Recommender System zur Pflegemaßnahmenplanung in der stationären Pflege – iPAB

Pflege 4.0 – Mehrwerte durch Digitalisierung

Recommender System zur Pflegemaßnahmenplanung in der stationären Pflege – iPAB
© AdobeStock.com

Im pflegerischen Krankenhausalltag nimmt die Pflege- und Maßnahmenplanung sowie deren Dokumentation einen zentralen Teil der täglichen Arbeit ein. Noch immer wird stellenweise auf Papier dokumentiert. Die digitale Dokumentation von Behandlungen in Kliniken ist weiterhin äußerst komplex und aufwändig. Sie nimmt, nicht zuletzt aufgrund wenig optimierter Nutzeroberflächen kostbare Zeit in Anspruch, die dann bei der Behandlung von Patientinnen und Patienten fehlt. Behandlungsvorschläge machen bestehende Systeme lediglich auf Basis starr vorgegebener Regeln. Datenzentrierte Analysen und Vorschläge bieten hier großes Einsparpotenzial.

Daher zielt das Projekt iPAB darauf ab, auf Basis historischer Daten und Analysen des Pflegeprozesses dynamische Vorschläge zur Maßnahmenplanung zu generieren. So kann der zeitliche Dokumentationsaufwand der Pflegekräfte in Krankenhäusern verringert werden und mehr Zeit für die Pflege der Patientinnen und Patienten generiert werden.

Zeitersparnis durch individuelle Vorschläge zur Pflegeplanung

Die bisherige digitale Maßnahmenplanung basiert auf Grundlage pflegewissenschaftlicher Standards in Form von Katalogen (epaAC, LEP), die eine Verbindung von hunderten Pflegemaßnahmen mit der Einschätzung qualifizierter Pflegekräfte kombinieren. Anhand des vom Pflegepersonal ermittelten Pflegebedarfs eines Patienten werden passende Maßnahmen rausgesucht und vorgeschlagen. Gerade bei älteren, multi-morbiden Patienten entsteht hier jedoch ein hoher zeitlicher Aufwand bei der Planung, da eine Vielzahl an Maßnahmen poteztiell passend sein können. Auf Basis historischer Daten und prädiktiver KI-Verfahren können die Vorschläge verbessert, Eingaben erleichtert, Muster erkannt und dadurch Zeitaufwände verringert werden. Ein besonderer Fokus bei der Auswahl richtiger Methoden liegt auf der Nachvollziehbarkeit der Vorschläge und der Integration von Expertenwissen, wodurch auch sichergestellt wird, dass diese Systeme rechtlich auditierbar sind.  

Ressourcen auch in Zukunft sinnvoll einsetzen

Die Pflege ist eine sich stetig im Wandel befindliche und von gesetzlichen Einflüssen bestimmte Domäne, in der intelligente KI-basierte Unterstützungssysteme auch in Zukunft große Potenziale aufweisen. Den großen Handlungsdrang bestärkt nicht zuletzt nach der Covid-19 Pandemie auch der demographische Wandel, wodurch ein Anstieg der zu Pflegenden und gleichzeitig eine Verringerung der verfügbaren Pflegekräfte droht. Da die Pflegemaßnahmenplanung und Ersteinschätzung zum Zeitpunkt des Projektbeginns nur von qualifizierten Pflegefachkräften durchgeführt werden darf, kann hierbei nicht auf schnell verfügbares Hilfspersonal ausgewichen werden. Diese kann dann erst wieder bei der Ausführung zum Einsatz kommen.

Im Vorfeld der praktischen Umsetzung werden Interviews mit Pflegekräften durchgeführt, um konkrete Verbesserungspotenziale nutzerzentriert zu erheben. Für die Umsetzung liegt der Fokus neben nachvollziehbaren Methoden mit der Möglichkeit Unsicherheiten zu modellieren auch auf der Erprobung gezielter Black-Box Methoden und deren Erklärung, z. B. durch Counterfactuals. Die finale Lösung soll projektanschließend in vorhandene Bestandssoftware in den Krankenhäusern integriert werden, die auch als Datenquelle für das Projekt dient.

Das könnte Sie auch interessieren

 

Forschungsfeld

Mensch-Technik-Interaktion

Jede erfolgreiche digitale Innovation stellt den Menschen in den Mittelpunkt – je qualifizierter, motivierter und stärker eingebunden er ist, desto besser. Sein Verhalten gibt darüber Aufschluss.

ADA Lovelace Center – Prozessbewusstes Lernen

Prozessbewusstes Lernen stellt das Bindeglied zwischen Process Mining, der datenbasierten Analyse und Modellierung von Prozessen, und Machine Learning dar. Im Fokus steht dabei die Vorhersage von Prozessabläufen, Prozesskennzahlen und Prozessauffälligkeiten. Dies wird durch eine Extrahierung von Prozesswissen aus Event Logs und deren Überführung in erklärbare Prognosemodelle ermöglicht. Hierdurch können Einflussfaktoren identifiziert und vorausschauend Handlungsoptionen zur Prozessverbesserung abgeleitet werden.

Process Intelligence

Die Gruppe »Process Intelligence« der Abteilung »Analytics« entwickelt Ansätze zur prädiktiven Analyse von Prozessen zur Optimierung logistischer und industrieller Abläufe.