Das klinische Signal, das oft nicht gemessen wird
Krankenhauspflegekräfte verbringen ganze Schichten damit, zwischen Medikamentengaben, Vitalzeichenkontrollen, Dokumentation, Gesprächen mit Angehörigen und ständig kleinen Beurteilungen zu wechseln, ob ein Patient stabil wirkt oder nicht. In diesem Umfeld kann eine der wichtigsten Formen von Fachwissen auch eine der am schwersten zu dokumentierenden sein: das Gefühl, dass etwas nicht stimmt, noch bevor Standardwerte es klar zeigen.
Kelly Gleason, außerordentliche Professorin an der Johns-Hopkins-School of Nursing, hat ihre Forschung genau um dieses Problem aufgebaut. Pflegekräfte, argumentiert sie, sind darin geschult, Menschen ebenso zu lesen wie Monitore. Sie bemerken Veränderungen im Erscheinungsbild, in der Wachheit, im Verhalten oder im Gesamteindruck, die in einem herkömmlichen Krankenhaus-Frühwarnsystem nicht sofort Alarm auslösen. Ohne eine objektive Möglichkeit, diese Bedenken mitzuteilen, bleibt ein Bauchgefühl jedoch oft genau das, selbst wenn es sich später als richtig erweist.
Das Ergebnis ist eine wiederkehrende und schwierige Situation in der Akutversorgung. Eine Pflegekraft macht sich leicht Sorgen um einen Patienten, aber Blutdruck, Herzfrequenz und andere Standardindikatoren erscheinen normal. Es kann schwer zu rechtfertigen sein, einen Arzt ohne konkretere Belege von der Visite wegzurufen, und hektische Arbeitsabläufe lassen wenig Zeit, die Intuition strukturiert zu hinterfragen. Manchmal zeigt die nächste Schicht, dass sich der Zustand des Patienten verschlechtert hat und er auf die Intensivstation verlegt wurde.
Pflegeurteil in Machine-Learning-Systeme einbringen
Gleasons Ansatz besteht nicht darin, bestehende Krankenhausalarme zu ersetzen, sondern sie zu ergänzen. Krankenhäuser nutzen bereits Frühwarnsysteme, die Patientendaten über mehrere Schichten hinweg verarbeiten und Risikowerte erzeugen. Überschreitet ein Wert einen Schwellenwert, erhält das Behandlungsteam eine Warnung. Immer häufiger verwenden diese Systeme Machine Learning, um Vorhersagen darüber zu verbessern, welche Patienten ein Verschlechterungsrisiko haben könnten.
Diese Systeme erfüllen eine nützliche Sicherheitsnetzfunktion. Sie verfolgen einen Patienten über die Zeit, sichern die Kontinuität über Schichtwechsel hinweg und helfen Ärzten, Muster auf einer vollen Station nicht zu übersehen. Sie stützen sich jedoch weiterhin vor allem auf dokumentierte Daten, insbesondere Vitalzeichen und andere messbare Faktoren. Die Herausforderung besteht darin, dass Pflegekräfte am Bett oft besorgniserregende Muster erkennen, bevor sie sich sauber in Zahlen fassen lassen.
Die Arbeit an Johns Hopkins soll diese Lücke schließen, indem sie einen Weg findet, solche Beobachtungen am Bett zu quantifizieren und in KI-gestützte Warnsysteme einzubinden. Dabei geht es nicht um mystische Intuition, die direkt in Software übersetzt wird. Es geht um die strukturierte Erfassung subtiler klinischer Beobachtungen, die erfahrene Pflegekräfte immer wieder machen und die auch dann mit einer Verschlechterung korrelieren können, wenn Standardwerte die Schwelle noch nicht überschritten haben.
