KI-Ambulanzauslastung vorhersagen: So planen Praxen richtig

Dieser Beitrag geht der Frage nach, ob Patientenaufkommen eine vollständige Blackbox ist oder sich mit Modellen einschätzen lässt, die historische und aktuelle Daten auswerten, statt sich allein auf Bauchgefühl und Erfahrungswerte des Teams zu verlassen. Zwei aktuelle Projekte aus dem Gesundheitswesen liefern die Antwort.

Definition: KI-Ambulanzauslastung bezeichnet den Einsatz von Algorithmen, die auf Basis historischer und aktueller Patientendaten das voraussichtliche Patientenaufkommen in Ambulanzen, Notaufnahmen oder Arztpraxen für einen bestimmten Zeitraum vorhersagen. Ziel ist es, Personal-, Termin- und Ressourcenplanung an die erwartete Auslastung anzupassen, statt sich ausschließlich auf Erfahrungswerte zu stützen.

Der Irrtum: Patientenaufkommen lässt sich nicht vorhersagen

Man könnte einwenden, Patienten kämen, wie sie kämen, und das lasse sich nicht seriös vorhersagen. Der Gedanke dahinter ist verständlich – jeder Tag bringt neue Fälle, jede Aufnahme ist ein Einzelfall. Die im folgenden Abschnitt dargestellte Datenlage widerspricht dieser Annahme jedoch in ihrer Pauschalität. Zwei aktuelle Projekte zeigen, dass strukturierte Prognosen dort ansetzen, wo reine Erfahrung an ihre Grenzen stößt.

Was Studien zur KI-Ambulanzauslastung tatsächlich zeigen

In einer Studie an sechs Kliniken des Mount Sinai Health System übertraf ein KI-Modell, das mit einer umfangreichen Menge historischer Notaufnahme-Besuche trainiert wurde, bei einer großen Zahl prospektiv ausgewerteter Fälle die Einschätzung von 574 Pflegekräften bei der Vorhersage von Krankenhausaufnahmen: Das Modell erreichte eine Genauigkeit von 85,4 Prozent gegenüber 81,6 Prozent bei der Ersteinschätzung durch das Pflegepersonal (Mount Sinai Health System, Preprint auf medRxiv, später peer-reviewed erschienen in Mayo Clinic Proceedings: Digital Health, https://pmc.ncbi.nlm.nih.gov/articles/PMC12036418/).

Ein weiteres Beispiel kommt aus Deutschland: Vorstudien des DFKI und der Universität Leipzig erreichten bei der Vorhersage der Aufenthaltsdauer nach Notaufnahme-Aufnahme eine Unsicherheit von etwa zwei Tagen. Darauf aufbauend entwickeln das Universitätsklinikum Schleswig-Holstein, das DFKI und das Unternehmen singularIT im vom Land Schleswig-Holstein geförderten Projekt APONA ein Modell, das solche Vorhersagen produktiv nutzbar machen soll, um Betten rechtzeitig zu reservieren – welche Technik dabei konkret zum Einsatz kommt, war laut den Projektbeteiligten zum Zeitpunkt der Berichterstattung noch offen (heise online, 2023, https://www.heise.de/news/Nach-der-Notaufnahme-KI-Modell-soll-Aufenthalt-im-Krankenhaus-ermitteln-9288608.html).

Sowohl die Mount-Sinai-Studie als auch die APONA-Vorstudien zeigen: Je mehr strukturierte Vergangenheitsdaten vorlagen, desto belastbarer waren die Prognosen gegenüber einer punktuellen Einschätzung im Moment der Aufnahme. Der pauschale Einwand, Patientenaufkommen sei grundsätzlich nicht vorhersagbar, trifft auf diese Beispiele damit nicht zu.

Wo Prognosen im Praxisalltag ansetzen

Für Arztpraxen, Pflegeeinrichtungen, MVZ und Apotheken zahlt eine bessere Auslastungsprognose auf mehrere Baustellen gleichzeitig ein. Die folgende Übersicht ordnet typische Engpässe den Ansatzpunkten zu:

Engpass im Alltag	Was die Prognose ändert
Terminmanagement	Sprechstundenkapazität wird an erwartetes Patientenaufkommen angepasst, statt nach festem Raster zu planen
Personalmangel / Schichtplanung	Personaleinsatz wird auf erwartete Spitzenzeiten statt auf Durchschnittswerte ausgerichtet
Dokumentationspflicht	Vorhersehbare Stoßzeiten schaffen Zeitfenster für strukturierte Nachdokumentation
Abrechnungsprozesse	Vorhersehbares Fallaufkommen erleichtert die Planung von Abrechnungs- und Kodierarbeit

Ähnlich wie bei der KI-gestützten No-Show-Prognose in Zahnarztpraxen geht es auch bei der Ambulanzauslastung darum, Kapazität an tatsächliche Nachfrage anzupassen, statt Nachfrage nach vorhandener Kapazität zu behandeln. Wo Personalmangel die Schichtplanung erschwert, setzt beispielsweise die KI-gestützte Schichtplanung für Pflegedienste an einem verwandten Problem an. Und weil Fallaufkommen und Abrechnungsaufwand eng zusammenhängen, lohnt bei diesem Thema auch ein Blick auf die KI-gestützte Versicherungsabrechnung in Arztpraxen.

Rechenbeispiel: Was eine bessere Vorhersage bedeutet

Ein Rechenbeispiel zur Einordnung, ausdrücklich als Modellrechnung gekennzeichnet: Angenommen, eine Ambulanz plant ihre Schichtbesetzung bislang nach dem Durchschnitt der letzten vier Wochen, 60 Patientenkontakte pro Tag. Sagt ein Modell für einen bestimmten Wochentag stattdessen 72 Kontakte voraus, ein Plus von 20 Prozent, und wird die Personalplanung in diesem Szenario entsprechend angepasst, verringert sich rechnerisch das Risiko von Wartezeiten in der Spitzenstunde – vorausgesetzt, zusätzliches Personal steht kurzfristig tatsächlich zur Verfügung. Das Beispiel ist keine Erfolgsgarantie, sondern zeigt, an welcher Stellschraube eine Prognose überhaupt ansetzt: an der Passung von erwarteter Nachfrage und geplanter Kapazität.

KImpuls analysiert Geschäftsprozesse, findet Ineffizienzen und berechnet Optimierungspotenziale mit ROI. Die Plattform ist seit Frühjahr 2026 bei ersten Kunden aus Logistik und Handel produktiv im Einsatz und wird jeweils auf die Abläufe des Betriebs konfiguriert.

Was KI-Ambulanzauslastung nicht löst

Eine ehrliche Grenze gehört in diesen Artikel: Eine Prognose sagt voraus, wie viele Patienten kommen. Sie stellt kein zusätzliches Personal ein, wenn die Stelle unbesetzt ist, und sie ersetzt keine medizinische Entscheidung im Einzelfall. Wo eine Einrichtung strukturell zu wenig Personal hat, verschiebt eine bessere Prognose den Engpass unserer Einschätzung nach höchstens sichtbar in die richtige Schicht, sie beseitigt ihn nicht. Wir raten deshalb davon ab, eine Auslastungsprognose isoliert einzuführen, ohne vorher zu klären, ob im Ernstfall überhaupt zusätzliches Personal verfügbar gemacht werden kann. Sonst bleibt das Bild eines Problems präzise, das trotzdem ungelöst bleibt.

Fazit

Im Mount Sinai Health System ließen sich Krankenhausaufnahmen mit einem strukturierten Modell vorhersagen – teils genauer als mit der Ersteinschätzung des Pflegepersonals. Vorstudien zur Aufenthaltsdauer nach Notaufnahme-Aufnahme zeigen ein ähnliches Bild; darauf baut das laufende, noch nicht abgeschlossene Projekt APONA auf. Für Praxen, Pflegeeinrichtungen, MVZ und Kliniken lohnt sich der Blick auf diese Technik dort, wo Terminmanagement, Personaleinsatz, Dokumentation und Abrechnung aneinanderhängen. Entscheidend ist, die Prognose als Planungsgrundlage zu verstehen und nicht als Ersatz für ausreichend Personal oder klinisches Urteilsvermögen.

Häufig gestellte Fragen

Was ist KI-Ambulanzauslastung genau? KI-Ambulanzauslastung bezeichnet Modelle, die aus historischen und aktuellen Patientendaten das voraussichtliche Patientenaufkommen für einen bestimmten Zeitraum berechnen. Praxen und Kliniken nutzen diese Vorhersage, um Personal-, Termin- und Ressourcenplanung daran auszurichten.

Wie genau sind KI-Modelle bei der Vorhersage von Patientenaufkommen? In der Mount-Sinai-Studie erreichte ein trainiertes Modell bei einer großen Zahl prospektiv ausgewerteter Fälle eine Genauigkeit von 85,4 Prozent bei der Vorhersage von Krankenhausaufnahmen, gegenüber 81,6 Prozent bei der Einschätzung durch Pflegepersonal (https://pmc.ncbi.nlm.nih.gov/articles/PMC12036418/). Das ist ein Ergebnis aus einer konkreten Studie, keine allgemeingültige Erfolgsquote für jede Einrichtung.

Für welche Einrichtungen lohnt sich eine Auslastungsprognose? Grundsätzlich für alle Einrichtungen mit wiederkehrenden Patientenströmen: Arztpraxen, MVZ, Notaufnahmen, Kliniken und Pflegedienste. Je regelmäßiger die Datenbasis und je enger Terminmanagement, Personaleinsatz und Abrechnung zusammenhängen, desto mehr Ansatzpunkte bietet eine Prognose.

Ersetzt eine KI-Prognose die Personalplanung? Nein. Eine Prognose liefert eine Entscheidungsgrundlage für die Personalplanung, sie stellt aber kein Personal bereit und trifft keine klinischen Entscheidungen. Ist die Personaldecke strukturell zu dünn, macht die Prognose das Problem sichtbarer, löst es aber nicht von selbst.