KI in der Pflege
Potential Supervisor: Daniel Fürstenau
Level: Master thesis
Background
Die Digitalisierung der Pflege eröffnet neue Möglichkeiten zur Prävention und Reduktion von Stürzen durch intelligente Assistenzsysteme. Aktuelle Forschung zeigt, dass KI-basierte Ansätze klassische Sturzrisiko-Assessments übertreffen können, gleichzeitig jedoch hohe Anforderungen an Datenqualität und Datenschutz stellen. Basierend auf den Studienergebnissen eines dreijährigen konsortialen KI-Pflegeprojekts an der Charité untersucht diese Arbeit die Entwicklung eines digitalen Sturzmonitorings und diskutiert, ob ein Klick-Dummy oder ein funktionsfähiger Prototyp als geeigneter Entwicklungsstand anzusehen ist.
References
Nanevski I, Jäger S, Schulte-Althoff M, Behnke E, Fürstenau D, Biessmann F
The Potential of AI in Nursing Care: Multicenter Evaluation in Fall Risk Assessment
J Med Internet Res 2025;27:e71034
URL: https://www.jmir.org/2025/1/e71034
DOI: 10.2196/71034
Nanevski I, Mohebi M, Jäger S, Otte K, Schulte-Althoff M, Prasser F, Fürstenau D, Biessmann F
Evaluating the Quality of Synthetic Data in Health Care
Preprint; 2025
DOI: https://doi.org/10.21203/rs.3.rs-6320382/v1
Potential Supervisor: Alessia Nowak
Level: Bachelor / Master / both
Strategic Orientation: Socio-economical Evaluation
Background
The ongoing digital transformation poses significant structural, technical, and organizational challenges for hospitals. With the introduction of the German Hospital Future Act (Krankenhauszukunftsgesetz, KHZG), a national funding framework was established to accelerate digital innovation and strengthen the quality, safety, and efficiency of healthcare delivery.
Many hospitals, including Charité, are currently investing in modern IT infrastructures, electronic patient records, and clinical decision support systems. While the technical implementation of these projects is often at the forefront, questions regarding their economic value have become increasingly important. It remains unclear to what extent digital technologies generate measurable cost savings, streamline clinical processes, or create indirect efficiency gains.
A systematic assessment of both the potential savings and the broader economic impact is therefore crucial. Such evaluations support evidence-based decision-making, help prioritize investments, and contribute to the development of sustainable digitalization strategies within the healthcare sector.
Research Directions
This research project examines the economic impact of digitalization initiatives funded under the German Hospital Future Act (KHZG). Potential research questions include:
• What cost-saving potentials arise from selected KHZG measures implemented at Charité?
• How can the economic viability of these digitalization projects be evaluated using cost-benefit analysis?
The objectives are to identify relevant benefit components, develop an appropriate evaluation framework, and derive strategic recommendations if applicable.
Methodology
Methodologically, the project may combine:
• A systematic literature review
• Qualitative interviews with project stakeholders
• An economic modelling approach (e.g., cost-benefit analysis)
Potential Data Sources
• Internal project reports and cost calculations related to KHZG-funded initiatives at Charité
• Qualitative interviews (e.g., IT management, project managers, clinical staff)
• Survey data
• Literature on digital health evaluations
Access to internal data depends on approval and confidentiality requirements. Interviews need to be arranged by the student; contacts for interviews can be provided.
Project Context
The topic constitutes a standalone research project while remaining closely interconnected with the broader KHZG project initiatives. Although independently designed, it aligns with ongoing digitalization efforts and benefits from insights, structures, and stakeholders involved in the KHZG implementation.
Requirements and Administration (optional)
Desired qualifications include an interest in health economics, technology evaluation, and qualitative research methods. Analytical thinking and a strong interest in digitalization processes within the healthcare sector are advantageous.
References
Goodacre, S., & McCabe, C. (2002). An introduction to economic evaluation. Emergency Medicine Journal, 19(3), 198.
Vogel, J., Hollenbach, J., Haering, A., Ehlig, D., & Geissler, A. (2025). Correction to: Digital Maturity Data: Extracting Insights for Health System Management. In Digital Maturity in Hospitals: Strategies, Frameworks, and Global Case Studies to Shape Future Healthcare (pp. C1–C1). Springer Nature Switzerland.
German Federal Ministry of Health. (2020). Krankenhauszukunftsgesetz (KHZG).
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
Background
Die Nutzung klinischer Routinedaten bietet ein erhebliches Potenzial zur Vorhersage von Sturzhäufigkeiten in der stationären und ambulanten Pflege. Durch die Analyse strukturierter Versorgungsdaten können risikorelevante Muster identifiziert und präventive Maßnahmen frühzeitig unterstützt werden. Aufbauend auf bestehenden Forschungsaktivitäten in Dresden und Halle soll der bisherige Forschungsfaden aufgenommen und weitergeführt werden. Der erforderliche Datenzugang und die standortübergreifende Analyse müssten dabei über die Strukturen der Medizininformatik-Initiative (MII) beziehungsweise der Forschungsdatenplattform Gesundheit (FDPG) erfolgen.
Potential Supervisor: Alessia Nowak
Level: Bachelor / Master (adaptable)
Strategic Orientation: Socio-economical Evaluation
Background
The ongoing digital transformation poses significant structural, technical, and organizational challenges for hospitals. With the introduction of the German Hospital Future Act (Krankenhauszukunftsgesetz, KHZG), a national funding framework was established to accelerate digital innovation and strengthen the quality, safety, and efficiency of healthcare delivery. Many hospitals, including Charité, are currently investing in modern IT infrastructures, electronic patient records, and clinical decision support systems. While the technical implementation of these projects is often at the forefront, questions regarding their economic value have become increasingly important. It remains unclear to what extent digital technologies generate measurable cost savings, streamline clinical processes, or create indirect efficiency gains.
A systematic assessment of both the potential savings and the broader economic impact is therefore crucial. Such evaluations support evidence-based decision-making, help prioritize investments, and contribute to the development of sustainable digitalization strategies within the healthcare sector.
Research Directions
This research project examines the economic impact of digitalization initiatives funded under the German Hospital Future Act (KHZG). Potential research questions include:
• What cost-saving potentials arise from selected KHZG measures implemented at Charité?
• How can the economic viability of these digitalization projects be evaluated using cost-benefit analysis?
The objectives are to identify relevant benefit components, develop an appropriate evaluation framework, and derive strategic recommendations if applicable.
Methodology
Methodologically, a systematic literature review, qualitative interviews with project stakeholders, and an economic modelling approach (e.g., cost-benefit analysis) are envisaged.
Potential Data Sources
• Internal project reports and cost calculations related to KHZG-funded initiatives at Charité
• Qualitative interviews (e.g., IT management, project managers, clinical staff)
• Survey data
• Literature on digital health evaluations
Access to internal data depends on approval and confidentiality requirements; interviews need to be arranged by the student; contacts for interviews can be provided.
Project Context
The topic constitutes a standalone research project while remaining closely interconnected with the broader KHZG project initiatives. Although independently designed, it aligns with ongoing digitalization efforts and benefits from insights, structures, and stakeholders involved in the KHZG implementation.
Requirements and Administration (optional)
Desired qualifications include an interest in health economics, technology evaluation, and qualitative research methods. Analytical thinking and a strong interest in digitalization processes within the healthcare sector are advantageous.
References
German Federal Ministry of Health. (2020). Krankenhauszukunftsgesetz (KHZG).
https://www.bundesgesundheitsministerium.de/fileadmin/Dateien/3_Downloads/Gesetze_und_Verordnungen/GuV/K/bgbl1_S.2208_KHZG_28.10.20.pdf
Goodacre, S., & McCabe, C. (2002). An introduction to economic evaluation. Emergency Medicine Journal, 19(3), 198.
Vogel, J., Hollenbach, J., Haering, A., Ehlig, D., & Geissler, A. (2025). Correction to: Digital Maturity Data: Extracting Insights for Health System Management. In Digital Maturity in Hospitals: Strategies, Frameworks, and Global Case Studies to Shape Future Healthcare (pp. C1–C1). Springer Nature Switzerland.
Background
Der zunehmende Einsatz KI-basierter Sturzmonitoring-Systeme in der Pflege wirft neben klinischen auch ökonomische Fragestellungen auf. Insbesondere ist unklar, in welchem Umfang solche Systeme im Vergleich zur bestehenden Versorgungspraxis („Care as Usual“) zu Kosteneinsparungen oder zusätzlichen Aufwendungen führen. Ziel dieser Arbeit ist es, die erwarteten Kosteneffekte eines KI-basierten Sturzmonitorings systematisch zu analysieren und gegenüber der Regelversorgung zu vergleichen, um eine fundierte Entscheidungsgrundlage für den Einsatz digitaler Lösungen in der Pflege zu schaffen.
