You are here: Home → Proceedings
Document Actions

Citation and metadata

Back to the article.

Recommended citation

Saß J, Hartmann N, Völker M, Schmidt T (2021). Datenbasierte Operationsplanung im Krankenhaus unter Entwicklung und Einbindung einer Machine Learning Plattform. Logistics Journal : Proceedings, Vol. 2021. (urn:nbn:de:0009-14-54361)

Download Citation

Endnote

%0 Journal Article
%T Datenbasierte Operationsplanung im Krankenhaus unter Entwicklung und Einbindung einer Machine Learning Plattform
%A Saß, Jennifer
%A Hartmann, Nick
%A Völker, Michael
%A Schmidt, Thorsten
%J Logistics Journal : Proceedings
%D 2021
%V 2021
%N 17
%@ 2192-9084
%F saß2021
%X Die vorliegende Arbeit gibt einen Überblick zur Ergänzung von Planungs- und Steuerungsprozessen im OP-Bereich von Krankenhäusern. Der Fokus liegt hier auf der automatisierten Vorhersage von Operationszeiten mittels maschineller Lernmethoden auf Basis von retrospektiven Daten. Der vorliegende Artikel befasst sich mit der Analyse der zu beziehenden Daten, der Aufbereitung und Vorverarbeitung dieser und der Empfehlung an geeigneten Algorithmen für das M Maschinelle Lernen. Die beschriebene Arbeit ist im Rahmen des SAB geförderten Projektes; Platform for Operation Scheduling and Prediction using machine learning (PROSPER) entstanden.
%L 620
%K CRISP
%K Classification
%K Klassifikation
%K Learning
%K Maschinelles Lernen
%K Regression
%R 10.2195/lj_Proc_sass_de_202112_01
%U http://nbn-resolving.de/urn:nbn:de:0009-14-54361
%U http://dx.doi.org/10.2195/lj_Proc_sass_de_202112_01
Download

Bibtex

@Article{saß2021,
  author = 	"Sa{\ss}, Jennifer
		and Hartmann, Nick
		and V{\"o}lker, Michael
		and Schmidt, Thorsten",
  title = 	"Datenbasierte Operationsplanung im Krankenhaus unter Entwicklung und Einbindung einer Machine Learning Plattform",
  journal = 	"Logistics Journal : Proceedings",
  year = 	"2021",
  volume = 	"2021",
  number = 	"17",
  keywords = 	"CRISP; Classification; Klassifikation; Learning; Maschinelles Lernen; Regression",
  abstract = 	"Die vorliegende Arbeit gibt einen {\"U}berblick zur Erg{\"a}nzung von Planungs- und Steuerungsprozessen im OP-Bereich von Krankenh{\"a}usern. Der Fokus liegt hier auf der automatisierten Vorhersage von Operationszeiten mittels maschineller Lernmethoden auf Basis von retrospektiven Daten. Der vorliegende Artikel befasst sich mit der Analyse der zu beziehenden Daten, der Aufbereitung und Vorverarbeitung dieser und der Empfehlung an geeigneten Algorithmen f{\"u}r das M Maschinelle Lernen. Die beschriebene Arbeit ist im Rahmen des SAB gef{\"o}rderten Projektes; Platform for Operation Scheduling and Prediction using machine learning (PROSPER) entstanden.",
  issn = 	"2192-9084",
  doi = 	"10.2195/lj_Proc_sass_de_202112_01",
  url = 	"http://nbn-resolving.de/urn:nbn:de:0009-14-54361"
}
Download

RIS

TY  - JOUR
AU  - Saß, Jennifer
AU  - Hartmann, Nick
AU  - Völker, Michael
AU  - Schmidt, Thorsten
PY  - 2021
DA  - 2021//
TI  - Datenbasierte Operationsplanung im Krankenhaus unter Entwicklung und Einbindung einer Machine Learning Plattform
JO  - Logistics Journal : Proceedings
VL  - 2021
IS  - 17
KW  - CRISP
KW  - Classification
KW  - Klassifikation
KW  - Learning
KW  - Maschinelles Lernen
KW  - Regression
AB  - Die vorliegende Arbeit gibt einen Überblick zur Ergänzung von Planungs- und Steuerungsprozessen im OP-Bereich von Krankenhäusern. Der Fokus liegt hier auf der automatisierten Vorhersage von Operationszeiten mittels maschineller Lernmethoden auf Basis von retrospektiven Daten. Der vorliegende Artikel befasst sich mit der Analyse der zu beziehenden Daten, der Aufbereitung und Vorverarbeitung dieser und der Empfehlung an geeigneten Algorithmen für das M Maschinelle Lernen. Die beschriebene Arbeit ist im Rahmen des SAB geförderten Projektes; Platform for Operation Scheduling and Prediction using machine learning (PROSPER) entstanden.
SN  - 2192-9084
UR  - http://nbn-resolving.de/urn:nbn:de:0009-14-54361
DO  - 10.2195/lj_Proc_sass_de_202112_01
ID  - saß2021
ER  -
Download

Wordbib

<?xml version="1.0" encoding="UTF-8"?>
<b:Sources SelectedStyle="" xmlns:b="http://schemas.openxmlformats.org/officeDocument/2006/bibliography"  xmlns="http://schemas.openxmlformats.org/officeDocument/2006/bibliography" >
<b:Source>
<b:Tag>saß2021</b:Tag>
<b:SourceType>ArticleInAPeriodical</b:SourceType>
<b:Year>2021</b:Year>
<b:PeriodicalTitle>Logistics Journal : Proceedings</b:PeriodicalTitle>
<b:Volume>2021</b:Volume>
<b:Issue>17</b:Issue>
<b:Url>http://nbn-resolving.de/urn:nbn:de:0009-14-54361</b:Url>
<b:Url>http://dx.doi.org/10.2195/lj_Proc_sass_de_202112_01</b:Url>
<b:Author>
<b:Author><b:NameList>
<b:Person><b:Last>Saß</b:Last><b:First>Jennifer</b:First></b:Person>
<b:Person><b:Last>Hartmann</b:Last><b:First>Nick</b:First></b:Person>
<b:Person><b:Last>Völker</b:Last><b:First>Michael</b:First></b:Person>
<b:Person><b:Last>Schmidt</b:Last><b:First>Thorsten</b:First></b:Person>
</b:NameList></b:Author>
</b:Author>
<b:Title>Datenbasierte Operationsplanung im Krankenhaus unter Entwicklung und Einbindung einer Machine Learning Plattform</b:Title>
<b:Comments>Die vorliegende Arbeit gibt einen Überblick zur Ergänzung von Planungs- und Steuerungsprozessen im OP-Bereich von Krankenhäusern. Der Fokus liegt hier auf der automatisierten Vorhersage von Operationszeiten mittels maschineller Lernmethoden auf Basis von retrospektiven Daten. Der vorliegende Artikel befasst sich mit der Analyse der zu beziehenden Daten, der Aufbereitung und Vorverarbeitung dieser und der Empfehlung an geeigneten Algorithmen für das M Maschinelle Lernen. Die beschriebene Arbeit ist im Rahmen des SAB geförderten Projektes; Platform for Operation Scheduling and Prediction using machine learning (PROSPER) entstanden.</b:Comments>
</b:Source>
</b:Sources>
Download

ISI

PT Journal
AU Saß, J
   Hartmann, N
   Völker, M
   Schmidt, T
TI Datenbasierte Operationsplanung im Krankenhaus unter Entwicklung und Einbindung einer Machine Learning Plattform
SO Logistics Journal : Proceedings
PY 2021
VL 2021
IS 17
DI 10.2195/lj_Proc_sass_de_202112_01
DE CRISP; Classification; Klassifikation; Learning; Maschinelles Lernen; Regression
AB Die vorliegende Arbeit gibt einen Überblick zur Ergänzung von Planungs- und Steuerungsprozessen im OP-Bereich von Krankenhäusern. Der Fokus liegt hier auf der automatisierten Vorhersage von Operationszeiten mittels maschineller Lernmethoden auf Basis von retrospektiven Daten. Der vorliegende Artikel befasst sich mit der Analyse der zu beziehenden Daten, der Aufbereitung und Vorverarbeitung dieser und der Empfehlung an geeigneten Algorithmen für das M Maschinelle Lernen. Die beschriebene Arbeit ist im Rahmen des SAB geförderten Projektes; Platform for Operation Scheduling and Prediction using machine learning (PROSPER) entstanden.
ER
Download

Mods

<mods>
  <titleInfo>
    <title>Datenbasierte Operationsplanung im Krankenhaus unter Entwicklung und Einbindung einer Machine Learning Plattform</title>
  </titleInfo>
  <name type="personal">
    <namePart type="family">Saß</namePart>
    <namePart type="given">Jennifer</namePart>
  </name>
  <name type="personal">
    <namePart type="family">Hartmann</namePart>
    <namePart type="given">Nick</namePart>
  </name>
  <name type="personal">
    <namePart type="family">Völker</namePart>
    <namePart type="given">Michael</namePart>
  </name>
  <name type="personal">
    <namePart type="family">Schmidt</namePart>
    <namePart type="given">Thorsten</namePart>
  </name>
  <abstract>Die vorliegende Arbeit gibt einen Überblick zur Ergänzung von Planungs- und Steuerungsprozessen im OP-Bereich von Krankenhäusern. Der Fokus liegt hier auf der automatisierten Vorhersage von Operationszeiten mittels maschineller Lernmethoden auf Basis von retrospektiven Daten. Der vorliegende Artikel befasst sich mit der Analyse der zu beziehenden Daten, der Aufbereitung und Vorverarbeitung dieser und der Empfehlung an geeigneten Algorithmen für das M Maschinelle Lernen. Die beschriebene Arbeit ist im Rahmen des SAB geförderten Projektes; Platform for Operation Scheduling and Prediction using machine learning (PROSPER) entstanden.</abstract>
  <subject>
    <topic>CRISP</topic>
    <topic>Classification</topic>
    <topic>Klassifikation</topic>
    <topic>Learning</topic>
    <topic>Maschinelles Lernen</topic>
    <topic>Regression</topic>
  </subject>
  <classification authority="ddc">620</classification>
  <relatedItem type="host">
    <genre authority="marcgt">periodical</genre>
    <genre>academic journal</genre>
    <titleInfo>
      <title>Logistics Journal : Proceedings</title>
    </titleInfo>
    <part>
      <detail type="volume">
        <number>2021</number>
      </detail>
      <detail type="issue">
        <number>17</number>
      </detail>
      <date>2021</date>
    </part>
  </relatedItem>
  <identifier type="issn">2192-9084</identifier>
  <identifier type="urn">urn:nbn:de:0009-14-54361</identifier>
  <identifier type="doi">10.2195/lj_Proc_sass_de_202112_01</identifier>
  <identifier type="uri">http://nbn-resolving.de/urn:nbn:de:0009-14-54361</identifier>
  <identifier type="citekey">saß2021</identifier>
</mods>
Download

Full Metadata

Bibliographic Citation Logistics Journal : referierte Veröffentlichungen, Vol. 2021, Iss. 17
Title

Datenbasierte Operationsplanung im Krankenhaus unter Entwicklung und Einbindung einer Machine Learning Plattform (ger)
Author Jennifer Saß, Nick Hartmann, Michael Völker, Thorsten Schmidt
Language ger
Abstract Die vorliegende Arbeit gibt einen Überblick zur Ergänzung von Planungs- und Steuerungsprozessen im OP-Bereich von Krankenhäusern. Der Fokus liegt hier auf der automatisierten Vorhersage von Operationszeiten mittels maschineller Lernmethoden auf Basis von retrospektiven Daten. Der vorliegende Artikel befasst sich mit der Analyse der zu beziehenden Daten, der Aufbereitung und Vorverarbeitung dieser und der Empfehlung an geeigneten Algorithmen für das M Maschinelle Lernen. Die beschriebene Arbeit ist im Rahmen des SAB geförderten Projektes; Platform for Operation Scheduling and Prediction using machine learning (PROSPER) entstanden. This paper gives an overview of the enhancement of planning and control processes in the operating theater of hospitals. The focus here is on the automated prediction of operating times using machine learning methods based on retrospective data. This article deals with the analysis of the data to be obtained, the preparation and preprocessing of this data and the recommendation of suitable algorithms for machine learning. This work was carried out as part of the funded project Platform for Operation Scheduling and Prediction using machine learning (PROSPER).
Subject CRISP, Classification, Klassifikation, Learning, Maschinelles Lernen, Regression
DDC 620
Rights fDPPL
URN: urn:nbn:de:0009-14-54361
DOI https://doi.org/10.2195/lj_Proc_sass_de_202112_01