kma Online
Interview

Prognosix setzt auf KI bei Prognosen für den Klinik-Einkauf

Das Unternehmen Prognosix erstellt mithilfe künstlicher Intelligenz (KI) Prognosen für den Krankenhauseinkauf. Im Interview erläutert CEO and Co-Founder Peter Kauf die Vorteile der Bedarfsanalyse und -prognose mittels KI.

Peter Kauf

Prognosix

Dr. Peter Kauf ist Mitgründer und Geschäftsführer des Züricher Unternehmens Prognosix AG. Davor war er als Dozent an der ZHAW Zürcher Hochschule für Angewandte Wissenschaften tätig und hat an der ETH Zürich Mathematik studiert.

Das Schweizer Unternehmen Prognosix ist darauf spezialisiert, mittels Algorithmen Sortimente zu optimieren und Bedarfsprognosen zu erstellen.

Wie sind Sie dazu gekommen, mit künstlicher Intelligenz (KI) Prognosen für den Krankenhauseinkauf zu erstellen?

Kauf: Wir sind 2014 mit Prognosen für den Lebensmittelhandel gestartet. Damals haben wir für die Migros-Gruppe Algorithmen entwickelt, mit denen der Einkauf zum Beispiel vorhersagen konnte, wie viele Tomaten während der Sommerferien benötigt werden. Seit 2019 beschäftigen wir uns auch mit Prognosen für den Klinikeinkauf. Damals hatte ein großes Schweizer Krankenhaus beschlossen, erfolgreiche Digitalisierungskonzepte aus dem Lebensmittelhandel in die Krankenhauswelt zu übertragen. Wir haben mit diversen Krankenhäusern gesprochen und gesehen, dass es dort in der Logistik ähnliche Themen gibt wie im Lebensmittelhandel, die mit vergleichbaren Ansätzen lösbar sind. Für den KI-Algorithmus unterscheidet sich das Prognostizieren von Tomaten kaum von der Prognose für Medizinprodukte.

Welchen Vorteil bietet KI bei der Erstellung von Bedarfsprognosen gegenüber herkömmlichen Verfahren?

Kauf: Wir erzielen mit KI eine höhere Genauigkeit. Zu Beginn der Pandemie haben viele Artikel relativ schnell auf sich verändernde Fallzahlen reagiert. So gab es zum Beispiel bei Sars-CoV-2-Testkits oder Beatmungsgeräten auf den Intensivpflegestationen eine verstärkte Nachfrage. Andere Artikel wiederum waren weniger nachgefragt, weil die Krankenhäuser nur noch lebensrettende Operationen durchgeführt haben. Es gibt besonders in der Pandemie sehr viele Einzelfaktoren, die auf die Artikel im Krankenhaus einwirken. Und genau diese Einzelfaktoren kann KI aufnehmen und verarbeiten. Wir sehen bei unseren Bedarfsprognosen, dass wir mit KI um 50 Prozent näher an die beobachtete Realität kommen. Wenn wir zum Beispiel mit herkömmlichen Methoden einen Bedarf für Testkits von 120 errechnen, der effektive Bedarf aber bei 100 liegt, dann haben wir einen Fehler von 20 Prozent. Mit KI läge dieser Fehler bei 10 Prozent. Wir erhalten mit KI einen Genauigkeitsgewinn, der sich durch das gesamte Sortiment zieht.

Mit welchen Daten trainieren Sie die Algorithmen für die Bedarfsprognosen im Krankenhaus?

Kauf: Wir verwenden die Daten, die wir vom Krankenhaus erhalten, etwa über den Verbrauch und die Bestellung der betreffenden Produkte, und reichern diese mit einem allgemeineren Datenpool an, den wir pflegen und auch für andere Branchen benutzen. Hierzu zählen zum Beispiel Informationen zu Wetterprognosen oder lokalen Feiertagen. Die grundlegenden Algorithmen für den Lebensmittelhandel sind dieselben wie für das Krankenhaus.

Nutzen Sie zur Verarbeitung der Daten das Data Warehouse der Krankenhäuser oder ihr eigenes Data Warehouse?

Kauf: Beides. Im Krankenhauseinkauf läuft vieles so schnell, dass zugehörige Daten zum Zeitpunkt, wo sie gebraucht würden, oft noch nicht komplett in den Systemen abgelegt sind. Das bedeutet für unsere Arbeit, dass wir häufig Rohdaten zum Beispiel aus SAP und aus Excel-Tabellen erhalten. Wir verwenden daher eine Kombination von Data Warehouse beim Kunden und weiteren Datenquellen, die wir bei uns konsolidieren.

Nutzen Sie für alle Branchen dieselben intelligenten Algorithmen?

Kauf: Die grundlegenden Algorithmen für den Lebensmittelhandel sind dieselben wie für das Krankenhaus. Es gibt allerdings spezifische krankenhauspolitische Entscheidungen, die wir damit nicht abbilden konnten. Zu Beginn der Pandemie zum Beispiel wurde in einigen Schweizer Krankenhäusern früh eine Maskenpflicht eingeführt. Die Krankenhäuser mussten entscheiden, ob die komplette Belegschaft oder nur Mitarbeiter mit Patientenkontakt Masken tragen sollten. Für eine solche Entscheidung gab es noch keine Lerndaten, mit denen wir KI-Algorithmen hätten trainieren können. Wir haben deshalb Algorithmen gebaut, mit denen wir den Bedarf an Masken abhängig von der Entscheidung in Echtzeit simulieren konnten. Diese Simulation haben wir verknüpft mit Beständen aus der Lagerhaltung und Bestellungen, um Versorgungsengpässe zu prognostizieren.

Masken waren zu Beginn der Pandemie ein knappes Gut. Berücksichtigen Sie bei der Bedarfsanalyse auch die Lieferfähigkeit?

Kauf: Wir haben neben der Bedarfsanalyse auch Analysen und Prognosen eingebaut, wie sich die Lieferzeit und die Liefertreue des Anbieters entwickelt. Hierzu haben wir krankenhausinterne Daten verwendet. Wir haben uns beispielsweise angeschaut, wann eine Bestellung ausgelöst wurde, wann die Ware geliefert wurde und ob die Lieferung in dem Zeitfenster lag, das der Lieferant versprochen hatte.

Hierbei handelt es sich aber nur um hausinterne Erfahrungswerte. Neue Lieferanten können Sie damit nicht in Ihre Prognosen einbeziehen?

Kauf: Das ist richtig. Deshalb beschäftigen wir uns aktuell in einem Forschungsprojekt mit der Frage, wie wir potenzielle Lieferprobleme in einzelnen Ländern auch ohne krankenhausinterne Informationen voraussagen können. Hier spielen auch regulatorische Themen wie zum Beispiel die EU-Medizinprodukte-Verordnung (MDR) eine Rolle. Unsere Herausforderung besteht darin, an die qualitativen Informationen zu kommen, die wir für unsere Prognosen benötigen. Das bedeutet, dass wir Prozesse definieren werden, um automatisiert die relevanten Informationen zu beziehen, beispielsweise aus Webseiten oder von Plattformen, auf denen Lieferanten ihre Produkte anbieten. Mit KI kommen wir bei unseren Bedarfsprognosen um 50 Prozent näher an die beobachtete Realität.

Sie setzen Ihre Algorithmen nicht nur für Bedarfsprognosen, sondern auch zur Sortimentsoptimierung ein. Wie stellen Sie sicher, dass es bei Arzneimitteln nicht zu Engpässen kommt?

Kauf: Die Frage, wie viel Puffer benötigt wird, ist von zentraler Bedeutung – übrigens auch im Lebensmittelhandel. Bei den Arzneimitteln gibt es für diesen Puffer drei Treiber. Erstens Kritikalität: Dabei geht es um die Frage, ob das Produkt lebensnotwendig ist oder zur Not durch eine Alternative ersetzt werden kann. Zweitens Bedarfsschwankungen: Bei regelmäßigem Verbrauch kann der Puffer kleiner sein als bei einem Produkt, das nur wenige Male im Jahr, dafür aber in größeren Mengen benötigt wird. Hier ist der Verbrauch schwerer zu prognostizieren. Drittens Haltbarkeit und Platzbedarf: Wenn zum Beispiel ein Artikel weniger lang haltbar ist, führt ein zu großer Puffer zu mehr Kosten, wenn Haltbarkeiten überschritten werden.

Was unterscheidet Sie eigentlich von einem klassischen Beratungsunternehmen?

Kauf: Im Unterschied zu einem Beratungsunternehmen analysieren wir nicht nur die aktuelle Situation und geben Empfehlungen – was auch wichtig ist. Wir bauen daraus anschließend eine Lösung, die dem Kunden täglich automatisiert Prognosen und Entscheidungshilfen liefert.

Erschienen in kma 5/21  Jetzt kaufen!

  • Schlagwörter:
  • Prognosix
  • Peter Kauf
  • Künstliche Intelligenz

Kommentare (0)

Kommentar hinzufügen

Um einen Kommentar hinzuzufügen melden Sie sich bitte an oder registrieren Sie sich.

Jetzt anmelden/registrieren