeit, dass irrelevante aber valide Informationen vielleicht in Zukunft relevant werden, wesentlich höher, als dass relevante aber nicht valide Informationen in Zukunft valide werden. Schließlich stellt noch das Wissen um fehlende Informationen eine deutlich bessere Ausgangsposition in Hinblick auf eine Verbesserung der Situation da, als das Vertrauen auf zweifelhafte Informationen.
Eingeschickt wurden Daten von 5% der angeschriebenen Krankenhäusern. Das sind 38% der eingegangenen Antworten. Nicht in elektronischer Form verfügbar waren Daten von 2.3% aller Krankenhäuser und von 16% der eingegangen Antworten (siehe 3.1.3).
Die Struktur der Daten ist sehr homogen. Die Daten liegen fast ausschließlich in Form von Tabellen vor und können nahezu verlustfrei in Textdateien umgewandelt werden. In Zeiten von allgegenwärtigen Multimedia- und XML-Metaformaten ist das durchaus bemerkenswert (siehe 3.1.4).
Auch wenn es nur ein technisches Detail ist: Sonderzeichen in den Textdateien erschweren die Verarbeitung (siehe 3.2.1). Alle nötigen Informationen können ohne Sonderzeichen transportiert werden. Sonderzeichen sind somit überflüssig - damit auch insbesondere Formatierungen in den Datenfeldern (siehe 3.2.2 und 3.4.2).
Der Syntax der Daten ist sehr inhomogen. Oft ist der Syntax der Daten vielfältiger als die dahinter liegende Semantik es erfordert. Zum Beispiel gibt es wesentlich mehr Gerätebeschreibungen in den Datenbanken als verschiedene Gerätetypen, die mit den Datenbanken verwaltet werden (siehe 3.3.2, 4.7.1 und 4.7.2).
Zellen, die gemischte Informationen enthalten (wie z.B. Gerätebezeichnung und Seriennummer) erschweren die Analyse und sogar die Verwaltung der Daten. Solche Zellen lassen sich leicht aus Zellen mit ,,atomaren`` Informationen gewinnen - umgekehrt ist die automatische Trennung der Information meist schwieriger (siehe Tabelle 3.2).
Die notwendige Homogenisierung des Syntax - die Normierung - kostet sehr viel Zeit. Selbst, wenn die Möglichkeit einer teilweisen Automatisierung dieses Prozesses bestehen sollte, so werden der dadurch zu erwartenden Zeitgewinn durch die erforderliche Entwicklungs- und Implementationszeit geschmälert.
Zum Identifizieren von wichtigen Zeichenketten in großen Textmengen hat sich ein Algorithmus mit Häufigkeitsdifferenzen von Teilzeichenketten bewährt (siehe 3.5.2). Suchalgorithmen auf Basis von Trigrammen eignen sich sehr gut, um unscharf nach Teilzeichenketten zu suchen. Dies wird z.B. erforderlich, wenn man bestehende Begriffskataloge auf nicht normierte Daten anwenden möchte.
Bestehende Begriffskataloge haben meist den Vorteil, dass sie vollständig und gut strukturiert sind. Beim Anwenden dieser Kataloge auf die nicht normierten Daten steht man aber oft vor dem Problem, dass diese externen Kataloge nicht die vorhandenen Daten effektiv abbilden können. Das bedeutet, dass viele Begriffe sehr selten benutzt werden und wenige sehr häufig.
Begriffskataloge, die man durch Finden von interessanten Teilzeichenketten gebildet hat, weisen dieses Problem meist nicht so deutlich auf. Dafür sind die so gewonnen Kataloge meist weder vollständig noch gut strukturierbar.
Eine vollständige Normierung der Daten scheitert oft an der verfügbaren Zeit aber auch nicht zuletzt an dem Willen und der Möglichkeit für jeden Einzelfall eine Zuordnung zu finden oder zu schaffen. Man wird im Normalfall also nur einen Teil der Daten normalisieren. Welchen Teil soll man wählen? Wer z.B. nur nach der Häufigkeit von Geräten seine Schwerpunkte auswählt, kann bei einer Betrachtung von Kaufpreisen sehr ineffektiv vorgegangen sein. Die Wahl der Beschränkung sollte also mit Bedacht erfolgen und ist manchmal nur mit großen Einbußen an Normierungsqualität möglich.
Schon an diesen Beispielen erkennt man kann, dass eine Normierung immer nur ein Kompromiss zwischen vielfältigen Anforderungen sein kann. Sie ist selten ein Ergebnis einer gradlinigen Entwicklung. Darüber hinaus hängt eine gute Normierung von den Daten ab, d.h. wenn die Daten sich ändern, muss sich ggf. auch die Normierung ändern.
Wichtige Größen sind nicht erfasst (siehe 3.3.3 und 4.1.1). Die Datenbanken spiegeln hauptsächlich nur wieder, was die Geräte dem Betreiber kosten und nicht, was sie ihm nützen. Ohne diese Informationen ist die Bewirtschaftung nur sehr eingeschränkt an Hand der Daten optimierbar.
Um den Eingabeaufwand nicht zu erhöhen, wäre zu überlegen, ob schlecht erfasste Merkmale (z.B. ,,ortsfest``) zugunsten einer besseren Erfassung wichtiger Merkmale (z.B. ,,Betriebsstunden``) ganz aus der Datenbank entfernt werden sollen.
Sehr viele der Datenbanken bieten für jeden Geräte- oder Maßnahmedatensatz ein Freitextfeld ,,Bemerkung`` an. Obwohl ein solches Feld bei den Nutzern, die etwas in die Datenbank eingeben, beliebter sein dürfte, als bei denen, die etwas aus der Datenbank herausholen möchten, ist ein solches Feld wichtig. Hier ist ein Auffangbecken für Informationen, die sonst nicht abgelegt werden konnten. Zwar sind die Informationen in den Bemerkungsfeldern nur sehr schwach strukturiert, aber die Alternative, dass diese Informationen gar nicht in der Datenbank abgelegt werden, scheint nicht akzeptabel. Immerhin kann dieses Feld bei gelegentlicher Prüfung Hinweise geben, welches Merkmal neu hinzugenommen werden könnte oder welches Merkmal überarbeitungsbedürftig ist.
Keine Eingabe ist besser als eine automatisch erzeugte aber mit hoher Wahrscheinlichkeit falsche Eingabe. Viele Kaufpreise lauten Null Euro. Die wenigen Fälle, in denen diese Angabe Sinn macht, sind leider im Nachhinein nicht mehr von denen zu unterscheiden, bei denen dies nicht der Fall ist. Abfragen, die unerwünschte Eingaben zurückweisen und damit den Nutzer zwingen irgendetwas einzugeben, scheinen die Situation nur zu verschlimmern.
Hochwertige und nützliche Daten liegen oft extern vor. Geräteinformationen müssen beim Aufbau einer Datenbank nicht unbedingt mühevoll eingepflegt werden. Denn mit Sicherheit sind diese Daten beim Hersteller abrufbar. Weitere Datenquellen sind für Informationen externer Dienstleister über durchgeführte Maßnahmen und Normungsinstitutionen für Begriffskataloge (z.B. DIMDI).
Auch interne Datenquellen, wie z.B. die Personalabteilung für Informationen über die Arbeitszeit oder Belegungspläne der Stationen über die Auslastung der Geräte, könnten gewinnbringend in die Datenbanken integriert werden. Informationen, die oft übergangen werden, sind Daten in Papierform und implizites Wissen der Mitarbeiter.
Nicht immer lohnt der hohe, zu erwartende Aufwand einer Integration solcher Daten. Vergessen werden darf allerdings nicht, dass ggf. auch andere Abteilungen von der EDV-technischen Erfassung solcher Informationen profitieren würden und so auf lange Sicht Synergieeffekte zu erwarten sind. Diese Überlegungen werden in Zukunft eher an Bedeutung gewinnen.
Hier soll betont werden, dass die bei den Analysen immer wieder in Erscheinung getretenen Datenfehler und Datenlücken nicht ausschließlich bei der Datengenerierung entstanden sind. Es muss vielmehr davon ausgegangen werden, dass viele Informationen der Daten in einem nicht ohne weiteres entschlüsselbaren Format abgelegt wurden und damit nicht oder nur fehlerhaft ausgewertet werden konnten. Ein Teil der Fehler ist also auch auf die in dieser Arbeit durchgeführten Import- und Vorbereitungsprozesse der Daten zurückzuführen.
Zum Beispiel ist es denkbar, dass Informationen über Haupt- und Untergeräte in den Identifikationsnummern hinterlegt sind. Um solche undokumentierten Informationen zu nutzen, müssen entweder auf anderen Kanälen Informationen beschafft werden oder die Daten müssen sehr genau analysiert werden. Die letzte Möglichkeit fällt aus zeitlichen Gründen weg. Die erste Möglichkeit wurde auch nicht gewählt, da sie sich schnell als ,,Fass ohne Boden`` herausstellen würde. Stichproben haben gezeigt, dass die Betreiber zusätzlich zu den Datenbanken über eine Menge relevanter Informationen verfügen, deren Integration auch den Rahmen dieser Arbeit sprengen würde. Das sind dann Informationen wie z.B.: ,,Fremdleistungen an Geräten des Herstellers XYZ erkennt man bis zum Jahr 1993 immer an der fehlenden Kostenstellennummer...``.
Durch Weglassen dieser Informationen werden zwar teilweise wichtige Informationen übergangen, aber dieses Vorgehen besitzt auch unübersehbare Vorteile.
Die Daten sind zeitlich nicht konstant erfasst (siehe Abbildungen 4.17 und 4.39). Damit verlieren Untersuchungen von absoluten Größen über der Zeit ihren Sinn: untersucht man die Veränderung der erfassten Größen oder die Änderung der Erfassung dieser Größen?
Durch Verwendung von relativen Größen ist nur nur ansatzweise möglich, diesen Fehler zu beseitigen (siehe Abschnitt 4.1.2).
Bei den statistischen Tests wird die Nullhypothese (Gleichverteilung) oft mit überwältigender Deutlichkeit abgelehnt. Gewöhnlich ist das ein erfreuliches Ergebnis, denn dies zeigt, dass die Daten etwas mehr als nur Rauschen zeigen. Bei Betrachtung vieler Darstellungen kommt aber dennoch der Eindruck auf, sie machen eine sehr irregulären, verrauschten Eindruck.
Dabei fällt auf, dass im Allgemeinen die Irregularitäten von den Gerätezahlen über den Maßnahmenzahlen bis zu den Kostensummen immer mehr zunehmen (siehe Abbildungen 4.4, 4.18 und 4.24). Das stärkere Rauschen der Maßnahmenzahlen gegenüber den Gerätezahlen kann man sich folgendermaßen erklären. Die Gerätezahlen sind gleich den Maßnahmenzahlen, wenn für jedes Gerät eine Maßnahme vorliegt. Die Anzahl der Maßnahmen pro Gerät variiert jedoch, und damit kommt zur Variation der Maßnahmenzahlen noch die Variation der Gerätezahl hinzu.
Genauso kann man auch bei der Zunahme des Rauschens bei Kostensummen gegenüber Maßnahmenzahlen argumentieren: die Kostensummen sind gleich den Maßnahmenzahlen, wenn jede Maßnahme 1 kostet. Wieder sind die Kosten pro Maßnahme aber nicht konstant, und diese Variation der Kosten tritt noch zur Variation der Maßnahmenzahl hinzu.
Gewöhnlich ist Rauschen auf zufällige Störeinflüsse zurückzuführen. Statistische Tests können ihre Leistungsfähigkeit nur in Gegenwart von zufälligen Störeinflüssen entfalten. Nicht zufällige Störeinflüsse - so genannte systematische Fehler - werden von den Tests als vermeintlich interessante Zusammenhänge identifiziert.
Die deutliche Ablehnung der Nullhypothese bei gleichzeitigem Fehlen von deutbaren Zusammenhängen ist mit einer gewissen Wahrscheinlichkeit auf systematische Fehler zurückzuführen. Natürlich kann dieser Nachweis nur schwer erbracht werden, denn durch eine unpassende Darstellung der Daten können Zusammenhänge verschleiert werden, die ein statistischer Test aufgedeckt hat. Die teilweise aufwendigen Darstellungsverbesserungen in dieser Arbeit sollen dieses Argument entkräften. Auf der anderen Seite ist das Vorhandensein von systematischen Fehlern bei der Verarbeitung (Import und Normierung) aber auch nicht zuletzt bei der Erfassung nicht auszuschließen.
Was bleibt, ist die Erkenntnis, dass aus fehlerhaften Daten fehlerbehaftete Schlussfolgerungen gezogen werden. Dass sich diese Fehler bei Untersuchung einer ausreichend großen Zahl von Betrachtungseinheiten zumindest teilweise herausmitteln, hat sich nicht in dem erhofften Maße gezeigt.
Die schwache Korrelation von Geräte und Bettenzahl der Krankenhäuser deutet auf neben einer ungleichmäßigen Erfassung auch auf eine nicht einheitliche Behandlung von Haupt- und Untergeräten hin (siehe Abbildung 4.1). Versuche, dies zu vereinheitlichen, werden immer mit Willkür behaftet sein. Auf diesem Weg ist das Problem also nur schwer lösbar. Auf Möglichkeiten, das Problem abzuschwächen, wird im Folgenden noch eingegangen.
Ähnlich dem Problem bei Haupt- und Untergeräten können auch Maßnahmen z.B. durch Wartungsverträge zusammengefasst werden. Eine solche Zusammenfassung führt natürlich zu sehr hohen Kosten je vermeintlicher Maßnahme und Verlust differenzierter Informationen.
Kennzahlen sollen verteilte Informationen prägnant zusammenfassen (siehe 4.1.3). Gegenüber von Datenfehlern soll diese Zusammenfassung weitestgehend unempfindlich (robust) sein.
Datenfehler ergeben sich z.B. aus der unstetigen Erfassung oder auch durch nicht einheitliche Zusammenfassung von Geräten und Maßnahmen. Unter gewissen Bedingungen sind relative Größen gegenüber diesen Datenfehlern robust. Aus diesem Grund bieten sich relative Größen an, wie zum Beispiel relative Geräte- und Maßnahmenzahl sowie die relative Kaufpreis- und Kostensumme.
Weiter wichtige Kennzahlen - jedoch nicht so robust - sind durchschnittlicher Kaufpreis pro Gerät und durchschnittliche Kosten pro Maßnahme sowie MTBF und Maßnahmen pro Jahr und Gerät.
Um mit möglichst wenig Aufwand Einsparungen zu erzielen, kann es sinnvoll sein, sich zunächst auf die Gerätegruppen zu konzentrieren, die
Einen optischen Überblick über die möglichen Schwerpunkte bieten die Abbildungen 4.5, 4.6, 4.9, 4.10, 4.19, 4.20,4.25 und 4.26. Tabellen finden sich dazu in Anhang D.
Unabhängig von der Krankenhausart zeigt sich, dass etwa die teuersten 20% der MT-Geräte 80% aller Kaufpreise ausmachen. Damit gilt auch umgekehrt: die günstigsten 80% der Geräte machen 20% der Investitionen aus. Insbesondere bei Universitätskliniken schwanken die Kosten je Maßnahme sehr stark (siehe Abbildung 4.11) .
Insgesamt kann die Verteilung der Kaufpreise und Kosten überraschend gut durch log-Normalverteilungen beschrieben werden (siehe Abbildungen 4.13 und 4.32, aber auch E.2) - insbesondere, wenn man bedenkt, dass die Kaufpreise und Kosten keiner inneren Logik unterworfen oder einem Naturgesetz unterworfen sind.
Die Erwartungswerte der ermittelten log-Normalverteilungen sind zwar ungenauer als die auf gewöhnlichem Weg ermittelten Mittelwerte, aber dafür bieten die ermittelten Parameter weitere Informationen über das Zustandekommen des Mittelwertes: wird er durch den Häufungspunkt der Verteilung bestimmt oder ist er aufgrund der Schiefe der Verteilung verschoben (siehe Abschnitt 2.3.1).
Bei den Analysen zeigte sich darüber hinaus die deutliche Tendenz, dass Geräte mit hohem Kaufpreis nicht nur teure Maßnahmen nach sich ziehen, sondern diese auch auffallend häufig sind (siehe Abbildung 4.57). Zu beachten ist dabei jedoch, dass die Häufigkeiten je nach Geräteart um den Faktor 10 schwanken können, die Kosten je Maßnahme jedoch um den Faktor 1000 (siehe z.B. Abbildung 4.55).
Bei vielen Analysen nahmen private Krankenhäuser eine Sonderstellung ein. So werden in privaten Krankenhäusern generell weniger Maßnahmen durchgeführt (siehe Abbildung 4.56). Die Geräte neigen am ehesten zu Spätausfällen (siehe Abbildung 4.51).
Der Häufungspunkt der Kosten je Maßnahme liegt zwar relativ hoch, jedoch ist der Erwartungswert der Kosten durch die geringe Schiefe der Kostenverteilung im Vergleich niedrig (siehe Abbildung 4.33). Das bedeutet, im Vergleich zu anderen Krankenhausarten gibt es bei privaten Krankenhäusern zwar nicht so viele sehr günstige Maßnahmen, aber eben auch nicht so viele sehr teure Maßnahmen. Diese im Vergleich zu den sehr günstigen Maßnahmen sehr seltenen Maßnahmen ziehen jedoch den Mittelwert der Kosten stark nach oben.
Wie schon weiter oben geschrieben wurde, werden in dieser Arbeit Ausfälle in Abhängigkeit der Zeit seit der letzten Maßnahme und in Abhängigkeit der Zeit seit Inbetriebnahme getrennt untersucht.
Untersucht man die Verteilung der Zeiten zwischen Maßnahmen, so überwiegen Frühausfälle, d.h. die Wahrscheinlichkeit, dass es zu einem Ausfall kommt, nimmt mit zunehmender Zeit seit der letzten Maßnahme ab (siehe Abbildung 4.48). Ausnahmen bilden hier die schon genannten Maßnahmen in privaten Kliniken (siehe Abbildung 4.51) und Maßnahmen an Beatmungs- und Narkosegeräten (siehe Abbildung 4.49).
Untersucht man die Verteilung der Zeiten seit Inbetriebnahme des betroffenen Gerätes, so sind die Maßnahmen pro Gerät und Jahr relativ konstant für verschiedene Gerätearten - eine in einschlägiger Literatur ([7] Seite 128) beschriebene ,,Badewannenkurve`` ist in diesem Zusammenhang nicht deutlich zu erkennen (siehe Abbildungen in Anhang F).
Ein Drittel der Maßnahmen fällt innerhalb des 3. bis 5. Betriebsjahres an. An Geräten, die länger als 10 Jahre in Betrieb sind, werden noch 20 % der Maßnahmen durchgeführt (siehe Abbildung 4.40). Der Anteil von Maßnahmen an Stoffaustauschgeräten ist bis zum 10 Betriebsjahr erhöht, der von Vital- / Intensivmedizingeräten in den Betriebsjahren 10 bis 15 und für Chirurgiegeräte ab dem 15. Betriebsjahr auffällig erhöht (siehe Abbildung 4.41).
Für die mit den Maßnahmen verbunden Kosten gilt: 50 % der Kosten fallen in den Betriebsjahren 2 bis 6 an, und 20 % der Kosten verursachen Geräte, die länger als 10 Jahre in Betrieb sind (siehe Abbildung 4.44).
|
In Abbildung 5.1 ist oben die Wartungs- / Instandhaltungsquote und unten die Eigenservicequote über der Betriebszeit dargestellt, die sich aus den Abbildungen 4.46 und 4.47 ergeben. Die Eigenservicequote gibt damit den Anteil der Kosten und nicht der Maßnahmenzahl an. Die Zuordnungen der Kosten zu Wartungen und Instandsetzungen bzw. zu Eigen- und Fremdleistungen sind natürlich mit Fehlern verbunden.
Die Wartungen sind im 7. und ab dem 15. Betriebsjahr gegenüber den Instandsetzungsmaßnahmen verringert. Dies kann darauf zurückzuführen sein, dass ein Teil der Geräte ab dem 7. Jahr nicht mehr gewartet, aber dann auch recht zügig ausgemustert werden. Die Geräte, die länger betrieben werden, werden generell ab dem 15. Betriebsjahr kaum noch gewartet.
Die Eigenservicequote schwankt vom 2. bis zum 17. Betriebsjahr zwischen 10 und 15 %, wobei sie ab dem 10. Jahr etwas abnimmt.
In den Tabellen 5.1 und 5.2 sind die Jahresinstandhaltungs- und Eigenservicequote je MT-Geräte- und MT-Untergeräteart angegeben. Die Eigenservicequoten sind jeweils bezüglich der Maßnahmenzahlen und der mit ihnen verknüften Kosten aufgelistet. Ermittelt wurden diese Zahlen aus den Kaufpreisen aus Abbildungen 4.15 und 4.16, aus den Kosten je Maßnahme und der Maßnahmenzahl pro Jahr und Gerät aus Abbildungen 4.54 und 4.55. Anhand dieser Werte kann die Art der Instandhaltung schnell beurteilt werden. Es sei hier nochmal betont, dass die Zahlen mit Unsicherheiten behaftet sind.
|
In Abbildung 5.2 ist die Jahresinstandhaltungs- und Eigenservicequote (nach Kostenanteilen) für verschiedene Krankenhäuser angegeben. Man erkennt keinen Zusammenhang von Eigenservice- und Jahresinstandhaltungsquote. Ein Minimum bei ca. 65 % - wie in [8] angegeben - kann aufgtrund der vorliegenden Zahlen nicht bestätigt werden.
|
EMTEC-Geräteart
|
Eigenservicequote
|
Jahresinstandhaltungsquote
|
||
|
Anzahl
|
Kosten
|
|||
Stoffaustausch |
75.5 % | 41.5 % | 11.7 % | |
| Infusionsapparate | 77.7 % | 55.6 % | 7.59 % | |
| Absauggeräte | 71.9 % | 37.7 % | 7.66 % | |
| Bluttemperierungsgeräte | 75.3 % | 20.4 % | 3.91 % | |
| Dialyse- und Blutfiltrationsgeräte | 63.2 % | 15.9 % | 17.8 % | |
| Blutzuführungs / -entnahme / -aufarbeitungsgeräte | 18.5 % | 1.51 % | 16.5 % | |
| Patientenüberwachungsgerät | 60.6 % | 27.3 % | 5.91 % | |
| Einzelparametermessung, OP / Intensiv | 64.9 % | 38.1 % | 9.78 % | |
| Personen-Waagen | 47.2 % | 19.0 % | 26.8 % | |
| Beatmungs- und Narkose-Monitore | 30.3 % | 7.78 % | 8.55 % | |
| Patientenüberwachungsgeräte | 91.0 % | 42.5 % | 3.34 % | |
| Kombinationsmonitore / -module | 68.9 % | 9.75 % | 13.3 % | |
| Perinatale Überwachung | 15.7 % | 3.38 % | 12.3 % | |
| Chirurgie / Endoskopie | 60.1 % | 11.9 % | 17.0 % | |
| Patientenuntersuchung,-transport,-lagerung | 92.8 % | 83.6 % | 4.66 % | |
| Endoskope und Zubehör | 30.6 % | 3.07 % | 64.6 % | |
| Leuchten für Untersuchung und Behandlung | 87.7 % | 44.1 % | 5.08 % | |
| HF-, Wärme-, Kälte-Chirurgiegeräte | 62.5 % | 23.3 % | 4.08 % | |
| Operationstische | 38.8 % | 5.57 % | 8.64 % | |
| Decken-& Wandversorg.-und befestigungssysteme | 38.0 % | 1.28 % | 85.4 % | |
| Stühle, medizinisch | 93.4 % | 68.1 % | 9.09 % | |
| Chirurgie-Hilfsgeräte | 78.1 % | 28.6 % | 0.93 % | |
| Lithotripter | 14.3 % | 0.17 % | 1615 % | |
| Vitalfunktion / Intensivmedizin | 32.1 % | 8.66 % | 7.57 % | |
| Beatmung und Narkose, Zusatzgeräte | 67.7 % | 27.3 % | 13.67 % | |
| Inhalations-Narkosegeräte | 11.6 % | 1.69 % | 1.79 % | |
| Beatmungsgeräte | 36.8 % | 12.6 % | 4.97 % | |
| Inkubatoren und Wärmegeräte | 39.1 % | 9.35 % | 10.4 % | |
| Funktionsdiagnostik | 61.3 % | 13.7 % | 16.1 % | |
| Blutdruckmeßgeräte | 52.5 % | 20.4 % | 4.62 % | |
| Temperaturmeßgeräte | 81.4 % | 65.8 % | 30.8 % | |
| Elektrokardiographen | 58.7 % | 12.0 % | 33.6 % | |
| Neurologie-Meßgeräte | 69.6 % | 13.2 % | 9.14 % | |
| Ergometer | 61.5 % | 20.2 % | 21.5 % | |
| Lungenfunktions-Meßgeräte | 51.9 % | 6.11 % | 10.2 % | |
|
EMTEC-Geräteart
|
Eigenservicequote
|
Jahresinstandhaltungsquote
|
||
|
Anzahl
|
Kosten
|
|||
Bildgebendes System |
38.4 % | 2.24 % | 27.1 % | |
| Bildbetrachtungseinrichtungen | 69.1 % | 12.3 % | 88.3 % | |
| Ultraschall-Diagnosegeräte | 49.5 % | 9.29 % | 29.2 % | |
| Röntgen-Aufnahmegeräte | 17.9 % | 0.96 % | 21.4 % | |
| Systemkomponenten, Röntgen | 18.9 % | 0.37 % | 0.41 % | |
| Röntgenfilmentwicklungsmaschinen | 64.1 % | 9.29 % | 240 % | |
| Röntgen-Generatoren | 31.1 % | 1.35 % | 7.59 % | |
| Nuklear-Diagnosegeräte | 3.50 % | 0.74 % | 5.84 % | |
| Therapiegerät (ohne OP-Tech. & Strahlenther.) | 60.9 % | 29.1 % | 6.12 % | |
| Kardiologie-Notfallgeräte | 52.8 % | 24.7 % | 4.51 % | |
| Bestrahlungsgeräte (nicht radiologisch) | 71.9 % | 62.5 % | 11.3 % | |
| Physiotherapiegeräte | 67.1 % | 45.7 % | 3.00 % | |
| Stimulationsgeräte Nerven / Muskeln, Therapie | 43.1 % | 13.6 % | 3.74 % | |
| Elektro-Therapiegeräte | 83.9 % | 65.5 % | 3.53 % | |
| Wärmetherapiegeräte / Diathermiegeräte | 65.7 % | 22.6 % | 49.9 % | |
| Laborgerät | 40.3 % | 8.07 % | 59.9 % | |
| Probenvorbereitung / -aufbereitung / -transport | 71.9 % | 29.8 % | 73.5 % | |
| Mikroskope | 36.6 % | 4.17 % | 19.4 % | |
| Labor-Zentrifugen | 24.1 % | 6.35 % | 9.37 % | |
| Analysatoren, einfach | 31.2 % | 4.08 % | 283 % | |
| Analysatoren, Hämatologie | 49.9 % | 11.9 % | 63.6 % | |
| Apothekengeräte | 42.2 % | 14.9 % | 29.0 % | |
| Photometer | 31.0 % | 1.67 % | 39.1 % | |
| Dosiergeräte | 9.85 % | 2.52 % | 80.6 % | |
| Ausstattung und Zubehör, Labor | 88.2 % | 78.7 % | 931 % | |
| Pathologie- und Histologie-Laborgeräte | 7.35 % | 1.41 % | 11.8 % | |
| Meßgeräte, Einzelmessung, Labor | 73.2 % | 24.9 % | 218 % | |
| Desinfektion, Sterilisation | 85.3 % | 59.3 % | 36.4 % | |
| Sterilisationsgeräte | 88.6 % | 65.2 % | 25.6 % | |
| Desinfektionsgeräte | 69.9 % | 20.6 % | 55.7 % | |
| Fachärztliches Gerät | 65.9 % | 26.8 % | 1.86 % | |
| HNO-Geräte | 29.1 % | 5.02 % | 10.3 % | |
| Ophthalmologische Geräte | 87.2 % | 53.7 % | 11.8 % | |
| Dentaltechnische Geräte | 28.2 % | 4.77 % | 40.7 % | |
Im Abschnitt 4.6.1 werden Assoziationen zwischen Ereignissen untersucht. Assoziationen sind zwar ein notwendiges aber kein hinreichendes Kriterium für kausale Zusammenhänge. Dennoch liefern die Analysen Hinweise auf deutliche Wirkzusammenhänge.
Oft zeigt sich, dass Assoziationen zwischen Ereignissen durch mehrere Verbindungen über Umwege verknüpft sind - mehr noch: es zeichnen sich Gruppen von Ereignissen ab, die untereinander häufig verbunden sind und sog. ,,Cluster`` bilden. Eine Bildung von Clustern kann auf versteckte Merkmale von Betrachtungseinheiten hindeuten, die die Betrachtungseinheiten mit wertvollen Informationen ausstatten können. Zum Beispiel erkennt man in Abbildung 4.6.2 zwei Cluster von Arbeitsbeschreibungen. Hier könnte sich z.B. anbieten, eine organisatorische Trennung einer bisher auf andere Art getrennten Instandhaltung vorzunehmen, da hier Geräte, die zwischen den Einheiten hin und her pendeln, minimiert werden.
Im Abschnitt 4.7.1 wurde für Gerätebezeichnungen ein Stammwortschatz von ca. 100 und für Arbeitsbeschreibungen von ca. 500 bis 1000 Worten ermittelt.
Für Analysen dieser Daten ist es günstig, wenn diese Worte etwa gleichhäufig verteilt sind - d.h. die vielen verschiedenen Worte, die nur selten auftauchen, erschweren die Analysen. In Abschnitt 4.7.2 wurden mit Hilfe der Entropie diese Worthäufigkeitsverteilungen untersucht. Es zeigt sich, dass die Gerätebezeichnungen sich tendenziell schon auf einem guten Weg befinden - d.h. also die Ungleichverteilung der verwendeten Worte abnimmt. Die Verteilung der Arbeitsbeschreibungen verschlechtert sich in dieser Hinsicht sogar leicht - hier ist also insbesondere Handlungsbedarf in Hinblick auf eine Normierung angezeigt.
Bemerkenswert sind auch die Veränderungen der Arbeitsbeschreibungen in Abhängigkeit der Betriebszeit des betroffenen Gerätes. So nimmt der Umfang des verwendeten Wortschatzes mit zunehmender Betriebszeit ab, die Zufälligkeit der verbleibenden Worte nimmt aber zu - und damit, so wird hier vermutet, auch die Zufälligkeit der zu erwartenden Fehler.
Das Ziel aller in dieser Arbeit verwendeten Analysen kann man als Aufspüren und Darstellen von Ungleichverteilungen auffassen. Die Art der Darstellung und auch die Art der Ungleichverteilung, die gesucht wird, mögen sich unterscheiden. Jedoch ist dieses Prinzip meist dasselbe: fast jede in dieser Arbeit gewonnene Erkenntnis beruht auf einer Ungleichverteilung innerhalb der untersuchten Daten.
Auf der anderen Seite war es zum Durchführen der Analysen oft nötig, die Daten zu normieren. Allgemein hat eine Normierung das Ziel, Ungleichverteilungen in Gleichverteilungen umzuwandeln - viele seltene Bezeichnungen sollen in wenige Häufige verändert werden.
Um es deutlich zu sagen: das Vermeiden von Ungleichverteilungen bei der Eingabe erleichtert das Finden interessanter Ungleichverteilungen bei der Analyse. Sonst untersucht die Analyse eher die Art der Eingabe als die Dinge, die eingegeben wurden.
Insbesondere die hier im letzten Teil gewonnen Erkenntnisse sind nicht nur auf Basis der eingesandten Daten gewonnen worden. Einige Informationen sind auch aus der Zusammenarbeit mit der Gerätebewirtschaftung der Medizinischen Hochschule Hannover (MHH) in diese Arbeit eingeflossen.
Eine lehrreiche Aufgabe war, die Organisation einer Neuerfassung der Geräte zu unterstützen. Dabei ging es hauptsächlich um die Planung des Ablaufs der Speicherung, Verarbeitung und Integration der neuen Datensätze in die Gerätedatenbank.
Die Mitarbeiter haben die neu erstellten Datensätze jeden Tag in neue Textdateien gepeichert. Diese Tagesdateien wurden dann in die Gerätedatenbank integriert. Ein Vorschlag ais dieser Zusammenarbeit von exotischen Geräten auch ein Foto zu machen, das mit den Datensätzen später verknüpft werden kann, wurde zwar interessiert aufgenommen, scheiterte aber am Fehlen von Kameras.
Die Eindeutigkeit der neuen Gerätenummern wurde durch die Ausgabe von Geräteaufklebern mit eindeutiger Nummer sichergestellt. Beim Erstellen der Datensätze wurden nun jedoch teilweise die Identifikationsnummern falsch eingegeben. Da die Ausgabe der Geräteaufkleber nicht systematisch erfolgen sollte, konnte man solche Fehler nicht sofort ermitteln. Diese Fehler tauchten aber dann plötzlich wieder auf, als nun das Gerät mit der richtigen Nummer in die Datenbank importiert werden sollte. Zunächst hat man dies wohl noch in Kauf genommen, als die Fehler jedoch zunahmen wurde um Hilfe gebeten.
Dadurch, dass die Tagesdateien sorgfältig erstellt und aufgehoben wurden, war es leicht möglich, die Fehler zurückzuverfolgen, die betroffenen Geräte zu identifizieren und die fehlgeschlagenen Importe nachzuholen, ohne dass Datensätze wieder neu aufgenommen werden mussten.
Andere Tätigkeiten bestanden darin, Tabellen aus verschiedenen Datenbeständen mit Hilfe von recht heterogen aufgebauten ``Umschlüsselungs``-Tabellen miteinander in Beziehung zu setzen und zu gruppieren. Letztendlich ging es darum, aktuelle Datenbestände aus einer Abteilung in die ,,Sprache`` einer anderen Abteilung zu übersetzen, da hier die Daten nicht mehr aktuell waren.
Herausforderung bei dieser Zusammenarbeit war meistens die Verständigung über die nötigen Maßnahmen mit den Auftraggebern.