Refine
Document Type
- Bachelor Thesis (20)
- Master's Thesis (4)
- Diploma Thesis (1)
Year of publication
Language
- German (25)
Keywords
- Gesundheitswesen (25) (remove)
Institute
In der vorliegenden Bachelorarbeit wird die Frage untersucht, wie kleine Betriebe im Gesundheitswesen mit dem Thema Controlling umgehen können. Nach einer einleitenden Darstellung der Problemstellung und Zielsetzung werden zunächst die Begriffe Controlling, Controller, Medizincontroller und Controllership definiert. Es wird dargestellt, wie sich strategisches Controlling und operatives Controlling unterscheiden. Danach wird eine Auswahl von Controllinginstrumenten und ihre Bedeutung vorgestellt. Die Themen Effektivität und Effizienz sowie eine Darstellung der Kritik am Controllingsystem runden das Kapitel ab. Anschließend wird auf Gesundheitsbetriebe und ihre Rahmenbedingungen eingegangen, die Schwerpunkte des Controllings in Gesundheitsbetrieben werden erläutert. Es wird auf die Besonderheiten des Controllings in Kleinbetrieben, insbesondere auf die Anpassung des Controllings an die Betriebsgröße, das Risikomanagement und die Unternehmensführung eingegangen. Mit der Betrachtung zweier Kleinbetriebe, eines Pflegeheims und einer Arztpraxis, wird dargestellt, wie sich die Theorie in die Praxis umsetzen lässt. Abschließend werden Handlungsempfehlungen für das Controlling des vorgestellten Pflegeheims und der vorgestellten Arztpraxis gegeben, Erfolgsfaktoren für Kleinbetriebe erläutert und Zukunftsperspektiven dargestellt.
Chancen und Risiken der Video-App TikTok als Instrument des Personalmarketings in deutschen Kliniken
(2021)
Aufgrund des fortschreitenden Mangels an Fachkräften in deutschen Kliniken müssen neue Instrumente des Personalmarketings gefunden werden, um sich als Arbeitgeber attraktiv zu präsentieren und mehr Auszubildende als qualifiziertes Fachpersonal für medizinische Berufe zu rekrutieren. Einer der effektivsten Wege, um die junge Ziel-gruppe, Schüler und Jugendliche der Generation Z, zu erreichen, ist durch soziale Me-dien. Die aufstrebende Video-App TikTok fokussiert genau diese Generation und birgt neue Chancen für das Personalmarketing in Krankenhäusern. Die vorliegende Arbeit zeigt sowohl die Potenziale als auch die Risiken der Anwendung im Employer Branding und zum Recruiting von Auszubildenden im Gesundheitswesen auf. Mithilfe einer Inhaltsanalyse werden zwei der reichweitenstärksten TikTok-Accounts deutscher Kliniken in ihren Inhalten und der Resonanz der Zielgruppe untersucht und verglichen. Aus der Analyse geht hervor, dass das Verbreiten unterhaltsamer Videos auf TikTok maßgeblich dazu beiträgt, die Arbeitgebermarke deutscher Kliniken zu stärken und eine wachsende Wertschätzung der jungen Zielgruppe für Berufe im Gesundheitswesen schafft. Die Arbeit hat gezeigt, dass sich die Nutzung von TikTok als modernes Tool des Ausbildungsmarketings für deutsche Kliniken anbietet und den Krankenhäusern bei der Ansprache der Generation Z zu neuen Reichweiten verhilft.
Roboter werden zunehmend im Gesundheitswesen eingesetzt.In dieser Arbeit werden die Roboter in den wichtigsten Forschungsbereichen ausführlich vorgestellt und ihre Funktionen, technischen Hauptindikatoren sowie Vor- und
Nachteile verglichen und beschrieben. Darüber hinaus werden auch die praktischen Technologien wie Navigation, SLAM und automatische Hindernisvermeidung analysiert. Abschließend wird die zukünftige Entwicklung von medizinischen Robotern in der Zusammenarbeit mit mehreren Robotern und künstlicher Intelligenz erörtert.
Active Learning (AL) ist eine besondere Trainingsstrategie im überwachten maschinellen Lernen, mit dem Ziel die Accuracy eines Klassifikators zu verbessern, indem ein Klassifikator mit nur wenig gelabelten, aber dafür hoch informativen Datenpunkten (DP) gelernt wird. In der medizinischen Forschung liegen oftmals nur wenig gelabelte DP vor. AL kann eine sinnvolle Strategie sein, um die Kosten und den Aufwand für das Labeln ungelabelter DP zu senken. Mit Pool-Based AL wurden bisher die größten Erfolge verzeichnet. In der vorliegenden Arbeit wurden zwei biologische, binäre Klassifikationsprobleme mit Uncertainty Sampling Pool-Based AL und Query by Bagging Comitee Pool-Based AL untersucht. Der Generalized Learning Vector Quantization (GLVQ) und ein Multilayer Perzeptron (MLP) wurden als Klassifikatoren verwendet. Anhand eines linear trennbaren und eines nicht linear trennbaren Datensatzes wurden die Auswirkungen der Anzahl an gelabelten DP, mit welcher die Klassifikatoren zu Beginn trainiert wurden, auf die Accuracy untersucht. Die AL-Accuracy näherte sich für das anfängliche Training der Klassifikatoren mit 10 % gelabelten DP bereits stark an die Accuracy im klassischen maschinellen Lernen an und war teilweise sogar größer. In einem weiteren Experiment wurden daher die Klassifikatoren anfänglich mit nur 1 % gelabelten DP trainiert. Es wurde die Auswirkung der Anzahl nachgelabelter DP, mit welcher die Klassifikatoren nachtrainiert wurden, auf die Accuracy untersucht. Für den linear trennbaren Datensatz war die Anwendung von AL mit dem GLVQ und 10 nachgelabelten DP sowie mit dem MLP und 50 nachgelabelten DP erfolgreich. Bei dem nicht linear trennbaren Datensatz wurde mit dem MLP zumindest eine Tendenz, dass AL die Accuracy verbessert, festgestellt. Jedoch reichten 50 nachgelabelte DP nicht aus.