Projektleiter:

Prof. Dr. Daniel Fürstenau (Projektleiter FUB, ECDF), Matthias Schulte-Althoff (FUB)

Projektmitarbeiter:

Projektlaufzeit:

08/2022 - 08/2025

Projektbeschreibung:

KI-basierte Sturzprävention in der Pflege unter Verwendung von Privacy-Preserving dezentralen Deep Learning Ansätzen. 

Stürze stellen ein großes Problem in der Pflegebranche dar. Die Anwendung von Künstlicher Intelligenz (KI) in der Pflegebranche könnte durch prädiktive Modelle zur Reduktion von Sturzereignissen führen, denn bis zu 30% aller Stürze sind präventiv verhinderbar (Hshieh et al. 2018).

Diese Systeme analysieren bekannte und identifizieren latente Risikofaktoren, um Sturzrisiken zu prognostizieren und ermöglichen dadurch individuelle präventive Maßnahmen. Bereits bestehende Systeme lassen jedoch häufig relevante Risikofaktoren unbeachtet (Seibert et al. 2020). So werden häufig lediglich Ganganalysen herangezogen und beispielsweise Änderungen der Medikation außen vorgelassen, obwohl das Sturzrisiko bei vielen Patient:innen schon bei der Einnahme einer halben Tagesdosis von Hypnotika und Sedativa um 56 Prozent erhöht ist. Ein Grund für die lückenhafte Betrachtung von Sturzrisikofaktoren ist der technisch und rechtlich komplexe Datenzugang. So bleibt das Potential von KI-Systemen im Pflegebereich bislang nicht voll ausgeschöpft.

Ziel des Projektes KIP-SDM ist die Erforschung KI-basierter Sturzprävention in der Pflege, sowie die Entwicklung eines dezentralen Datenrepositorys mit pflegerischen Behandlungsdaten.
Dazu werden unter Verwendung von Privacy-Preserving dezentralen Deep Learning Ansätzen prädiktive Modelle zur Sturzprognose entwickelt, welche alle relevanten Risikofaktoren berücksichtigen. Die dafür genutzten Daten stammen aus zwei großen Pflegeinstitutionen und einem Startup. Zur Wahrung der Privatsphäre werden diese Daten die jeweiligen Einrichtungen nicht verlassen. Stattdessen sollen die generativen Deep Learning Modelle auf den Daten lernen und realistische, synthetische Patientendaten erzeugen. Somit können realistische Daten zur Verfügung gestellt werden ohne echte Patientendaten teilen zu müssen. Sturzprävention ist dabei lediglich als ein Beispiel aus einem Themenfeld ähnlicher pflegerischer Problemstellungen wie Dekubitus, Harninkontinenz, Delir, etc. zu betrachten. Mithilfe der im Projekt entwickelten Datenintegrations- und Datenanalysemethoden sowie der KI-Anwendung ließen sich alternative relevante Fragestellungen, Daten und Outcomes ebenso evaluieren. Die neuartige Infrastruktur ermöglicht erstmalig die Entwicklung und Validierung einer leitlinienkonformen KI-basierten pflegerischen Sturzprävention über mehrere Einrichtungen hinweg.

Für weitere Informationen gerne auf der Charite oder auf der Ai4care Website nachschauen.