KI plant Schichten: Fraunhofer, ATOSS & Universitätsmedizin Mainz bringen Predictive Staffing ins Krankenhaus

Ausgangssituation

Pflegekapazitäten sind knapp, PPR 2.0 verlangt Transparenz und Dienstpläne werden komplexer. Ein gemeinsames Projekt von Fraunhofer IKS, ATOSS und Universitätsmedizin Mainz nutzt KI, um den Personalbedarf auf Stationen vorauszuberechnen und die Planung zu entlasten.

Das Team entwickelt eine ML-basierte Personalbedarfsprognose, die historische KIS-Daten (Patientenzahlen und Schweregrade nach PPR 2.0) auswertet, Muster in Dienst- und Ausfallplänen erkennt und daraus belastbare Forecasts für kommende Schichten ableitet. Das Konzept wurde beim Healthcare Hackathon Mainz präsentiert und mit dem HREA 2023 ausgezeichnet.

Bedeutung & Mehrwert

• Weniger Überlast, mehr Planbarkeit: Frühzeitige Peakerkennung, gezielter Einsatz von Springern, stabile Qualität.
• Compliance by Design: PPR-2.0/PPBV-Anforderungen (seit 1. Juli 2024) fließen direkt in Prognose, Planung und Reporting ein, konsistente, revisionssichere Dokumentation statt nachträglichem Sammeln.
• Vom Prototyp zur Praxis: Fraunhofer IKS und ATOSS arbeiten an skalierbaren Ansätzen mit PPR-2.0-Integration für Workforce-Management-Prozesse.

Technische Funktionsweise

Das System basiert auf historischen Dienst- und Ausfallplänen, Qualifikationsmatrizen, PPR-2.0-Einstufungen sowie Belegungs- und Leistungsdaten aus dem KIS. Das Modell erkennt wiederkehrende Muster (Wochentagseffekte, Saisonalitäten, typische Peak-Zeiten) und berechnet Forecasts pro Schicht mit realistischem Unsicherheitsband.

Ein Planungs-„Co-Pilot" optimiert die Besetzung unter harten Nebenbedingungen (Arbeitszeitgesetz, Tariflogik, Mindestbesetzung, Skill-Mix) und weichen Präferenzen (Wunschdienste). Die KI unterstützt, entscheidet aber nicht allein. Leitungen können Vorschläge jederzeit anpassen, übersteuern und begründen, mit vollständigem Audit-Log.

Einführungsstrategie

Die Implementierung folgt pragmatisch in Stufen:

1. Shadow Mode: Das System erstellt Prognosen und Vorschläge ohne Eingriff in die reale Planung. Prognosegüte wird gemessen und iterativ verbessert.
2. Co-Pilot-Betrieb: Vorschläge können per Klick übernommen oder angepasst werden.
3. Selective Automation: Teilautomatisierung für standardisierte Schichten und Musterphasen; komplexe Konstellationen bleiben unter Leitung.

Diese schrittweise Automatisierungssteigerung ist zentral für Akzeptanz und Sicherheit.

Datentechnische Anforderungen

Kliniken profitieren maximal, wenn 12 bis 24 Monate Historik konsistent vorliegen, PPR-2.0-Einstufungen eindeutig gemappt sind und Schnittstellen zu WFM, KIS und HR zuverlässig funktionieren. Standardisierte APIs ermöglichen Integration; Rollen- und Rechtemodelle kontrollieren den Zugriff auf personenbezogene Planungsdaten.

Datenschutz & Fairness

Datenminimierung, klare Speicherfristen, Protokollierung und Datenschutz-Folgenabschätzung gehören zum Pflichtprogramm (DSGVO). Das System wird regelmäßig auf Verzerrungen geprüft, damit Teilzeitkräfte, Beschäftigte mit Fürsorgepflichten und Mitarbeitende in Schutzlagen nicht systematisch benachteiligt werden.

Messbare Ergebnisse

1. Planbarkeit: Peaks werden früher sichtbar, Float-Pools lassen sich vorausschauend disponieren, Übergaben stabilisieren sich.
2. Nachweisführung: PPR-2.0-Vorgaben fließen direkt in Prognose, Planung und Reporting ein, konsistent und revisionssicher.
3. Team-Entlastung: Weniger Ad-hoc-Feuerwehr und Schicht-Tetris bedeutet mehr Zeit für Führung, Qualitätsarbeit und Patientenkontakt, höhere Zufriedenheit im Team.

Kennzahlen & Monitoring

• Prognose: MAE/MAPE je Station und Schicht, Anteil der Vorhersagen innerhalb des Konfidenzintervalls.
• Planung: Plan-Ist-Abweichungen, kurzfristige Unter-/Überbesetzungen, Geschwindigkeit der Lückenschließung.
• Team-Ebene: Diensttauschraten, unplanmäßige Überstunden, Erfüllungsgrad von Wunschdiensten.
• Compliance: Vollständigkeit und Zeit bis PPR-Nachweis, mit nachvollziehbaren Begründungen bei bewussten Übersteurungen.

Fazit

KI-gestützte Bedarfsprognosen und regelgeleitete Planungs-Co-Piloten verwandeln Personaleinsatzplanung von Handarbeit unter Zeitdruck in einen transparenten, steuerbaren Prozess. Kliniken gewinnen Flexibilität und Nachweissicherheit, Teams erhalten Entlastung, die Versorgung gewinnt an Stabilität.