KI kann Dekubitusrisiko bei Krankenhauspatienten vorhersagen
- Corax Consultants LLC
- 9. Apr. 2024
- 1 Min. Lesezeit
Das heute in BMJ Open veröffentlichte neue KI Risikobewertungsmodell erhöht die Genauigkeit der Vorhersage auf mehr als 74 % – eine Steigerung von mehr als 20 % gegenüber bestehenden Methoden. Gängige Praktiken und Richtlinien zur Vorbeugung von Druckverletzungen sind zeitaufwändig und belastend für das Pflegepersonal am Krankenbett. Das branchenübliche Instrument zur Vorhersage des Dekubitusrisikos, die papierbasierte Braden-Skala, hat sich seit ihrer Einführung in den 1980er Jahren nicht verändert und weist eine Genauigkeitsrate von 54 % auf, stellen die Forscher fest.
Der vom Team entwickelte Vorhersagealgorithmus bietet eine verbesserte Wirtschaftlichkeit und erhebliche Einsparungen. Da eine Risikobewertung zwischen fünf und 15 Minuten pro Patient dauern kann, kann dies in einer einzelnen Einrichtung mit 500 Betten bis zu 250 Arbeitsstunden pro Tag und zwischen 30.000 und 90.000 Arbeitsstunden pro Jahr bedeuten.
Mithilfe von Methoden des maschinellen Lernens haben Forscher die elektronischen Gesundheitsakten von mehr als 35.000 Krankenhauseinweisungen über einen Zeitraum von fünf Jahren in zwei akademischen Krankenhäusern durchforstet, um Veränderungen des Dekubitusrisikos im Laufe der Zeit zu analysieren. Sie untersuchten Variablen wie Aufnahmediagnosecodes, verschreibungspflichtige Medikamente, Laborbestellungen und andere Faktoren, die am engsten mit Risikofaktoren für Dekubitus verbunden sind.
Die Forscher führten Analysen mit maschinellen Lerntechniken wie Random Forests und neuronalen Netzen durch, um die spezifischen Gewichte dieser Variablen für die Veränderungen und das Risiko eines Dekubitusfalls weiter einzugrenzen, und erstellten das endgültige Modell. Sie identifizierten auch eine Liste verschreibungspflichtiger Medikamente – Betablocker, Elektrolyte, Phosphatersatz, Zinkersatz, Erythropoietin-stimulierende Mittel, Thiazide/Diuretika, Vasopressoren –, die das Risiko für Druckschäden bei Patienten verändern.
Kommentare