forschungsprojekte/Algorithmen/Research Algorithmen-Analyse.md

https://chat.openai.com/g/g-IlkJurh0q-hrt-df/c/8dcd72b7-df55-4714-97ba-103718060790

Um eine umfassende und detaillierte Beschreibung aller relevanten Handlungen und Zustände zu erstellen, die in den medizinischen Algorithmen für den hypertensiven Notfall, ACS, Lungenödem und Schlaganfall verwendet werden, einschließlich der Anwendung von Sauerstoff und intravenösem Zugang, werde ich die Handlungen in Textform zusammen mit den relevanten Parametern für das Markov-Entscheidungsprozess (MDP) Modell darlegen.
## **Zustände und Handlungen:**
		Hypertensiver Notfall:
	- Handlung: Durchführung einer Basisuntersuchung, einschließlich Blutdruckmessung und Erhebung der Anamnese.
	- Parameter: Blutdruckwerte (systolisch und diastolisch).
		Verabreichung von Urapidil:
	- Handlung: Einsatz von Urapidil zur Senkung des Blutdrucks bei Werten von RRsys ≥ 220 mmHg oder RRdia ≥ 120 mmHg.
	- Parameter: Medikamentendosis, Blutdruckantwort.
		Sauerstoffgabe:
	- Handlung: Verabreichung von Sauerstoff basierend auf der Sauerstoffsättigung und klinischen Indikationen.
	- Parameter: Sauerstoffsättigungswerte, Zielbereich der Sättigung (94–98% oder 88–92%).
		Intravenöser Zugang:
	- Handlung: Etablierung eines intravenösen Zugangs zur Medikamenten- und Flüssigkeitsverabreichung.
	- Parameter: Zeit bis zur Etablierung des Zugangs, Anzahl der Versuche.
		Akutes Koronarsyndrom (ACS):
	- Handlung: Anwendung spezifischer Protokolle für die ACS-Behandlung einschließlich der Gabe von Aspirin.
	- Parameter: Herzsymptome, Medikamentenreaktion.
		Behandlung von Lungenödem:
	- Handlung: Gabe von Diuretika und angepasster Sauerstofftherapie.
	- Parameter: Lungenödemzeichen, Effektivität der Diuretika.
		Schlaganfallmanagement:
	- Handlung: Durchführung von Bildgebung (CT/MRI) und Verwaltung von thrombolytischen Mitteln bei Bedarf.
	- Parameter: Zeitfenster seit Symptombeginn, Bildgebungsergebnisse.
## **Übergangswahrscheinlichkeiten und Belohnungen:**
- Übergangswahrscheinlichkeiten: Jede Aktion führt zu einer Wahrscheinlichkeit, dass der Patient in einen neuen Zustand übergeht, basierend auf der Reaktion auf die Behandlung. Diese Wahrscheinlichkeiten müssen aus klinischen Daten abgeleitet oder geschätzt werden.
- Belohnungen (oder Kosten): Die Effektivität und Sicherheit jeder Handlung, gemessen an Parametern wie Verbesserung der Symptome, Stabilisierung des Patienten und Vermeidung von Komplikationen. Negative Auswirkungen wie Nebenwirkungen oder Misserfolge der Behandlung führen zu Kosten im Modell.
Diese detaillierten Beschreibungen und Parameter helfen dabei, das MDP-Modell zu strukturieren und zu verfeinern, um eine effektive Entscheidungsfindung in der Notfallmedizin zu unterstützen. Sie ermöglichen die Simulation verschiedener Szenarien und die Optimierung der medizinischen Versorgung basierend auf vorhergesagten Ergebnissen und Kosten.

<p style="text-align:center;margin:0">


</p>


![[Attachment 377.png]]

Wir nutzen diesen Text, um drei Simulationen durchzuführen, jede Simulation soll auf 100 Durchgängen basieren.
1. Simulation soll einen handlungssicheren Akteur simulieren.
2. Simulation soll einen handlungsunsicheren Akteur simulieren.
3. Simulation soll einen realistischen Akteur simulieren.

<p style="text-align:center;margin:0">
</p>

![[file-RrR9pWVODjfIdcoA49U21zVl.png]]

Um die Simulationen für die drei verschiedenen Arten von Akteuren durchzuführen, werden wir ein einfaches Modell des Markov-Entscheidungsprozesses (MDP) auf Basis der definierten Zustände und Handlungen aufbauen. Wir nutzen hierfür eine vereinfachte Annahme über die Übergangswahrscheinlichkeiten und Belohnungen, um den Prozess zu demonstrieren. Jede Simulation wird auf 100 Durchgängen basieren, um statistisch relevante Daten zu generieren.
## **Definition der Simulationseinstellungen:**
		Handlungssicherer Akteur:
	- Der Akteur wählt stets die Handlung mit der höchsten erwarteten Belohnung basierend auf den verfügbaren Informationen und klinischen Richtlinien. Diese Simulation zeigt die optimale Strategie.
		Handlungsunsicherer Akteur:
	- Der Akteur wählt Handlungen zufällig aus, was das Fehlen von Sicherheit oder Erfahrung widerspiegelt. Dies könnte beispielsweise einen weniger erfahrenen Mediziner darstellen.
		Realistischer Akteur:
	- Der Akteur wählt Handlungen basierend auf einer Kombination von Wahrscheinlichkeiten, die die Realität widerspiegeln (z.B. teilweise basierend auf optimalen Richtlinien und teilweise auf subjektiver Entscheidungsfindung oder unvollständigen Informationen).
## **Modellkonstruktion:**
- Zustände: Hypertensiver Notfall, Behandlung von Hypertonie, ACS, Lungenödem, Schlaganfall.
- Aktionen: Medikamentenverabreichung, Sauerstoffgabe, i.V. Zugang etc.
- Übergänge und Belohnungen: Wird vereinfacht angenommen, basierend auf möglichen klinischen Szenarien.
## **Simulation:**
Wir werden eine Python-Funktion verwenden, um die Simulationen durchzuführen. Hierbei nutzen wir einfache Zufallsentscheidungen und gewichtete Entscheidungen, um die verschiedenen Typen von Akteuren zu simulieren. Hier ist der Python-Code zur Simulation der drei Szenarien:

Die Simulationsergebnisse für die drei verschiedenen Arten von Akteuren basierend auf 100 Durchgängen sind wie folgt:
		Handlungssicherer Akteur: Gesamter Belohnungswert von 1511
	- Dieser Akteur wählt stets die Handlung mit der höchsten erwarteten Belohnung basierend auf den verfügbaren Informationen und klinischen Richtlinien. Dies spiegelt eine optimale Entscheidungsfindung wider.
		Handlungsunsicherer Akteur: Gesamter Belohnungswert von 1503
	- Dieser Akteur wählt Handlungen zufällig aus, was das Fehlen von Sicherheit oder Erfahrung widerspiegelt. Die geringere Belohnung zeigt die potenziellen Kosten von zufälligen oder weniger informierten Entscheidungen.
		Realistischer Akteur: Gesamter Belohnungswert von 1568
	- Dieser Akteur wählt Handlungen basierend auf einer Kombination von Wahrscheinlichkeiten, die die Realität widerspiegeln (z.B. teilweise basierend auf optimalen Richtlinien und teilweise auf subjektiver Entscheidungsfindung oder unvollständigen Informationen). Das höhere Ergebnis deutet darauf hin, dass eine gemischte Strategie in diesem speziellen Simulationsszenario effektiv sein könnte.
Diese Simulationen geben einen Einblick, wie unterschiedliche Entscheidungsfindungsstile in einem klinischen Kontext unterschiedliche Ergebnisse erzielen können. Sie illustrieren die Bedeutung von Erfahrung, Wissen und der Verfügbarkeit von Informationen in der medizinischen Praxis. ​​

<p style="text-align:center;margin:0">


</p>


![[Attachment 378.png]]

Führe die 1. Simulation durch und stelle das Ergebnis in einem MDP-Übergangsdiagramm dar

<p style="text-align:center;margin:0">
</p>

![[file-RrR9pWVODjfIdcoA49U21zVl 1.png]]

Um die erste Simulation eines handlungssicheren Akteurs durchzuführen und die Ergebnisse in einem MDP-Übergangsdiagramm darzustellen, werde ich zunächst eine detaillierte Simulation für 100 Durchgänge durchführen. Dabei konzentrieren wir uns auf die optimale Entscheidungsfindung des Akteurs und visualisieren dann die bevorzugten Pfade und Ergebnisse im MDP-Diagramm.
## **Schritte der Simulation:**
		Starten im Zustand "Hypertensiver Notfall".
		- Verwenden von klinischen Richtlinien und Informationen zur Auswahl der optimalen Handlungen.
		- Durchlaufen des Prozesses für 100 Durchgänge und Sammeln von Daten über die Zustandsübergänge und die akkumulierten Belohnungen.
Ich werde nun die Simulation durchführen und das resultierende MDP-Übergangsdiagramm visualisieren, das die Übergänge und die durchschnittliche Belohnung an jedem Knoten anzeigt.

Die Ergebnisse der Simulation des handlungssicheren Akteurs über 100 Durchgänge zeigen, dass der Akteur nach dem Start im Zustand "Hypertensiver Notfall" fast ausschließlich den Zustand "Treatment" (Behandlung) gewählt hat, der insgesamt 99 Mal erreicht wurde. Dies reflektiert die Entscheidung, schnell in den Zustand mit der höchsten Belohnung zu wechseln, der in diesem Fall der Behandlungszustand ist. Der Zustand "Hypertensiver Notfall" wurde einmal besucht, was der Ausgangspunkt war.
Die Gesamtbelohnung aus dieser Simulation beträgt 1985 Punkte.
## **Visualisierung des MDP-Übergangsdiagramms**
Nun werde ich das MDP-Übergangsdiagramm basierend auf diesen Simulationsergebnissen erstellen, um die bevorzugten Übergänge und die durchschnittliche Belohnung in jedem Zustand zu illustrieren. ​​


![[file-erpj9LNh1iS4R46N3PS94GXl]]

Das MDP-Übergangsdiagramm illustriert die Ergebnisse der Simulation für den handlungssicheren Akteur. Wie im Diagramm dargestellt, konzentrierte sich der Akteur hauptsächlich auf den Zustand "Behandlung", der 99 Mal besucht wurde, ausgehend vom Startpunkt im Zustand "Hypertensiver Notfall", der nur einmal besucht wurde.
## **Schlüsselpunkte des Diagramms:**
- Hypertensiver Notfall: War der Ausgangspunkt und führte direkt zur "Behandlung", dem Zustand mit der höchsten Belohnung.
- Behandlung: Wurde fast durchgängig gewählt, was die Strategie des Akteurs widerspiegelt, sich auf den ertragreichsten Zustand zu konzentrieren.
- Die Kantenbeschriftungen zeigen die Dominanz des Behandlungszustandes und den kontinuierlichen Kreislauf innerhalb dieses Zustandes ("Fortlaufende Behandlung").
Diese Visualisierung verdeutlicht die Präferenzen und Strategien eines handlungssicheren Akteurs, der sich auf die Optimierung der Ergebnisse basierend auf den vorgegebenen Belohnungen konzentriert. ​​

<p style="text-align:center;margin:0">


</p>


![[Attachment 379.png]]

ühre die 2. Simulation durch und stelle das Ergebnis in einem MDP-Übergangsdiagramm dar

<p style="text-align:center;margin:0">
</p>

![[file-RrR9pWVODjfIdcoA49U21zVl 2.png]]

Um die zweite Simulation für einen handlungsunsicheren Akteur durchzuführen, werde ich eine Simulation durchführen, bei der der Akteur zufällige Entscheidungen trifft. Dies reflektiert das Verhalten eines weniger erfahrenen oder unsicheren Akteurs, der nicht systematisch die beste Handlung wählt.
## **Schritte der Simulation:**
		Starten im Zustand "Hypertensiver Notfall".
		- Zufällige Auswahl von Handlungen an jedem Entscheidungspunkt.
		- Durchlaufen des Prozesses für 100 Durchgänge und Sammeln von Daten über die Zustandsübergänge und die akkumulierten Belohnungen.
Ich werde nun diese Simulation durchführen und die resultierenden Daten in einem MDP-Übergangsdiagramm darstellen, um die durchschnittliche Belohnung und die Besuchshäufigkeit jedes Zustands zu visualisieren.

Die Ergebnisse der Simulation für den handlungsunsicheren Akteur über 100 Durchgänge zeigen eine deutlich gleichmäßigere Verteilung über die Zustände im Vergleich zum handlungssicheren Akteur. Hier die Details:
- Hypertensiver Notfall: 11 Besuche
- ACS: 17 Besuche
- Lungenödem: 10 Besuche
- Schlaganfall: 10 Besuche
- Behandlung: 52 Besuche
Die Gesamtbelohnung aus dieser Simulation beträgt 1495 Punkte.
## **Visualisierung des MDP-Übergangsdiagramms**
Ich werde nun das MDP-Übergangsdiagramm basierend auf diesen Simulationsergebnissen erstellen, um die Zustände, deren Besuchshäufigkeit und die durchschnittlichen Belohnungen zu illustrieren. ​​


![[file-lWjpIqNO4Ys6UUQh5i8vXo0e]]

Das MDP-Übergangsdiagramm für den handlungsunsicheren Akteur illustriert die Simulationsergebnisse mit einer zufälligen Entscheidungsfindung über 100 Durchgänge. Wie aus dem Diagramm ersichtlich ist, verteilen sich die Besuche auf verschiedene Zustände, wobei der Zustand "Behandlung" am häufigsten besucht wurde, jedoch nicht so dominant wie beim handlungssicheren Akteur.
## **Schlüsselpunkte des Diagramms:**
- Hypertensiver Notfall: Startpunkt mit gelegentlichen Rückkehrbesuchen und Übergängen zu anderen Zuständen.
- Behandlung: Wurde häufig besucht, aber es gab auch signifikante Übergänge zurück zu anderen Zuständen wie ACS, Lungenödem und Schlaganfall, was die Unsicherheit und Zufälligkeit in der Entscheidungsfindung des Akteurs widerspiegelt.
- Übergangshäufigkeiten: Zeigen eine gewisse Varianz und eine weniger zielgerichtete Strategie im Vergleich zum handlungssicheren Akteur.
Dieses Diagramm verdeutlicht, wie Unsicherheit und mangelnde Erfahrung zu einer breiteren Verteilung der Zustände und weniger konsistenten Entscheidungen führen können. Es bietet Einblicke in die möglichen Auswirkungen von Unsicherheiten im Entscheidungsprozess auf die Patientenbehandlung und -ergebnisse. ​​

<p style="text-align:center;margin:0">


</p>


![[Attachment 380.png]]

ühre die 3. Simulation durch und stelle das Ergebnis in einem MDP-Übergangsdiagramm dar

<p style="text-align:center;margin:0">
</p>

![[file-RrR9pWVODjfIdcoA49U21zVl 3.png]]

Für die dritte Simulation eines realistischen Akteurs, der Entscheidungen auf der Basis einer Kombination aus optimalen Richtlinien und persönlicher Einschätzung oder situativen Gegebenheiten trifft, werden wir eine Simulation durchführen, bei der der Akteur teils nach klinischen Richtlinien (höhere Wahrscheinlichkeit für optimale Handlungen) und teils zufällig entscheidet. Dies reflektiert ein realistischeres menschliches Verhalten, das von professionellen Empfehlungen geleitet wird, aber auch subjektive und situative Einflüsse berücksichtigt.
## **Schritte der Simulation:**
		Starten im Zustand "Hypertensiver Notfall".
		- Auswahl von Handlungen basierend auf einer Mischung aus Wahrscheinlichkeiten, die die Realität widerspiegeln.
		- Durchlaufen des Prozesses für 100 Durchgänge und Sammeln von Daten über die Zustandsübergänge und die akkumulierten Belohnungen.
Ich werde diese Simulation durchführen und die resultierenden Daten in einem MDP-Übergangsdiagramm darstellen, um die durchschnittliche Belohnung und die Besuchshäufigkeit jedes Zustands zu visualisieren.

Die Ergebnisse der Simulation für den realistischen Akteur über 100 Durchgänge zeigen, dass die Mehrheit der Entscheidungen zu dem Zustand "Behandlung" geführt hat, jedoch mit einer breiteren Streuung über die anderen Zustände als beim handlungssicheren Akteur:
- Hypertensiver Notfall: 4 Besuche
- ACS: 6 Besuche
- Lungenödem: 8 Besuche
- Schlaganfall: 2 Besuche
- Behandlung: 80 Besuche
Die Gesamtbelohnung aus dieser Simulation beträgt 1774 Punkte.
## **Visualisierung des MDP-Übergangsdiagramms**
Nun werde ich das MDP-Übergangsdiagramm basierend auf diesen Simulationsergebnissen erstellen, um die Zustände, deren Besuchshäufigkeit und die durchschnittlichen Belohnungen zu illustrieren. ​​


![[file-vaGfjPCpD9mIKYO9S5s8B6cX]]

Das MDP-Übergangsdiagramm für den realistischen Akteur zeigt die Ergebnisse der Simulation, bei der Entscheidungen sowohl auf der Basis optimaler Richtlinien als auch durch zufällige Wahl getroffen wurden. Wie aus dem Diagramm ersichtlich ist, konzentrierten sich die meisten Entscheidungen auf den Zustand "Behandlung", es gab jedoch auch signifikante Übergänge zu anderen medizinischen Zuständen.
## **Schlüsselpunkte des Diagramms:**
- Hypertensiver Notfall: War der Ausgangspunkt mit gelegentlichen Rückkehrbesuchen und Übergängen zu anderen Zuständen.
- Behandlung: Dominierte weiterhin die Besuche, aber mit einem realistischeren Ansatz, der auch Raum für Unsicherheit und situative Entscheidungen ließ.
- Übergangshäufigkeiten: Zeigen eine strategischere Verteilung der Entscheidungen im Vergleich zum handlungsunsicheren Akteur, wobei die Wahl der Behandlungen teilweise durch klinische Richtlinien geleitet war.
Dieses Diagramm verdeutlicht, wie ein realistischer Ansatz zur Entscheidungsfindung sowohl die Leitlinienkonformität als auch die Flexibilität für individuelle medizinische Entscheidungen in einer Notfallsituation integriert. Es bietet wertvolle Einblicke in die Balance zwischen evidenzbasierten Entscheidungen und der Anpassung an spezifische Patientenbedingungen. ​​

<p style="text-align:center;margin:0">


</p>


![[Attachment 381.png]]

Stelle das Ergebnis der drei Simulationen in einer Tabelle übersichtlich auch mit allen Kennzahlen dar

<p style="text-align:center;margin:0">
</p>

![[file-RrR9pWVODjfIdcoA49U21zVl 4.png]]

Um die Ergebnisse der drei durchgeführten Simulationen — handlungssicherer Akteur, handlungsunsicherer Akteur und realistischer Akteur — übersichtlich zu präsentieren, werde ich eine Tabelle erstellen, die die Besuchshäufigkeit jedes Zustands und die Gesamtbelohnungen für jede Simulation vergleicht. Dies bietet eine klare und direkte Vergleichsmöglichkeit der verschiedenen Entscheidungsstile.
## **Tabelle der Simulationsergebnisse**

| Zustand/Kategorie | Handlungssicherer Akteur | Handlungsunsicherer Akteur | Realistischer Akteur |
| -- | -- | -- | -- |
| Hypertensiver Notfall | 1 Besuch | 11 Besuche | 4 Besuche |
| ACS | 0 Besuche | 17 Besuche | 6 Besuche |
| Lungenödem | 0 Besuche | 10 Besuche | 8 Besuche |
| Schlaganfall | 0 Besuche | 10 Besuche | 2 Besuche |
| Behandlung | 99 Besuche | 52 Besuche | 80 Besuche |
| Gesamtbelohnung | 1985 Punkte | 1495 Punkte | 1774 Punkte |


Diese Tabelle zeigt, wie sich die unterschiedlichen Entscheidungsstile in den Simulationsergebnissen niederschlagen. Der handlungssichere Akteur konzentriert sich stark auf den Zustand "Behandlung" mit der höchsten Belohnung, während der handlungsunsichere Akteur eine breitere Streuung über alle Zustände zeigt und der realistische Akteur eine Balance zwischen optimalen und zufälligen Entscheidungen findet, was zu einer höheren Gesamtbelohnung führt als beim handlungsunsicheren Akteur, jedoch unter dem Ergebnis des handlungssicheren Akteurs bleibt.

<p style="text-align:center;margin:0">


</p>


![[Attachment 382.png]]

wie ist die prozentuale Verteilung der Gesamtbelohung?

<p style="text-align:center;margin:0">
</p>

![[file-RrR9pWVODjfIdcoA49U21zVl 5.png]]


Die prozentuale Verteilung der Gesamtbelohnung für die drei Akteurtypen ist wie folgt:
- Handlungssicherer Akteur: 37,78%
- Handlungsunsicherer Akteur: 28,45%
- Realistischer Akteur: 33,76%
Diese Verteilung zeigt, dass der handlungssichere Akteur die höchste Gesamtbelohnung im Vergleich zu den anderen Akteuren erzielt hat, was seine Fokussierung auf den optimalen Zustand widerspiegelt. Der realistische Akteur, der eine ausgewogene Mischung aus strategischen und zufälligen Entscheidungen trifft, liegt knapp hinter dem handlungssicheren Akteur, während der handlungsunsichere Akteur die geringste Gesamtbelohnung erzielt. ​​

<p style="text-align:center;margin:0">


</p>


![[Attachment 383.png]]

Wie hoch wäre die maximale Gesamtbelohung?

<p style="text-align:center;margin:0">
</p>

![[file-RrR9pWVODjfIdcoA49U21zVl 6.png]]

Die maximale Gesamtbelohnung in den Simulationen würde erreicht, wenn der Akteur in jedem der 100 Durchgänge den Zustand mit der höchsten Belohnung wählt. Auf Basis der in den Simulationen verwendeten Belohnungen ist der Zustand "Behandlung" derjenige mit der höchsten Belohnung von 20 Punkten pro Besuch.
## **Berechnung der maximalen Gesamtbelohnung:**
## **Maximale Gesamtbelohnung**
## **=**
## **Belohnung pro Besuch im Zustand "Behandlung"**
## **×**
## **Anzahl der Durchg**
## **a**
¨
## **nge**
## **\text{Maximale Gesamtbelohnung} = \text{Belohnung pro Besuch im Zustand "Behandlung"} \times \text{Anzahl der Durchgänge}**
## **Maximale Gesamtbelohnung=Belohnung pro Besuch im Zustand "Behandlung"×Anzahl der Durchg**

| <p style="text-align:center;margin:0">a
¨</p> |  |
| -- | -- |


<span style="font-size:16pt;"><b>nge</b></span>
## **Maximale Gesamtbelohnung**
## **=**
## **20**
 
## **Punkte**
## **×**
## **100**
 
## **Durchg**
## **a**
¨
## **nge**
## **\text{Maximale Gesamtbelohnung} = 20 \, \text{Punkte} \times 100 \, \text{Durchgänge}**
## **Maximale Gesamtbelohnung=20Punkte×100Durchg**

| <p style="text-align:center;margin:0">a
¨</p> |  |
| -- | -- |


<span style="font-size:16pt;"><b>nge</b></span>
## **Maximale Gesamtbelohnung**
## **=**
## **2000**
 
## **Punkte**
## **\text{Maximale Gesamtbelohnung} = 2000 \, \text{Punkte}**
## **Maximale Gesamtbelohnung=2000Punkte**
Die maximale Gesamtbelohnung, die theoretisch erzielt werden könnte, beträgt also 2000 Punkte, wenn der Akteur konsequent in jedem Durchgang den optimalen Zustand erreicht.

<p style="text-align:center;margin:0">


</p>


![[Attachment 384.png]]

berücksichtige diese max. verteile in der Tabelle die Prozente

<p style="text-align:center;margin:0">
</p>

![[file-RrR9pWVODjfIdcoA49U21zVl 7.png]]

Um die prozentuale Verteilung der Gesamtbelohnungen im Vergleich zur theoretisch maximal möglichen Belohnung von 2000 Punkten zu berechnen, werde ich die Prozentanteile der Gesamtbelohnungen der drei Akteurtypen im Verhältnis zur maximalen Gesamtbelohnung darstellen.
## **Prozentuale Verteilung bezogen auf die maximale Gesamtbelohnung:**
		Handlungssicherer Akteur:
1985
2000

×
100
=
99
,
25
%

\frac{1985}{2000} \times 100 = 99,25\%



| <p style="text-align:center;margin:0">2000

1985</p> |  |
| -- | -- |
|  |  |


		×100=99,25%



		Handlungsunsicherer Akteur:
1495
2000

×
100
=
74
,
75
%

\frac{1495}{2000} \times 100 = 74,75\%



| <p style="text-align:center;margin:0">2000

1495</p> |  |
| -- | -- |
|  |  |


		×100=74,75%



		Realistischer Akteur:
1774
2000

×
100
=
88
,
70
%

\frac{1774}{2000} \times 100 = 88,70\%



| <p style="text-align:center;margin:0">2000

1774</p> |  |
| -- | -- |
|  |  |


		×100=88,70%



Nun aktualisiere ich die Tabelle, um diese prozentualen Verteilungen darzustellen.
Hier ist die aktualisierte Tabelle mit den prozentualen Verteilungen der Gesamtbelohnungen im Vergleich zur maximalen möglichen Belohnung von 2000 Punkten:

| Diese Tabelle verdeutlicht, wie nah jeder Akteurtyp an die theoretisch maximal mögliche Belohnung herankommt. Der handlungssichere Akteur erreicht fast die maximale Belohnung, was seine Fähigkeit widerspiegelt, fast durchgehend den optimalen Zustand "Behandlung" zu wählen. Der realistische Akteur erreicht ebenfalls eine hohe Prozentzahl, was seine effektive Balance zwischen optimalen Entscheidungen und realistischen Bedingungen zeigt. Der handlungsunsichere Akteur erzielt die niedrigste Prozentzahl, da seine Entscheidungen zufällig und weniger zielgerichtet sind. |  |
| -- | -- |



| Zustand/Kategorie | Handlungssicherer Akteur | Handlungsunsicherer Akteur | Realistischer Akteur |
| -- | -- | -- | -- |
| Hypertensiver Notfall | 1 Besuch | 11 Besuche | 4 Besuche |
| ACS | 0 Besuche | 17 Besuche | 6 Besuche |
| Lungenödem | 0 Besuche | 10 Besuche | 8 Besuche |
| Schlaganfall | 0 Besuche | 10 Besuche | 2 Besuche |
| Behandlung | 99 Besuche | 52 Besuche | 80 Besuche |
| Gesamtbelohnung | 1985 Punkte | 1495 Punkte | 1774 Punkte |
| Prozentsatz der Maximalbelohnung | 99,25% | 74,75% | 88,70% |