Krankenhauskapazität: Betten-, OP- und Personalplanung

Krankenhäuser arbeiten nahe an der Kapazitätsgrenze, während die Nachfrage schwankt: Notfallzugänge, abgesagte Operationen, verzögerte Entlassungen und Personalausfälle treffen aufeinander. Prognosemodelle sagen Belegung, Verweildauer und OP-Bedarf voraus, und Optimierungslöser machen daraus Bettenzuweisungen, OP-Pläne und Dienstpläne. Typische Vorteile sind weniger abgesagte Operationen, weniger Wartezeiten von Patienten in der Notaufnahme und fairere, besser planbare Dienste. Alle Entscheidungen bleiben beim Menschen; die Werkzeuge machen Vorschläge.

Problem & Nutzen

• Heute: Das Bettenmanagement arbeitet mit Whiteboards, Telefonaten und Morgenrunden. OP-Pläne entstehen aus den von Chirurgen geschätzten Dauern in Blockplänen; Dienstpläne werden in Excel oder in regelbasierter Personalsoftware erstellt. Die Planung ist reaktiv.
• Schmerzpunkte: Patienten, die in der Notaufnahme warten, weil die Stationen voll sind, ungenutzte OP-Zeit neben Überziehungen und späten Absagen, Entlassungen, die auf Transport oder Papiere warten, und Personalmangel in der Pflege, der jede Abwesenheit zur Krise macht. In Deutschland erhöhen die Pflegepersonaluntergrenzen und die Krankenhausreform den Compliance-Druck auf die Personaldaten.
• KI-Nutzen: frühere Warnung vor Belastungsspitzen (Stunden bis Tage), bessere Schätzungen der Eingriffsdauer als die Vermutungen der Chirurgen, Vorhersage der Entlassbereitschaft, um Betten freizugeben, und eine Dienstplanoptimierung, die Regeln und Wünsche beachtet. Anbieter veröffentlichen von Kunden berichtete Ergebnisse (zum Beispiel höhere OP-Auslastung oder weniger Wartezeiten in der Notaufnahme), doch diese sind selbst berichtet, hängen stark vom Ausgangsniveau ab und sollten in Ihrem eigenen Pilot überprüft werden [1][2].

Varianten

• Bettenmanagement und Patientenfluss: Prognosen der Belegung von Stationen und Intensivstationen, Entlassvorhersage, Koordination von Verlegungen, Dashboards für die Leitstelle.
• Nachfrage in der Notaufnahme: Prognose der Zugänge und der Last der Triage-Warteschlange; kombinierbar mit PRED-011.
• OP- und Eingriffsplanung: Vorhersage der Eingriffsdauer, Freigabe von Blockzeiten, Reihenfolgeplanung, kürzere Wechselzeiten, nachgelagerte Beschränkungen durch Aufwachraum- und Intensivbetten.
• Dienstplanung und Springerpool: bedarfsgesteuerte Schichtplanung, Selbstplanung, kurzfristiges Füllen von Lücken.

So funktioniert es

1. KIS/Patientenakte + ADT-Feed (HL7 v2 / FHIR) + OP-System + Dienstplansystem
2. Datenpipeline (Bereinigung, Pseudonymisierung, Feature Store)
3. Prognose (Belegung, Zugänge, Verweildauer, Eingriffsdauer, Abwesenheiten)
4. Optimierung / Simulation (Bettenzuweisung, OP-Plan, Dienstplan)
5. Planungsoberfläche mit Erklärungen, Was-wäre-wenn und Alarmen
6. menschliche Entscheidung (Bettenmanagement, OP-Koordination, Stationsleitung, Regeln des Betriebsrats)
7. Rückmeldung: Ist gegen Prognose, Übersteuerungen protokolliert

• Prognose: Gradient-Boosting-Bäume und klassische Zeitreihenmodelle (ETS, ARIMA) sind die starken Ausgangsmodelle; vortrainierte Zeitreihen-Basismodelle werden zunehmend für Zero-Shot-Prognosen von Belegung und Zugängen genutzt. Modelle für Verweildauer und Entlassung sind tabellarische Klassifikatoren/Regressoren.
• Optimierung: Constraint Programming und gemischt-ganzzahlige Löser bewältigen Dienstpläne und OP-Reihenfolgen (harte Regeln: Arbeitsrecht, Qualifikationen; weiche Regeln: Wünsche, Fairness). Eine ereignisdiskrete Simulation testet Maßnahmen wie Bettenpuffer vor der Einführung.
• LLMs: fassen die Morgenlage zusammen, extrahieren Entlasshindernisse aus Freitextnotizen, beantworten Fragen der Planenden in natürlicher Sprache über das Dashboard und übersetzen Anträge auf Schichttausch in strukturierte Nebenbedingungen. Sie treffen nicht die Zuweisungsentscheidung.
• Mensch-in-der-Schleife (Human-in-the-Loop): Jeder Plan und jeder Dienstplan ist ein Vorschlag; Planende können übersteuern, und Übersteuerungen werden protokolliert. Dienstpläne unterliegen in Deutschland der Mitbestimmung des Betriebsrats bzw. Personalrats.

Datenaufbereitung

Die Planung braucht Aufnahmen, Entlassungen und Verlegungen, Bettenbelegung, OP-Pläne und tatsächliche Zeiten, Dienstpläne, Abwesenheiten und saisonale Muster. Diese liegen im KIS, im OP-Planungssystem, im Dienstplanwerkzeug und oft in Excel-Tabellen, die von den Stationen geführt werden.

Typische Lücken: uneinheitliche Stations- und Bettencodes nach Umstrukturierungen, fehlende tatsächliche Beginn- und Endzeiten von Operationen, Planungsdaten in Tabellen, Dienstpläne in einem anderen System als die Patientendaten und undokumentierte Regeln (Isolation, Einschränkungen nach Fachgebiet).

Schritte der Aufbereitung: 1. Die Datenquellen und Lücken den Planungsfragen zuordnen (PREP-002). 2. Die Excel-Schattensysteme der Stationen aufspüren (PREP-003). 3. Die Historie von mindestens zwei Jahren über Schnittstellen exportieren (PREP-005, DATA-003). 4. Die Tabellen in saubere Datentabellen umbauen (PREP-011). 5. Die Kennzahlen und Begriffe (Belegung, Wechselzeit) einmalig definieren (PREP-012). 6. Auf Ebene der Einheit aggregieren oder pseudonymisieren; Daten auf Personalebene brauchen eine gesonderte Freigabe (PREP-022).

Aufwandsanteil: etwa 30 Prozent, überwiegend für die Bereinigung von Zeitstempeln und die Vereinheitlichung der Codes über Systeme hinweg. Siehe GUIDE-003.

Umsetzungswege

Welcher Weg für wen

• enterprise (Krankenhausverbünde): Weg B, weil die Kapazitätsplanung für den Betrieb zentral ist, sich in KIS, OP-System und Personaleinsatzplanung einfügen muss und die Prognose auf eigenen Daten über Cloud-Schnittstellen oder verwaltetes ML flexibler ist als ein festes Produkt; kaufen Sie ein Produkt, wenn der KIS-Anbieter bereits ein passendes Modul anbietet.
• developer: Weg C, weil Prognose und Optimierung mit offenen Bibliotheken gut auf kleiner Hardware laufen und die Betriebsdaten im Haus bleiben.
• public (kommunale und Universitätskliniken): Weg B in einer souveränen EU- oder deutschen Cloud, wegen der Vergaberegeln und der Einbindung in eigene Systeme.

Weg A — Kaufen

• Patientenfluss / Leitstelle: GE HealthCare Command Center, Angebote von Philips für Kapazität und Fluss, in Epic und Oracle Health eingebettete Kapazitätsmodule, Erweiterungen der Krankenhausinformationssysteme von Dedalus und CompuGroup Medical (EU), Qventus (stationärer Fluss/Notaufnahme/OP), LeanTaaS iQueue (OP, stationäre Betten, Infusion) [1][2].
• Dienstplanung / Personaleinsatz: Atoss, Dienstplan-Spezialisten wie P&I und Werkzeuge der Soloplan-Klasse, Kronos/UKG, Quinyx, pflegespezifische Werkzeuge in KIS-Suiten; Atoss und P&I sind EU-Anbieter.
• A wählen, wenn: Sie einen klinisch akzeptierten Ablauf, Anbieter-Support und einen integrierten KIS-Konnektor wollen. Prüfen Sie EU-Hosting, Auftragsverarbeitungsvertrag, HL7/FHIR-Konnektoren, Transparenz der Modelle und was mit Ihren Daten beim Modelltraining des Anbieters geschieht.

Weg B — Auf Cloud-KI-Diensten aufbauen (empfohlen)

• Prognose: verwaltete Zeitreihendienste in EU-Regionen (Azure Machine Learning, Google Vertex AI Forecasting, Amazon SageMaker) oder Basismodelle wie Chronos (Amazon) und TimesFM (Google), die in Ihrem Tenant aufgerufen werden.
• Optimierung: Google OR-Tools CP-SAT als Dienst in Ihrer Cloud oder Timefold (belgisches Unternehmen, Open-Source-Kern) für Dienstplanung und Ablaufplanung [3][4].
• LLM-Schicht: ein in der EU gehostetes Spitzenmodell oder das Modell eines EU-Anbieters (zum Beispiel Mistral) für Zusammenfassungen und die Extraktion aus Notizen; senden Sie nur pseudonymisierte oder minimale Daten.
• B wählen, wenn: Sie ein Daten-/Analyseteam haben und eigene Nebenbedingungen brauchen, aber keine On-Premises-Vorgabe besteht.

Weg C — Selbst betreiben (Open Source)

• Prognose: statsforecast, Prophet, LightGBM/XGBoost, Chronos, mit MLflow zur Nachverfolgung [5].
• Optimierung und Simulation: OR-Tools, Timefold Solver, SimPy für ereignisdiskrete Simulation.
• Integration: FHIR-Server (HAPI FHIR) und HL7-Schnittstellen-Engine (zum Beispiel Mirth/NextGen-Connect-Forks, Open Integration Engine), OMOP für Historie in Forschungsqualität.
• Hardware: HW1; klassische Modelle und Löser laufen auf der CPU. Ein kleines offenes LLM für Zusammenfassungen passt auf HW2.

Weg D — Eigenes Training

Krankenhausspezifische Modelle für Verweildauer, Nichterscheinen und Eingriffsdauer, trainiert auf der eigenen Historie, schlagen meist generische Modelle, weil Fallmix, Kodierung und Abläufe abweichen. Es braucht zwei bis fünf Jahre ADT- und OP-Daten mit sauberen Zeitstempeln. Lernen über mehrere Standorte ist per föderiertem Ansatz möglich, in der Praxis aber selten.

Stand der Technik (2026)

• Prognose: Gradient Boosting und hierarchische Zeitreihenmethoden sind bei der Belegung weiterhin schwer zu schlagen; Basismodelle (Chronos, TimesFM) liefern bei kurzen Reihen konkurrenzfähige Zero-Shot-Ergebnisse und sind ein günstiger Einstieg. Probabilistische Prognosen (Intervalle statt Einzelwerte) brauchen die Planenden.
• OP-Planung: ML-Vorhersagen der Dauer anhand von Eingriff, Chirurg und Patientenmerkmalen übertreffen in vielen veröffentlichten Studien die gebuchten Dauern, doch der Gewinn bei der Auslastung hängt davon ab, ob sich auch die Blockregel ändert.
• Entlassvorhersage: Modelle mit Vitalwerten, Anordnungen und Pflegenotizen unterstützen die täglichen Entlassrunden; die Präzision wird durch nicht klinische Hindernisse (Transport, soziale Versorgung, Pflegeheimplätze) begrenzt, die nicht in den Daten stehen.
• Grenzen und Fehlerbilder: Verteilungsverschiebung nach Umstrukturierungen oder Pandemien, Rückkopplungsschleifen (eine Vorhersage verändert das Verhalten, das wiederum das Ergebnis verändert), verzerrte Vorhersagen, wenn die Verweildauer mit sozioökonomischen Faktoren korreliert, unrealistische Dienstpläne, wenn weiche Regeln nicht erfasst sind, und Alarmmüdigkeit. Dashboards ohne Prozessänderung bringen wenig.

Gemeinsame Bausteine & Kombinationen

• Gleicher Stack (tabular-ml, time-series, optimization-solver): PRED-011 Prognose von Arbeitslast und Personalbedarf, PRED-001 Bedarfsprognose und die Logistik-Planungsfälle teilen Löser und MLOps.
• Vor-/nachgelagert: HLTH-012 (Verschlechterungs-Scores steuern Verlegungen auf die Intensivstation), HLTH-020 (Wiederaufnahme und Bevölkerungsrisiko), HLTH-031 (Signale für Epidemiewellen), HLTH-005 (Kodierdaten für Benchmarks zu Fallmix und Verweildauer).
• Workflow: AGENT-002 Backoffice-Automatisierung und AGENT-012 Planungsagenten für Schichttausch und Benachrichtigungen.

Aufwand, Kosten & Kennzahlen

• Weg A: Monate für Integration und Veränderungsmanagement; die Lizenzierung erfolgt üblicherweise pro Bett oder Standort und wird nicht öffentlich gelistet.
• Weg B/C: 6–12 Monate für einen ersten Produktivfall (zum Beispiel Prognose von Zugängen in der Notaufnahme und Stationsbelegung), danach schrittweise weitere Module. Die Kosten werden von Datenengineering, klinisch-operativer Arbeitszeit und Veränderungsmanagement bestimmt, nicht von der Rechenleistung.
• Kennzahlen: Prognosefehler (MAPE/WAPE, Abdeckung der Intervalle) je Station, Wartestunden in der Notaufnahme, OP-Auslastung und pünktliche Erstschnitte, Quote der Absagen am selben Tag, Überstunden, unbesetzte Schichten, Entlassung vor 12 Uhr, mittlere Verweildauer, Zufriedenheit der Beschäftigten, Anteil der angenommenen gegenüber übersteuerten KI-Vorschlägen.

Menschen & Veränderung

Beziehen Sie die Geschäftsleitung sowie die Pflegedirektion und die ärztliche Direktion, Stations- und OP-Leitungen als Prozessverantwortliche, Bettenmanagement und Planende als tägliche Nutzer, die IT für KIS- und Dienstplan-Schnittstellen, die Dateneigentümer jedes Systems, die Personalabteilung für Dienstplanregeln und die Datenschutzbeauftragten ein. Beteiligen Sie den Betriebsrat von Anfang an: Die Planung von Personal und Dienstplänen ist sein Kernbereich.

Betriebsrat: ja. Dienstplanoptimierung und Auslastungsberichte eignen sich zur Überwachung von Verhalten oder Leistung der Beschäftigten, was die Mitbestimmung nach § 87 Abs. 1 Nr. 6 BetrVG auslöst; Arbeitszeitregeln fallen unter § 87 Abs. 1 Nr. 2. § 90 Abs. 1 Nr. 3 verlangt frühzeitige Information, und eine sachkundige Person nach § 80 Abs. 3 gilt bei KI als erforderlich. Öffentliche Krankenhäuser beteiligen den Personalrat. Eine Betriebsvereinbarung sollte die Nutzung auf die Kapazitätsplanung beschränken, die Bewertung der Einzelleistung ausschließen und die Datenlöschung regeln.

Datenschutz: Patientendaten sollten aggregiert werden; wenn Personaldaten verwendet werden, führen Sie mit den Datenschutzbeauftragten eine DSFA-Prüfung (Art. 35 DSGVO) durch.

KI-Kompetenz (Art. 4 KI-Verordnung, unterstützende Maßnahmen): Erklären Sie den Planenden die Prognosen und ihre Unsicherheit. Beginnen Sie mit einem Stationsverbund oder dem OP-Plan als Pilot, vergleichen Sie die Prognosen ein Quartal lang mit der Wirklichkeit und lassen Sie die Planenden die Entscheidenden bleiben, die jeden Vorschlag übersteuern können. Typische Sorgen sind der Verlust der Kontrolle über Dienstpläne und Fairness; begegnen Sie ihnen mit transparenten Regeln und der Möglichkeit zur Korrektur.

Siehe GUIDE-004, GUIDE-008 und GUIDE-009.

Risiken, Regulierung & Compliance

• KI-Verordnung (AI Act): kommt darauf an. Reine Kapazitätsprognosen sind typischerweise minimales Risiko. Anhang III Nr. 4 (Beschäftigung, Arbeitnehmerverwaltung) erfasst jedoch KI, die Aufgaben zuweist, Beschäftigte überwacht oder bewertet, und zwar auf Grundlage individuellen Verhaltens oder persönlicher Merkmale: Ein Dienstplanwerkzeug, das Schichten nach individuellen Merkmalen vergibt oder die Leistung überwacht, ist wahrscheinlich Hochrisiko. Anhang III Nr. 5 nennt KI, die die Anspruchsberechtigung für wesentliche öffentliche Gesundheitsleistungen bewertet oder den Zugang dazu priorisiert, sowie die Triage bei Notfällen: Werkzeuge, die Patienten für Aufnahme oder Operation priorisieren, können hierunter fallen. Software als Medizinprodukt (MDR) ist nur relevant, wenn das Werkzeug einen medizinischen Zweck hat. Bewerten Sie jedes Modul gesondert [6].
• DSGVO: Patientendaten sind Daten besonderer Kategorien (Art. 9); Personaldaten sind Beschäftigtendaten (in Deutschland § 26 BDSG und Betriebsvereinbarungen). Nutzen Sie Pseudonymisierung, Datenminimierung (für Belegungsprognosen genügen oft Aggregate), eine DSFA und einen Auftragsverarbeitungsvertrag; prüfen Sie die Rechtsgrundlage nach den nationalen Krankenhausgesetzen (Landeskrankenhausgesetze, KHZG-geförderte Projekte). Die Verordnung zum Europäischen Gesundheitsdatenraum prägt die Zweitnutzung von Gesundheitsdaten [7][8].
• Gegenmaßnahmen (Art. 5: keine verbotene Praxis beabsichtigt; keine Ableitung von Emotionen bei Beschäftigten): menschliche Entscheidung über jeden Plan, Prüfprotokoll, Drift-Überwachung, Beteiligung der Beschäftigten am Entwurf.

Erste Schritte

1. Einen messbaren Schmerzpunkt wählen (zum Beispiel Wartezeiten in der Notaufnahme oder OP-Absagen) und das Ausgangsniveau aus den ADT- und OP-Zeitstempeln berechnen.
2. Die Datenqualität prüfen: Zeitstempel für Aufnahme, Entlassung, Schnitt und Naht; einen pseudonymisierten Auszug definieren und die DSFA abschließen.
3. Ein einfaches Ausgangsmodell bauen (saisonal naiv plus Gradient Boosting) und mit einem vortrainierten Zeitreihenmodell vergleichen; auf einem zurückgehaltenen Jahr auswerten.
4. Ein Planungs-Dashboard mit einem Stationsverbund und dem Bettenmanagement pilotieren; einige Wochen parallel zum bisherigen Ablauf betreiben.
5. Den Betriebsrat bei jeder Dienstplanfunktion früh einbeziehen; Protokollierung von Übersteuerungen und Kennzahlen vor dem Go-live festlegen.

Quellen

Hinweis: Beim Verfassen dieser Datei war keine Live-Websuche verfügbar; die Quellen sind Originalseiten von Anbietern, Projekten und Behörden aus dem vorhandenen Wissen. Abgerufen 2026-10 (Links noch erneut zu prüfen). 1. LeanTaaS iQueue — https://leantaas.com 2. Qventus — https://qventus.com 3. Google OR-Tools — https://developers.google.com/optimization 4. Timefold — https://timefold.ai 5. Chronos time-series foundation models — https://github.com/amazon-science/chronos-forecasting 6. Regulation (EU) 2024/1689 (AI Act) — https://eur-lex.europa.eu/eli/reg/2024/1689/oj 7. Regulation (EU) 2016/679 (GDPR) — https://eur-lex.europa.eu/eli/reg/2016/679/oj 8. Regulation (EU) 2025/327 (European Health Data Space) — https://eur-lex.europa.eu/eli/reg/2025/327/oj