Bewohnerklassifikation in der stationären Langzeitpflege unter Anwendung von Regressionsverfahren des statistischen Lernens in R

Die Personalbemessung in der stationären Langzeitpflege beruht in Deutschland auf einem normativen System von Personalschlüsseln, die nach den Pflegestufen des SGB XI differenzieren. Dieses System entbehrt sowohl einer theoretischen wie auch einer empirischen Fundierung. Empirische Daten weisen zudem darauf hin, dass die gruppenstiftenden Pflegestufen im stationären Setting weder trennscharf noch ausreichend homogen sind. Ein empirisches System zur Patientenklassifikation muss den zeitlichen Pflegeaufwand aus Zustandscharakteristika (Fähigkeiten, Einbußen, Diagnosen) heraus erklären. Dessen Entwicklung stellt somit ein Regressionsproblem mit explorativem Charakter dar, welches zudem nichtparametrische Verfahren voraussetzt. Der Beitrag thematisiert die Entwicklung von Modellen zur Erklärung des Pflegeaufwands mithilfe von nichtparametrischen Methoden des statistischen Lernens aus dem Bereich des rekursiven Partitionierens (CART, MARS, cTree), wobei neben der Varianzaufklärung die Eignung dieser Algorithmen zur Identifizierung von Interaktionen sowie für den Umgang mit fehlenden Werten beleuchtet werden. Zudem wird der der Einsatz von Ensemblemethoden (Random Forests, cForest, Gradient Boosting) zur Varianzaufklärung sowie zur Beurteilung der Bedeutsamkeit einzelner erklärender Variablen dargestellt. Zur Modellierung wurden die R- Packages rpart, party, earth, randomForest und gbm eingesetzt.