Potential Supervisor: Matthias Schulte-Althoff, Alessia Nowak

Level: Master

Strategic Orientation: KI & Analytics bzw. Evaluation

Background

Die Vorhersage von Sturzereignissen im klinischen Setting ist seit Jahren ein ungelöstes Problem. Validierte Sturzrisiko-Screening- und Assessmentinstrumente zeigen nur unzureichende prädiktive Werte bei älteren Patient:innen im Krankenhaus (Lee et al., 2023; Matarese et al., 2015). Auch für FRATs (Fall Risk Assessment Tools) findet sich keine Evidenz einer Überlegenheit gegenüber der klinischen Einschätzung (Meyer, Möhler & Köpke, 2018; Cameron et al., 2018).

Eine zentrale Ursache liegt im Präventionsparadoxon: Präventionsmaßnahmen verändern das Auftreten von Stürzen – und damit auch die beobachtete Güte diagnostischer Instrumente. Wird eine Risikoskala wirksam angewandt, sinkt die Zahl der tatsächlichen Stürze in der Risikogruppe. Dadurch verschlechtern sich scheinbar Sensitivität und Spezifität (Defloor, 2004; 2005). Die Validität gängiger Risikoassessmentmethoden wird daher systematisch unterschätzt.

Machine-Learning-Modelle haben das Potenzial, komplexe Interaktionen zwischen Risiko, Präventionsmaßnahmen und klinischen Faktoren besser abzubilden (Lee et al., 2025). Erste Ergebnisse der KIP-Studie unterstreichen dieses Potenzial. Allerdings ist die Aussagekraft der Pilotstudie durch die niedrige Sturzinzidenz (2,5 % im Zeitraum 01–06/2025; 10 Stürze bei 394 Patient:innen) limitiert. Eine Auswertung anhand größerer Routinedaten (n = 4.700 Fälle aus acht Hochrisikostationen) stellt eine mögliche Lösung dar.

Bislang fehlt eine Analyse, wie Präventionsmaßnahmen (z. B. Maßnahmenbündel der Sturzprophylaxe) das Modellverhalten beeinflussen.

Research Directions

Ziell ist es das Paradoxon der Sturzprävention systematisch im Kontext von KI-Vorhersagemodellen zu analysieren. Es sollen Methoden entwickelt und getestet werden, die den Einfluss pflegerischer Präventionsmaßnahmen auf die diagnostische Genauigkeit und Modellgüte explizit berücksichtigen.

Beispielhafte Forschungsfragen:

• Wie verändern pflegerische Präventionsmaßnahmen die diagnostische Genauigkeit von ML-Modellen zur Sturzvorhersage?

• Verbessert sich die Modellleistung, wenn Präventionsmaßnahmen explizit als Features berücksichtigt werden?

• Inwieweit ermöglichen kausale Modelle die Simulation kontrafaktischer Szenarien, wie:
  Wie hoch wäre das Sturzrisiko ohne Präventionsmaßnahme?
  Wie stark reduziert die Maßnahme das Risiko?

• Welchen Mehrwert liefern die erweiterten Routinedaten (Präventionsmaßnahmen, Sturzassessment) der durchgeführten Evaluationsstudie im Rahmen von KIP-SDM?

Datenzugang & -verfügbarkeit:

Es liegt bereits der Datensatz der Evaluationsstudie von KIP-SDM mit 394 Patient:innen auf mehreren Stationen des Charité Campus Virchow-Klinikum im Zeitraum von Januar bis Juni 2025 vor.
Datenpunkte sind Diagnosen, medizinische Prozeduren, Pflegedaten sowie Präventionsmaßnahmen.

Es ist vorgesehen, dass als zusätzliche Anreicherung der Daten noch Routinedaten sämtlicher Patient:innen der beteiligten Stationen aus dem Krankenhausinformationssystem während des Betrachtungszeitraums ausgeleitet werden.

Projektkontext:

Die Studie wird aufbauend auf den Erkenntnissen aus dem abgeschlossenen dreijährigen, vom BMFTR geförderten Forschungsprojekt KIP-SDM durchgeführt.

Voraussetzungen und benötigte Fähigkeiten

Um dieses Thema bearbeiten zu können, sollten sowohl Datenaffinität als auch Interesse an klinischen bzw. pflegerischen Fragestellungen mitgebracht werden. Zudem sollte der/die Studierende über statistisch-methodische Grundlagen und grundlegende Kenntnisse in der Datenverarbeitung bzw. Data Science verfügen, zum Beispiel mit R oder Python.

Der/die Studierende sollte bereit sein, ein komplexes, realweltliches Problem im Bereich Wirtschaftsinformatik, Pflege und KI zu durchdringen. Zudem sind Team- und Reflexionsfähigkeit essenziell.

Literaturverzeichnis

Cameron, I. D., Dyer, S. M., Panagoda, C. E., Murray, G. R., Hill, K. D., Cumming, R. G., & Kerse, N. (2018). Interventions for preventing falls in older people in care facilities and hospitals. The Cochrane Database of Systematic Reviews, 9(9), CD005465. https://doi.org/10.1002/14651858.CD005465.pub4

Defloor, T., & Grypdonck, M. F. (2004). Validation of pressure ulcer risk assessment scales: a critique. Journal of Advanced Nursing, 48(6), 613–621. https://doi.org/10.1111/j.1365-2648.2004.03250.x

Defloor, T., & Grypdonck, M. F. (2005). Pressure ulcers: validation of two risk assessment scales. Journal of Clinical Nursing, 14(3), 373–382. https://doi.org/10.1111/j.1365-2702.2004.01058.x

Lee, A., Lee, H., & Lee, S. H. (2025). Digital healthcare approaches for fall detection and prediction in older adults: A systematic review of evidence from hospital and long-term care settings. Medicina (Kaunas), 61(11), 1926. https://doi.org/10.3390/medicina61111926

Lee, V., Appiah-Kubi, L., Vogrin, S., Zanker, J., & Mitropoulos, J. (2023). Current cut points of three falls risk assessment tools are inferior to calculated cut points in geriatric evaluation and management units. Muscles, 2(3), 250–270. https://doi.org/10.3390/muscles2030019

Matarese, M., Ivziku, D., Bartolozzi, F., Piredda, M., & De Marinis, M. G. (2015). Systematic review of fall risk screening tools for older patients in acute hospitals. Journal of Advanced Nursing, 71(6), 1198–1209. https://doi.org/10.1111/jan.12542

Meyer, G., Möhler, R., & Köpke, S. (2018). Reducing waste in evaluation studies on fall risk assessment tools for older people. Zeitschrift für Evidenz, Fortbildung und Qualität im Gesundheitswesen, 137–138, 1–7. https://doi.org/10.1016/j.zefq.2018.09.00