OP-Saal-Auslastung: ML-Prognose reduziert Leerlaufzeiten

Das echte Ausmaß des Problems

Ein OP-Saal kostet im laufenden Betrieb 15–40 Euro pro Minute, je nach Personalbesetzung, Geräteeinsatz und Raumgröße. Das sind 7.200 bis 19.200 Euro pro Acht-Stunden-Tag. Wenn eine Stunde leer steht, ist das Geld weg, kein DRG-Erlös, keine Leistung, aber die vollen Fixkosten laufen weiter.

Studien und Praxisberichte aus deutschen Krankenhäusern zeigen: Zwischen 20 und 35 Prozent der geplanten OP-Kapazität geht in der Realität durch Leerläufe verloren. Der häufigste Auslöser sind nicht technische Pannen oder Notfälle, sondern schlicht falsch eingeschätzte OP-Dauern. Ein Eingriff, für den 90 Minuten eingeplant waren, dauert 55 Minuten, und die restlichen 35 Minuten sind für keinen weiteren Eingriff nutzbar, weil der Plan dafür keinen Spielraum vorsah.

Das Gegenteil ist genauso schmerzhaft: Eingriffe, die länger dauern als geplant, verschieben den gesamten Tagesplan. Das Team macht Überstunden, ambulante Patienten warten, Nachfolgeeingriffe werden verschoben oder abgesagt.

Der entscheidende Konstruktionsfehler im klassischen Planungsmodell: OP-Dauern werden als Durchschnittswert je Eingriffskategorie gespeichert. Das System kennt keine Unterschiede zwischen einer routinierten Chirurgin mit 800 Eingriffen und einem Assistenzarzt im dritten Jahr. Es berücksichtigt nicht, ob der Patient 78 Jahre alt ist und einen ASA-Score von 3 hat. Es ignoriert, ob es sich um einen Ersteingriff oder eine Revision handelt.

Zur wirtschaftlichen Dimension, und hier ist Vorsicht geboten: Bei einem Haus mit 6 OP-Sälen und 250 Betriebstagen entspricht eine Stunde weniger Leerlauf pro Saal täglich 1.500 zusätzlich nutzbaren OP-Stunden im Jahr. Was diese Stunden wert sind, hängt an einer Größe, die keine Software liefert: dem Deckungsbeitrag je OP-Stunde in deinem Eingriffsmix, also dem DRG-Erlös abzüglich der Kosten, die mit dem zusätzlichen Fall entstehen, von Implantaten über Station bis Pflege. Der DRG-Erlös eines Falls vergütet den gesamten Aufenthalt, nicht die OP-Stunde, und er als Maßstab für eine einzelne gewonnene Saalstunde zu nehmen, ist der häufigste Rechenfehler in diesem Feld. Dein Medizincontrolling kennt den Deckungsbeitrag je Saalstunde, und nur mit dieser Zahl wird aus gewonnener Zeit Geld.

Das einzige detaillierte deutsche Zahlenwerk dazu kommt vom Anbieter selbst: Getinge berichtet für das Klinikum Stuttgart nach Einführung der Predictive Analytics-gestützten OP-Planung mit Torin eine um 6 Prozent höhere Saalauslastung in der Kernbetriebszeit, rund 2.000 zusätzliche Eingriffe im Jahr und 4 Prozent mehr Gewinn. Das ist eine Anbieterangabe über ein Referenzhaus, keine unabhängige Evaluation, und sie ist trotzdem der beste verfügbare Anhaltspunkt, weil sie konkret ist und das Haus benennt.

Diese Darstellung ist eine fachliche Orientierung, kein Rechts- oder Beratungsersatz. Konkrete klinische, haftungsrechtliche und regulatorische Anforderungen (Medizinischer Dienst, MDR und MPDG, KRITIS) sind mit Klinikhygiene, Rechtsabteilung und IT-Sicherheitsbeauftragten abzustimmen. Das Medizinproduktegesetz wird hier bewusst nicht mehr genannt: Es ist seit 2021 durch die MDR und das MPDG abgelöst, ebenso heißt der MDK seit 2022 Medizinischer Dienst.

Mit vs. ohne KI, ein ehrlicher Vergleich

¹ Eigene Schätzwerte basierend auf nextOR-Herstellerangaben (40% höhere Planungspräzision, 25% weniger Überstunden) und PMC-Studien zu ML-basierter OP-Dauerprognose. Ergebnisse sind stark abhängig von Datenqualität, Eingriffsverteilung und Umsetzungsdisziplin. ² Klinikum Stuttgart / Getinge Torin, 1. Halbjahr 2022 gegenüber dem 1. Halbjahr 2020 (Getinge, 2022).

Einschätzung auf einen Blick

Zeitersparnis, mittel (3/5)
Das Planungsteam spart täglich 1–2 Stunden manueller Koordinationsarbeit, bei Notfall-Resequencing manchmal sogar 3 Stunden. Das ist real, aber nicht der Hauptgewinn. Der eigentliche Wert liegt in der zurückgewonnenen OR-Kapazität, nicht in eingesparter Arbeitszeit. Verglichen mit anderen Gesundheits-Anwendungsfällen wie der KI-gestützten Arztbriefschreibung, die täglich je Arzt Stunden einsparen, ist hier der Zeitvorteil konzentrierter aber weniger personenbreit.

Kosteneinsparung, sehr hoch (5/5)
Das ist der stärkste wirtschaftliche Hebel in dieser Kategorie. Eine Stunde weniger Leerlauf pro Saal und Tag sind bei fünf Operationstagen fünf Stunden pro Saal und Woche, bei sechs Sälen 30 Stunden. Auf 250 Betriebstage gerechnet sind das 1.500 zusätzlich nutzbare Saalstunden im Jahr. Der Euro-Wert daraus ergibt sich aus dem Deckungsbeitrag je Saalstunde in deinem Eingriffsmix, nicht aus dem DRG-Erlös, und er ist über die Erlös- und Kostenträgerrechnung nachweisbar. Kein anderer Anwendungsfall im Gesundheitsbereich hat eine vergleichbar direkte Verbindung zum Krankenhausergebnis, und genau deshalb lohnt es sich, ihn nicht schönzurechnen.

Schnelle Umsetzung, schwierig (2/5)
Das ist die ehrlichste Einschätzung in diesem Artikel: KIS-Integration, historische Datenbereinigung, Modelltraining, Validierungsphase, Change Management mit Chirurgen, realistisch 9–18 Monate bis zum produktiven Betrieb. Wer etwas anderes verspricht, hat die Schnittstellen zu SAP IS-H oder Orbis noch nicht gesehen. Unter den Gesundheits-Anwendungsfällen ist dies einer der aufwändigsten Einstiege, zusammen mit dem Sepsis-Frühwarnsystem.

ROI-Sicherheit, hoch (4/5)
Der Nutzen ist messbar: OR-Auslastungsrate (Minuten genutzter vs. verfügbarer OP-Zeit), Anzahl abgerechneter Eingriffe, Überstundenvolumen. Für das Klinikum Stuttgart hat der Anbieter Auslastung, Eingriffszahl und Gewinn veröffentlicht. Die Unsicherheit liegt in der Implementierungsqualität und im Chirurgen-Buy-in, deshalb keine 5. Wer schlechte Daten einspeist oder dessen System im Alltag nicht angenommen wird, sieht keinen ROI.

Skalierbarkeit, mittel (3/5)
Ein Modell, das für Standort A trainiert wurde, lässt sich nicht 1:1 auf Standort B übertragen, verschiedene Chirurgenteams, unterschiedliche Eingriffsmixe, andere Gerätelandschaft. Für einen einzelnen Standort ist die Skalierung auf mehr Säle einfach. Konzernintern auf 5 Standorte hochzuziehen bedeutet 5 Implementierungsprojekte, nicht eines.

Richtwerte, stark abhängig von Eingriffsmix, Datenqualität und Implementierungstiefe.

Was das System konkret macht

Klassische OP-Planung arbeitet mit einem Punktwert: „Kniearthroskopie = 65 Minuten”. Das ist der historische Durchschnitt aller Kniearthroskopien in der Datenbank, unabhängig vom Chirurgen, vom Patienten, vom Zeitpunkt.

Machine Learning arbeitet anders. Statt eines Durchschnittswerts lernt das Modell aus tausenden historischer OP-Datensätze, welche Faktorkombinationen zu kürzeren oder längeren Operationen geführt haben:

• Chirurgenspezifisch: Chirurgin A braucht bei Kniearthroskopien im Schnitt 58 Minuten, Assistenzarzt B 79 Minuten, und das Modell weiß, warum
• Patientenspezifisch: ASA-Score 3, Body-Mass-Index > 35, Revisions-Eingriff, jeder Faktor verschiebt die Prognose
• Kontext: Der erste Eingriff des Tages dauert typischerweise länger als der zweite (Rüstzeit), und Montagsprogramme weichen systematisch von Programmen in der Wochenmitte ab

Statt eines Punktwerts liefert das Modell eine Verteilung: P50 (50% der Fälle dauern kürzer) und P90 (90% der Fälle dauern kürzer). Damit können Planer bewusst entscheiden: Dieser kurze Eingriff am Ende des Tages bekommt den P50-Wert, bei 30 Minuten Restzeit ist das vertretbar. Dieser komplexe Revisionseingriff bekommt den P90-Puffer, 20 Minuten Sicherheitsabstand, damit der Saal pünktlich schließt.

Auf Basis dieser Verteilungen berechnet eine Constraint-Optimierungsschicht den Tagesplan: Welche Eingriffe in welcher Reihenfolge in welchen Saal? Unter Berücksichtigung von Geräte- und Raumverfügbarkeit, Chirurgenpräferenzen, Hygieneabfolgen und Personalverfügbarkeit.

Das Ergebnis ist kein autonom erstellter Plan, der OP-Manager entscheidet und freigibt. Aber statt mit einem leeren Excel zu beginnen, startet die Planung mit einem optimierten Vorschlag, der in Minuten angepasst werden kann.

Das Seoul National University Hospital hat einen Random-Forest-Ansatz an 240.654 chirurgischen Datensätzen (2018–2022) entwickelt und berichtet ein R² von 0,92, das Modell erklärt also 92 Prozent der Varianz der OP-Dauer (Journal of Medical Systems, Springer 2025). Diese Zahl gehört eingeordnet, sonst wird sie zur Erwartung: Sie stammt aus einer retrospektiven Auswertung an einem einzigen Häuser-Datensatz mit sehr hoher Fallzahl je Eingriffsart. Modelle, die an einem Haus trainiert und an einem anderen getestet werden, liegen in der Literatur deutlich darunter. Erwarte in deinem Haus nicht 0,92, sondern miss, was du bekommst.

Wenn der Chirurg kurzfristig ausfällt, das Notfall-Resequencing-Problem

Ausfall-Szenarien wie Miriams Montag sind kein Ausnahmefall. Krankenhausplaner berichten von durchschnittlich 2–4 kurzfristigen Planänderungen pro OP-Tag, Krankmeldungen, Notfallaufnahmen, Geräteausfälle, Patientenabsagen.

Das Kernproblem beim Resequencing ist die Kombinatorik: Jede Verschiebung erzeugt Folgeanpassungen. Wenn Saal 3 wegen eines Ausfalls neu belegt werden muss, ist das nicht nur eine Frage, welcher Eingriff passt, sondern ob die Anästhesistin verfügbar ist, ob das Implantatlager den passenden Artikel hat, ob die Hygieneabfolge mit dem Voreingriff kompatibel ist, und ob der Patient schon prämediziert wurde.

Ein ML-gestütztes System kann diese Szenarien in Sekunden berechnen und priorisierte Alternativpläne vorschlagen, nicht als Automat, sondern als Entscheidungsunterstützung für den OP-Manager. Das Ergebnis: Resequencing in 15–30 Minuten statt 2–3 Stunden manuellem Umplanen.

Was das System dabei nicht lösen kann: die menschliche Kommunikation. Selbst wenn der optimale Plan in zwei Minuten berechnet ist, die Chirurginnen müssen informiert werden, das Pflegepersonal umgeplant, der nächste Patient aus dem Wartebereich geholt. Der administrative Ablauf um die technische Lösung herum bleibt Aufgabe des OP-Managements.

Praxistipp für Einführungsteams: Beginnt nicht mit dem Regelbetrieb, sondern mit einer dreimonatigen Parallel-Simulationsphase. Das Planungsteam führt weiterhin den manuellen Plan, sieht aber parallel den KI-Vorschlag, und kann nachvollziehen, wo die Systeme divergieren und warum. Das baut Vertrauen auf, bevor das System zur primären Planungsinstanz wird.

Diese Darstellung beschreibt das technische Resequencing-Prinzip. Die Verantwortung für patientensicherheitsrelevante Entscheidungen (Hygieneabfolge, medizinische Dringlichkeit, Anästhesiefreigabe) verbleibt bei den klinisch Verantwortlichen, ein System liefert Vorschläge, keine Anordnungen.

Was die KIS-Integration wirklich bedeutet

Wer in einem deutschen Krankenhaus über OP-Daten-basiertes Machine Learning spricht, muss über KIS-Integration sprechen. Und wer über KIS-Integration spricht, muss Klartext reden: Das ist das aufwändigste Element des Projekts, nicht das ML-Modell.

SAP IS-H, mit Ablaufdatum. SAP hat angekündigt, IS-H 2030 einzustellen. Viele deutsche Häuser befinden sich deshalb gerade in einer KIS-Übergangssituation: IS-H läuft noch, ein Nachfolger (häufig Dedalus ORBIS) ist in Evaluation oder Einführung. Ein ML-Modell, das auf IS-H-Daten trainiert wurde, muss nach einem KIS-Wechsel vollständig neu kalibriert werden, die Datenstruktur, Prozesscodes und Zeitstempel-Definitionen können sich fundamental unterscheiden.

Was das konkret bedeutet: Wer 2026 mit einem ML-Projekt auf IS-H-Basis startet und 2028 auf ORBIS migriert, startet das ML-Projekt danach faktisch von vorn. Das ist nicht ein Argument gegen den Start, aber ein Argument dafür, jetzt mit sauberer Datendokumentation zu beginnen, damit das Retraining nach der Migration schneller geht.

HL7 und FHIR, der Goldstandard, der in der Praxis holpert. Die ISiK-Standards schreiben seit 2023 FHIR-konforme Schnittstellen für deutsche Krankenhäuser vor. In der Theorie bedeutet das: Modernes KIS hat eine standardisierte FHIR-Schnittstelle, ML-System koppelt an, fertig. In der Praxis: Ältere HL7-v2-Installationen haben proprietäre Erweiterungen, Zeitstempel-Inkonsistenzen und fehlende Felder. Die Datenbereinigung dauert länger als das Modelltraining.

Checkliste vor Projektstart:

• Sind chirurgische Eingriffe strukturiert kodiert (OPS-Code), oder nur als Freitext?
• Werden Beginn und Ende (Schnitt und Naht) als separate Zeitstempel dokumentiert?
• Existiert eine saubere Zuordnung Chirurg→Eingriff→tatsächliche Dauer, ohne manuelle Nachkorrekturen?
• Ist der Anästhesiebeginn separat erfasst (für Einleitungszeit)?

Vier Ja-Antworten bedeuten: Das Projekt kann in 9–12 Monaten starten. Weniger als vier bedeuten: Zuerst Datenqualitätsprojekt, dann ML.

Diese Darstellung ist eine fachliche Orientierung, kein Rechts- oder Beratungsersatz. Konkrete klinische, haftungsrechtliche und regulatorische Anforderungen (Medizinischer Dienst, MDR und MPDG, KRITIS) sind mit Klinikhygiene, Rechtsabteilung und IT-Sicherheitsbeauftragten abzustimmen.

Konkrete Werkzeuge, was wann passt

Getinge Torin , der etablierte internationale Standard für KI-gestütztes OR-Management. Klinikum Stuttgart hat Torin seit 2017 im Einsatz, der Anbieter berichtet von dort 6 % mehr Saalauslastung in der Kernbetriebszeit und rund 2.000 zusätzliche Eingriffe im Jahr. Torin bietet tiefe Integration in bestehende KIS-Landschaften (HL7, FHIR), Performance-Analytics und Echtzeit-Tagesplanung. Subscription-Modell, Preis auf Anfrage. Geeignet für Häuser mit 5+ OP-Sälen und vorhandener digitaler OP-Dokumentation. Getinge ist ein Medizintechnik-Konzern mit globalem Support, das bedeutet Stabilität, aber auch längere Entscheidungsprozesse beim Anbieter.

nextOR , das deutsche SaaS-Pendant. nextOR GmbH und SAP haben eine Partnerschaft für die DACH-Region, was die SAP IS-H-Integration erleichtert. Bidirektionale FHIR-Schnittstelle, Cloud oder On-Premise, DSGVO-nativ. Herstellerangaben: 40% höhere Planungspräzision, 25% weniger Überstunden, über 60% weniger Prozesskosten im administrativen OP-Management. SaaS-Jahresgebühr basierend auf Eingriffszahl, kein fixer Lizenzblock. Für Häuser, die eine deutsche Lösung mit lokaler Unterstützung und SAP-Integration bevorzugen.

Custom-ML-Ansatz (intern oder mit KI-Dienstleister), Für Häuser, die vollständige Datenkontrolle benötigen oder besondere Eingriffsmixe haben (z.B. Universitätskliniken mit hohem Anteil experimenteller Verfahren). Gradient-Boosting-Modelle (XGBoost, LightGBM) kombiniert mit Quantilregression sind Stand der Forschung. Entwicklungsaufwand: 6–18 Monate je nach Datenqualität. Laufende Kosten: Infrastruktur + Retraining. Empfehlenswert, wenn Sonderanforderungen an Integrationen oder Datenhaltung bestehen, die Standardlösungen nicht erfüllen.

Zusammenfassung: Wann welcher Ansatz

• Etablierte internationale Lösung, 5+ Säle → Getinge Torin
• Deutsche SaaS-Lösung mit SAP-Integration → nextOR
• Vollständige Datenkontrolle, Uni-Klinik oder Sonderanforderungen → Custom ML mit KI-Dienstleister

Eine kostenlose Eigenentwicklung mit generischen Open-Source-Tools (z.B. scikit-learn auf rohen KIS-Exporten) ist technisch möglich, aber in der Praxis nicht empfehlenswert: Der Aufwand für saubere Datenextraktion, Modellvalidierung und klinischen Qualitätssicherungsprozess übersteigt bei den meisten Häusern den Preis einer Speziallösung.

Datenschutz und Datenhaltung

OP-Daten sind medizinische Daten und damit besonders schützenswerte personenbezogene Daten nach Art. 9 DSGVO. Das Krankenhaus ist Verantwortlicher im Sinne der DSGVO; jeder externe Anbieter, der OP-Daten verarbeitet, muss über einen Auftragsverarbeitungsvertrag (AVV) nach Art. 28 DSGVO eingebunden werden.

Beide Hauptlösungen erfüllen die EU-Anforderungen, aber mit unterschiedlichem Profil:

• Getinge Torin : Getinge ist ein schwedisches Unternehmen, Cloud-Hosting in der EU verfügbar. AVV erhältlich. Für Daten im Cloud-Betrieb: sicherstellen, dass EU-Rechenzentrum ausdrücklich im Vertrag vereinbart ist.
• nextOR : Deutsches Unternehmen, DSGVO-native Architektur, On-Premise-Option verfügbar. Für Häuser mit strengen Datenlokalisierungsanforderungen die einfachere Wahl.

Für Krankenhäuser unter KRITIS-Regularien (Häuser mit mehr als 30.000 vollstationären Fällen/Jahr) gilt zusätzlich: Jedes neue IT-System, das kritische Prozesse wie die OP-Planung berührt, unterliegt dem Branchenspezifischen Sicherheitsstandard B3S für Krankenhäuser und muss in das IT-Sicherheitskonzept eingebunden werden. Die Meldepflichten gegenüber dem BSI bei Sicherheitsvorfällen gelten auch für KI-gestützte Planungssysteme.

Eine Datenschutz-Folgenabschätzung (DSFA) nach Art. 35 DSGVO ist empfehlenswert, wenn das ML-System individuelle Chirurgenprofile erstellt, das gilt als systematische Verarbeitung zu Bewertungszwecken.

Und genau an diesem Punkt lohnt auch ein Blick in die KI-Verordnung. Die OP-Planung selbst steht nicht in Anhang III, die Liste der Hochrisiko-Bereiche ist abschließend, und aus dem Gesundheitswesen nennt sie allein die Triage in der Notfallversorgung. Ein System, das Saalbelegungen optimiert, fällt nicht darunter. Die Ziffer, die hier in Betracht kommt, steht im Arbeitsrecht: Anhang III Nr. 4 Buchst. b erfasst KI-Systeme, die bestimmungsgemäß zur Beobachtung und Bewertung der Leistung von Beschäftigten oder zur Zuweisung von Aufgaben eingesetzt werden. Ein Modell, das je Chirurgin eine individuelle Prognosegenauigkeit führt und daraus Saalzuweisungen ableitet, kommt dem nahe genug, um die Frage vor dem Rollout zu klären, nicht danach. Wo die Auswertung auf Eingriffsgruppen und Teams bleibt, stellt sie sich nicht. Das ist eine Gestaltungsentscheidung beim Zuschnitt des Modells, keine Auslegungsfrage.

Falls die Ziffer greift: Die Pflichten aus Kapitel III Abschnitte 1 bis 3 gelten für Anhang-III-Systeme seit der Änderung durch die Verordnung (EU) 2026/1744 vom 8. Juli 2026 ab dem 2. Dezember 2027. Bereits heute gilt Art. 26 Abs. 7: Wer ein Hochrisikosystem am Arbeitsplatz einsetzt, muss die Arbeitnehmervertretung und die betroffenen Beschäftigten vor der Inbetriebnahme informieren. Und der Betriebs- oder Personalrat hat nach § 87 Abs. 1 Nr. 6 BetrVG ohnehin mitzubestimmen, sobald individuelle Leistungsdaten entstehen, unabhängig davon, wie die KI-Verordnung die Sache einstuft.

Diese Darstellung ist eine fachliche Orientierung, kein Rechts- oder Beratungsersatz. Konkrete klinische, haftungsrechtliche und regulatorische Anforderungen (Medizinischer Dienst, MDR und MPDG, KRITIS) sind mit Klinikhygiene, Rechtsabteilung und IT-Sicherheitsbeauftragten abzustimmen.

Was es kostet, realistisch gerechnet

Einmalige Projektkosten

• Datenaudit und KIS-Schnittstellenanalyse: 15.000–40.000 Euro (abhängig von KIS-Komplexität und externem Beratungsanteil)
• Implementierung und Integration (Anbieter): variiert stark, in der Regel im sechsstelligen Bereich für ein Haus mit 6+ Sälen
• Interne Projektkosten: OP-Manager-Zeit, IT-Zeit, klinische Projektleitung, oft unterschätzt

Laufende Kosten (jährlich)

• Lizenz/SaaS: Abhängig von Eingriffsvolumen; für ein Haus mit 6.000–10.000 Eingriffen/Jahr sind 80.000–200.000 Euro realistisch (keine verifizierten Listenpreise, Orientierung aus Marktbeobachtung)
• Systempflege, Retraining-Zyklen: 10–15% der Erstimplementierungskosten jährlich

ROI-Rechnung, mit der richtigen Bezugsgröße 6 OP-Säle, 250 Betriebstage, Ziel: 45 Minuten weniger Leerlauf pro Saal und Tag.

45 Minuten × 6 Säle × 250 Tage = 67.500 Minuten = 1.125 zusätzlich nutzbare Saalstunden pro Jahr. Bis hierhin ist die Rechnung sauber, und hier hören die meisten Aufstellungen nicht auf, sondern multiplizieren mit einem DRG-Erlös je Stunde. Genau das ist falsch, und zwar um ein Vielfaches.

Ein DRG-Erlös vergütet den kompletten stationären Fall: Aufnahme, Station, Pflege, Diagnostik, Implantate, Entlassung. Ihn einer einzelnen gewonnenen Saalstunde zuzuschreiben unterstellt, dass die übrigen Kosten des Falls bei null liegen. Die richtige Größe ist der Deckungsbeitrag je Saalstunde, also was nach Abzug der fallvariablen Kosten übrig bleibt. Diese Seite nannte in einem Abschnitt 200 bis 400 Euro je Stunde und in einem anderen 1.500 Euro, ein Faktor von vier bis sieben zwischen zwei Absätzen derselben Seite. Wir nennen jetzt keinen mehr, weil die Zahl je nach Eingriffsmix und Kostenstruktur so stark streut, dass jeder Richtwert in die Irre führt.

So bekommst du sie: Frag dein Medizincontrolling nach dem durchschnittlichen Deckungsbeitrag je Schnitt-Naht-Stunde für die drei Eingriffsgruppen, die dein elektives Programm dominieren. Das ist eine Standardauswertung. Multipliziert mit den 1.125 Stunden und mit dem Anteil, den ihr in den ersten 18 Monaten realistisch abruft, also nicht dem vollen, ergibt das die einzige belastbare Zahl für eure Investitionsvorlage.

Und es bleibt dabei: Häuser, die an schlechter Datenqualität oder Chirurgen-Widerstand scheitern, realisieren gar nichts davon.

Wie du den Nutzen tatsächlich misst
Basiskennzahl vor Start: OR-Auslastungsrate in der Kernbetriebszeit (dokumentierte Nutzungsminuten / verfügbare Betriebsminuten). Diese Zahl erhebst du aus dem bestehenden KIS, sie ist die Baseline. Nach Einführung messbar: Auslastungsrate, Eingriffszahl, Überstundenvolumen. Wenn diese drei Kennzahlen nach 12 Monaten nicht messbar besser sind, stimmt etwas mit der Implementierungsqualität oder dem Chirurgen-Buy-in nicht.

Diese Darstellung ist eine fachliche Orientierung, kein Rechts- oder Beratungsersatz. DRG-Erlöse, Deckungsbeitragsrechnung und konkrete Abrechnungsfragen sind mit der Krankenhausverwaltung, dem Medizincontrolling und dem Beauftragten für den Medizinischen Dienst abzustimmen.

Typische Einstiegsfehler

1. Das Projekt beginnt beim ML-Modell statt bei den Daten.
Ein Gradient-Boosting-Modell ist in vier Wochen entwickelt. Die Frage ist, womit es trainiert wird. Wenn die OP-Dokumentation im KIS Zeitstempel enthält, die manuell nachkorrigiert wurden, keine konsistente Chirurgenzuordnung hat, oder Eingriffe unterschiedlich kodiert wurden (Freitext vs. OPS), dann trainierst du das Modell auf Rauschen. Die Ergebnisse sehen statistisch akzeptabel aus und sind klinisch nutzlos. Lösung: Datenaudit zuerst, Modell danach.

2. Das System wird eingeführt, aber die Chirurgen werden nicht abgeholt.
Ein OP-Manager, der den KI-Vorschlag in die Tagesplanung übernimmt, ohne dass die Chirurgen wissen, wie er zustande kommt, schafft Misstrauen. „Das System schätzt, dass deine Leistenhernien 12 Minuten länger dauern als der Durchschnitt” klingt nach einer Kritik. Lösung: Transparenz über die Modelllogik. Zeig Chirurginnen, welche Faktoren ihre individuelle Prognose beeinflussen. Wer die Logik versteht, akzeptiert das System leichter.

3. Das Modell wird einmal trainiert und nie aktualisiert.
Das ist der gefährlichste Fehler, weil er still passiert. Ein Modell, das auf den Daten von 2022–2024 trainiert wurde, kennt nicht die neue Chirurgin, die seit März 2025 im Haus ist. Es kennt nicht den veränderten Robotik-Workflow nach dem neuen da-Vinci-System. Es kennt nicht die neue Prämedikationsroutine, die die Einleitungszeit um 8 Minuten verlängert. Sechs Monate nach Rollout prognostiziert das System schlechter als bei der Inbetriebnahme, und niemand hat es bemerkt, weil niemand die Baseline-Kennzahlen regelmäßig prüft. Lösung: Vierteljährliches Modell-Review einplanen, in dem Planungsabweichung und Modellgenauigkeit ausgewertet werden.

4. Zu viele Eingriffskategorien gleichzeitig optimieren.
Je komplexer ein Eingriff, desto höher die Varianz, und desto schlechter die ML-Prognose. Herzchirurgie, Polytrauma-OPs und Revisionseingriffe bei Komplikationen haben Dauervarianzspannen von 50–200%, die kein Modell zuverlässig vorhersagen kann. Lösung: Mit den Elektiv-Eingriffen starten, bei denen die Varianz beherrschbar ist: Knie-Arthroskopien, Katarakt-OPs, Hüft-Prothesen-Erstimplantationen. Die Gains in diesen Kategorien finanzieren den Aufwand, komplexe Eingriffe kommen später.

Was mit der Einführung wirklich passiert, und was nicht

Der technische Teil des Projekts ist handhabbar. Das Schwierige ist die Organisation.

Die Chirurgen. Sie sind es gewohnt, OP-Dauern selbst einzuschätzen. Das System sagt ihnen jetzt, dass ihre Einschätzung im Schnitt 22 Minuten zu optimistisch ist. Das wird nicht alle begeistern. Die Einführung gelingt nicht durch Anordnung, sondern durch Transparenz: Zeige den Chirurgen ihre eigene Prognosegenauigkeit über die letzten 12 Monate, und erkläre, wie das Modell diese Information nutzt. Wer in den Daten sieht, dass er sich systematisch um 20 Minuten verschätzt, ist offener für externe Unterstützung.

Die OP-Koordinatorinnen. Für sie bedeutet das System zunächst Mehraufwand: Eingabedisziplin im KIS steigt (vollständige Zeitstempel, korrekte Chirurgenzuordnung), weil das Modell von dieser Qualität abhängt. Der Widerstand: „Jetzt soll ich noch mehr dokumentieren, damit ein System meinen Job macht.” Die Antwort: Das System macht weniger Arbeit, nicht mehr, aber erst nach einer 3-monatigen Qualitätsverbesserungsphase. Diese Ehrlichkeit muss vorab kommuniziert werden.

Die IT-Abteilung. Das Projekt hat eine KIS-Schnittstelle, eine Cloud-oder-On-Premise-Entscheidung, ein Datensicherheitskonzept und KRITIS-Compliance-Anforderungen. IT ist kein optionaler Beifahrer, sondern Kernteam-Mitglied ab Tag eins. Ein Projekt, das IT erst einbezieht, wenn das Modell schon entwickelt ist, verliert 6 Monate Umsetzungszeit.

Was in der Praxis funktioniert:

• Pilotfachbereich wählen, der das Projekt aktiv unterstützt (nicht den Fachbereich mit den meisten Problemen)
• Drei Monate paralleles Monitoring: System-Prognose vs. manueller Plan, ohne Eingriff in den Regelbetrieb
• Monatliches Steuerungsmeeting mit OP-Manager, IT und mindestens einem leitenden Chirurgen
• Kein „Big Bang”-Rollout auf alle Säle gleichzeitig, ein Saal pro Monat ist nachhaltiger

Diese Darstellung ist eine fachliche Orientierung, kein Rechts- oder Beratungsersatz. Konkrete KRITIS-Pflichten, B3S-Umsetzung und BSI-Meldewege sind mit dem IT-Sicherheitsbeauftragten und der Rechtsabteilung abzustimmen.

Realistischer Zeitplan mit Risikohinweisen

Häufige Einwände, und was dahintersteckt

„Unsere Eingriffe sind zu komplex, da kann kein Modell planen.”
Die komplexen Eingriffe sind tatsächlich schwer zu prognostizieren, und das ist auch gar nicht das Ziel. Ein Herzklappen-Eingriff mit unbekanntem intraoperativen Befund kann kein ML-System auf 10 Minuten genau schätzen. Aber 60–70% des elektiven OP-Programms eines typischen deutschen Hauses besteht aus Eingriffen mit beherrschbarer Varianz: Katarakts, Hüft- und Knieprothesen, Hernien, Cholezystektomien. Genau dort liegen die Gewinne. Die komplexen Fälle bekommen großzügige Zeitpuffer, das ist keine Schwäche des Systems, sondern sein Quantilregression-Mechanismus in der Praxis.

„Wir haben das mit Excel gut im Griff.”
Vielleicht stimmt das für den Regelbetrieb. Die Frage ist, was bei drei Montagausfällen passiert, wenn die Planung um 7:41 Uhr beginnt und um 9:00 Uhr fertig sein muss. Excel kann keine Constraint-Optimierung, kennt keine Prognoseverteilungen und zieht keine Geräteverfügbarkeiten in Echtzeit. Der Resequencing-Fall ist die schärfste Probe, und da zeigt sich der Unterschied am deutlichsten.

„Wir können uns das nicht leisten.”
Dann rechne zuerst, was der Status quo kostet, und rechne ihn richtig. Wenn ein Saal täglich 45 Minuten leer steht, sind das bei 250 Betriebstagen 11.250 Minuten, rund 187 Stunden ungenutzte Saalzeit, bei sechs Sälen gut 1.100 Stunden. Zwei Seiten dieser Rechnung sind belastbar: Der Saal kostet auch im Leerlauf Geld, bei 15 bis 40 Euro je Minute Betriebskosten sind das für 187 Stunden 170.000 bis 450.000 Euro Fixkosten ohne Gegenleistung, pro Saal. Und jede Stunde, die du zurückgewinnst, bringt den Deckungsbeitrag deines Eingriffsmixes. Was du nicht tun solltest: den DRG-Erlös eines ganzen Falls einer einzelnen Saalstunde zurechnen. Diese Seite hat das in einer früheren Fassung getan und kam auf 1,5 Millionen Euro Mindererlös im Jahr, eine Zahl, die überzeugend klingt und keiner Nachfrage standhält. Die Software kostet auch gegen die ehrliche Rechnung einen Bruchteil.

Diese Darstellung ist eine fachliche Orientierung, kein Rechts- oder Beratungsersatz. DRG-Erlöse, Deckungsbeitragsrechnung und konkrete Abrechnungsfragen sind mit der Krankenhausverwaltung, dem Medizincontrolling und dem Beauftragten für den Medizinischen Dienst abzustimmen.

Woran du merkst, dass das zu dir passt

• Du betreibst mindestens 4 OP-Säle mit einem überwiegend elektiven Programm und messbarer Leerzeit zwischen Eingriffen
• Die OP-Planung läuft über SAP IS-H oder ORBIS mit dokumentierten Eingriffs-Zeitstempeln (Schnitt und Naht als separate Felder)
• Dein Haus führt mehr als 5.000 elektive Eingriffe pro Jahr durch, das ist die Mindestdatenmenge für ein stabiles ML-Modell
• Du hast 2+ Jahre historische OP-Daten mit Chirurgenzuordnung und tatsächlichen (nicht manuell korrigierten) Endzeiten
• Die Leerzeit im OP ist quantifiziert: Du weißt, wie viele Minuten täglich je Saal ungenutzt bleiben, nicht geschätzt, sondern aus dem KIS ausgelesen
• Leitende Chirurgen sind bereit, ihre Prognosegenauigkeit zu diskutieren, ohne diese Offenheit scheitert jedes Planungssystem

Wann es sich (noch) nicht lohnt, drei harte Ausschlusskriterien:

1. Weniger als 4 OP-Säle oder unter 5.000 elektive Eingriffe pro Jahr. Unter dieser Schwelle fehlt die Datenbasis für ein stabiles ML-Modell, die Fallzahl je Eingriffskategorie pro Chirurg ist zu klein für verlässliche Prognosen. Eine Standardsoftware für OP-Scheduling (ohne ML) kostet weniger und liefert den größten Teil des Nutzens.

2. Keine strukturierte digitale OP-Dokumentation im KIS. Wenn Eingriffe hauptsächlich als Freitext dokumentiert sind, Zeitstempel fehlen oder manuell nachkorrigiert werden, ist das Datenqualitäts-Projekt der erste Schritt, nicht das ML-System. Ein Modell, das auf Freitext-Chaos trainiert wird, ist schlechter als keine Prognose.

3. KIS-Migration in den nächsten 18 Monaten geplant. Der Übergang von SAP IS-H auf ein neues KIS (z.B. Dedalus ORBIS) bedeutet Datenstrukturbruch. Ein ML-Modell, das mit IS-H-Daten trainiert wurde, muss danach vollständig neu entwickelt werden. Starte das ML-Projekt erst nach der Migration, oder nutze die Übergangszeit für die Datenqualitäts-Vorarbeit.

Das kannst du heute noch tun

Bevor du eine Software evaluierst, erstelle eine Baseline. Nimm die letzten 90 Tage OP-Daten aus dem KIS und berechne: Wie viel Prozent der geplanten Operationszeit war tatsächlich genutzte OR-Zeit? Wie groß ist die durchschnittliche Abweichung zwischen geplantem und tatsächlichem Ende je Eingriffskategorie?

Diese zwei Kennzahlen kosten keinen Cent und keine Software. Sie zeigen, ob ein ML-Projekt sich lohnt, und sie sind die Baseline, gegen die jede spätere Verbesserung gemessen wird.

Als zweiten Schritt kannst du das Resequencing-Problem direkt mit einem LLM testen: Exportiere einen Tagesplan und drei hypothetische Ausfälle und gib den folgenden Prompt ein:

Das Ergebnis ersetzt keine spezialisierte Software, aber es zeigt dir innerhalb von fünf Minuten, ob die Logik des Resequencings systematisierbar ist, und welche Rahmenbedingungen du dafür brauchst. Wenn du den Prompt dreimal ausfüllst und dreimal sinnvolle Vorschläge zurückbekommst, ist der nächste Schritt: eine Demo bei nextOR oder Getinge Torin anfragen und das KIS-Datenaudit beauftragen.

Der Prompt ist eine Ideen-Skizze für die OP-Koordination, keine klinische Entscheidungsunterstützung. Medizinische Dringlichkeit, Hygieneabfolge und Patientensicherheit verbleiben bei den klinisch Verantwortlichen (OP-Leitung, Anästhesie, Klinikhygiene). LLM-Vorschläge dürfen nur als Diskussionsgrundlage dienen, nicht als Anweisung an das OP-Team.

Quellen & Methodik

• Klinikum Stuttgart / Getinge Torin: Getinge: „Optimierung des OP-Managements: Wie KI den Alltag in OP und Klinik verbessert” (2022). Torin im Einsatz seit 2017. Saalauslastung in der Kernbetriebszeit im 1. Halbjahr 2022 gegenüber dem 1. Halbjahr 2020 um durchschnittlich 6 % gesteigert, rund 2.000 zusätzliche Eingriffe (plus 3,4 %), 4 % mehr Gewinn. Die im selben Artikel genannten 36 % höhere Genauigkeit des OP-Plans stammen aus einer Vergleichsstudie zur OP-Dauerprognose (Gomes et al., 2012), nicht aus Stuttgart. getinge.com
• Seoul National University Hospital: Lee et al., „Development of Predictive Model of Surgical Case Durations Using Machine Learning Approach”, Journal of Medical Systems, Springer 2025. N=240.654 chirurgische Datensätze 2018–2022; Random Forest R²=0,92. PubMed
• Brigham and Women’s Hospital / Leap Rail: PubMed, „Machine Learning Can Improve Estimation of Surgical Case Duration: A Pilot Study” (2019). 70% Reduktion der Planungsungenauigkeit, 7-Minuten-Verbesserung gegenüber konventioneller EHR-Schätzung. PubMed
• Model Drift in klinischen ML-Systemen: PMC, „Data drift in medical machine learning: implications and potential remedies” (2023). Kalibrierungsdrift durch Fallmix-Verschiebungen, Hauptrisiko bei langfristiger ML-Nutzung in Krankenhäusern. PMC
• nextOR GmbH: Herstellerangaben zu Produktperformance (40% höhere Planungspräzision, 25% weniger Überstunden, >60% weniger Prozesskosten) von next-or.de (Stand Mai 2026). Herstellerangaben ohne unabhängige Drittvalidierung.
• SAP IS-H Abkündigungsdatum 2030: seppmed.com, „SAP IS-H endet 2030” (Januar 2026). seppmed.com
• KRITIS-Krankenhaus: BSI-Schwellenwert > 30.000 vollstationäre Fälle/Jahr; B3S-Standard für Gesundheitsversorgung im Krankenhaus (DKG, Version 1.1). dkgev.de
• OP-Betriebskosten pro Minute: Eigene Schätzung auf Basis publizierter Vollkostenberechnungen für deutsche Krankenhäuser (Bereich 15–40 €/Minute je nach Personalbesetzung, Geräteausstattung und Raumgröße).
• Wert einer gewonnenen OP-Stunde: kein Richtwert genannt. Eine frühere Fassung dieser Seite rechnete an einer Stelle mit 200 bis 400 Euro und an anderer mit 1.500 Euro DRG-Erlös je Stunde, ein Faktor von bis zu sieben innerhalb derselben Seite. Maßgeblich ist der Deckungsbeitrag je Saalstunde aus der eigenen Kostenträgerrechnung, nicht der DRG-Erlös.
• EU AI Act, Anhang III Nr. 4 Buchst. b: Beobachtung und Bewertung der Leistung von Beschäftigten sowie Aufgabenzuweisung. Einschlägig nur, soweit das Modell individuelle Chirurgenprofile bildet. Pflichten aus Kapitel III Abschnitte 1 bis 3 ab 2. Dezember 2027 nach Verordnung (EU) 2026/1744; Art. 26 Abs. 7 (Information der Arbeitnehmervertretung) und § 87 Abs. 1 Nr. 6 BetrVG gelten unabhängig davon.

Du willst wissen, ob euer KIS die nötige Datenqualität für ein ML-Projekt mitbringt, und was der erste realistische Schritt wäre? Das klären wir in einem kurzen Gespräch.