Nursing Assessment–Derived Risk Profiles and VALENF Instrument–Based Classification in Adult Inpatients: A Two-Stage Machine Learning Study

Krankenhäuser sind Orte, an denen die Komplexität menschlicher Erkrankungen oft hinter einfachen Bezeichnungen verborgen liegt. Ein Patient kommt mit einer Diagnose an, aber dieser eine medizinische Begriff erzählt selten die ganze Geschichte dessen, was er benötigt. Zwei Menschen mögen dieselbe Krankheit haben, doch der eine ist stark genug, um eigenständig zu gehen und zu essen, während der andere gebrechlich, verwirrt und einem hohen Risiko für Stürze oder die Entstehung von Dekubitus ausgesetzt ist. Jahrzehntelang konzentrierten sich Krankenhausakten stark auf medizinische Diagnosen und Abrechnungscodes, die zwar für die Abrechnung und die Verfolgung von Krankheiten nützlich sind, aber oft die tägliche Realität des körperlichen Zustands und der Sicherheitsbedürfnisse eines Patienten übersehen. Pflegekräfte hingegen sind darauf geschult, dieses fehlende Bild zu sehen. Jeden Tag beurteilen sie, wie gut ein Patient sich bewegen kann, wie hoch die Sturzgefahr ist und ob seine Haut gefährdet ist, aufzubrechen. Diese Beobachtungen erstellen eine reiche, detaillierte Landkarte der Verwundbarkeit eines Patienten, die in Standard-Krankenhausakten oft unberücksichtigt bleibt.

Die Herausforderung bestand schon immer darin, wie man diese detaillierten, menschlichen Beobachtungen in ein System verwandelt, das Ärzten und Pflegekräften hilft, schnellere und bessere Entscheidungen für Tausende von Patienten zu treffen. Wenn eine Pflegekraft ein Risikomuster bei einem Patienten erkennt, kann ein Computer lernen, dasselbe Muster beim nächsten Patienten zu erkennen? Dies war die Frage, die ein Forscherteam in Spanien zu beantworten versuchte. Sie wollten sehen, ob sie die spezifischen, strukturierten Notizen, die Pflegekräfte bei der Ankunft eines Patienten erstellen, nutzen können, um Patienten in klare Risikokategorien einzuteilen. Ihr Ziel war es nicht nur, Patienten zu sortieren, sondern ein digitales Werkzeug zu bauen, das einen neuen Patienten automatisch der richtigen Risikogruppe zuordnet, basierend auf einer kurzen, routinemäßigen pflegerischen Überprüfung, um sicherzustellen, dass die verwundbarsten Menschen ohne Verzögerung die nötige Aufmerksamkeit erhalten.

Die Forscher arbeiteten mit Daten aus einem Krankenhaus in Spanien und untersuchten tausende Krankenhausaufenthalte. Sie begannen damit, eine massive Sammlung von Datensätzen aus über 2.600 Patienten zu sammeln. Für jeden dieser Patienten hatten sie Zugriff auf die vollständigen, detaillierten pflegerischen Einschätzungen, die bei der Aufnahme durchgeführt wurden. Diese Einschätzungen enthielten Scores darüber, wie gut ein Patient tägliche Aufgaben wie Essen und Gehen ausführen konnte, wie hoch das Risiko war, Druckgeschwüre zu entwickeln, und das Risiko eines Sturzes. Sie enthielten auch das Alter des Patienten, das Geschlecht und einen Score, der zählte, wie viele andere gesundheitliche Probleme vorlagen. Mit einer Computermethode, die nach verborgenen Mustern sucht, ohne dass man ihr sagt, wonach sie suchen soll, ließen die Forscher die Daten für sich selbst sprechen. Sie baten den Computer, natürliche Gruppen unter den Patienten basierend auf diesen kombinierten Faktoren zu finden.

Der Computer fand fünf unterschiedliche Gruppen, oder Profile, die für menschliche Experten Sinn ergaben. Die erste Gruppe bestand aus jüngeren Patienten, die sehr gesund und unabhängig waren, mit fast keinem Risiko für Stürze oder Druckgeschwüre. Die zweite Gruppe war in Bezug auf die körperliche Unabhängigkeit ähnlich, bestand jedoch aus älteren Patienten mit mehr chronischen Gesundheitsproblemen. Die dritte Gruppe repräsentierte Patienten mit moderaten Schwierigkeiten; sie konnten noch einige Dinge selbst tun, kämpften aber sichtlich mit ihnen. Die vierte Gruppe umfasste Patienten, die signifikant auf die Hilfe anderer angewiesen waren und hohen Risiken ausgesetzt waren. Schließlich war die fünfte Gruppe die verwundbarste: sehr alte Patienten mit vielen gesundheitlichen Problemen, die völlig abhängig von anderen bei der Bewegung waren und das höchste Risiko für Stürze und Hautschäden aufwiesen. Diese fünf Kategorien schufen eine klare Leiter des Risikos, die von denen reichte, die wenig Hilfe benötigten, bis hin zu denen, die ständige, intensive Pflege brauchten.

Nachdem diese fünf Gruppen etabliert worden waren, standen die Forscher vor einer neuen Aufgabe. Sie mussten einen Weg finden, neue Patienten diesen Gruppen zuzuweisen, ohne jedes Mal die zeitaufwendige, detaillierte Einschätzung durchführen zu müssen. Sie wandten sich an ein kürzeres Instrument namens VALENF-Instrument, einer siebenstufigen Checkliste, die Pflegekräfte routinemäßig verwenden. Diese Checkliste stellt einfache Fragen, die dieselben Risiken wie die längeren, detaillierteren Tests abschätzen. Das Team trainierte ein Computerprogramm darauf, sich die Antworten auf diese sieben Fragen anzusehen und vorherzusagen, welcher der fünf Risikogruppen ein Patient angehört. Sie testeten verschiedene Arten von Computer-Lernalgorithmen, um herauszufinden, welcher am genauesten war und – was entscheidend war – welcher die sichersten Fehler machte.

In der Welt der Risikobewertung kann ein Fehler auf zwei Arten auftreten: Der Computer könnte denken, ein Patient sei sicher, obwohl er eigentlich gefährdet ist, oder er könnte denken, ein Patient sei gefährdet, obwohl er eigentlich sicher ist. Die Forscher fanden heraus, dass ein spezieller Typ von Algorithmus, bekannt als Random Forest, die beste Wahl war. Während eine andere Methode insgesamt etwas genauer war, war der Random Forest besser darin, vorsichtig zu sein. Er neigte eher dazu, einen Patienten einer höheren Risikogruppe zuzuordnen, wenn Zweifel bestanden, anstatt eine verwundbare Person versehentlich in eine Niedrigrisikokategorie einzustufen. Dieser „Sicherheits-zuerst“-Ansatz ist in einem Krankenhaus lebenswichtig, wo das Übersehen eines Risikos schwerwiegende Folgen haben kann. Das gewählte Computermodell ordnete Patienten bei Tests etwa 82 Prozent der Zeit korrekt ihren Risikogruppen zu, ein Leistungsniveau, das die Forscher als stark genug erachteten, um fortzufahren.

Um zu sehen, ob dieses System in der realen Welt funktionieren würde, testete das Team es an einem völlig neuen Satz von Patienten, der mehr als 8.000 Krankenhausaufenthalte umfasste, die einige Jahre später aufgezeichnet worden waren. Sie änderten das Computerprogramm überhaupt nicht; sie speisten einfach die neuen Daten ein, um zu sehen, was passierte. Die Ergebnisse waren ermutigend. Das System sortierte die neuen Patienten erfolgreich in die fünf Risikogruppen ein, und das allgemeine Risikomuster blieb konsistent. Die Patienten in den Hochrisikogruppen waren tatsächlich älter, hatten mehr gesundheitliche Probleme und waren weniger mobil als die in den Niedrigrisikogruppen. Die Zuweisungen des Computers stimmten in der großen Mehrheit der Fälle mit der klinischen Realität der Zustände der Patienten überein.

Dennoch offenbarte die Studie auch einige wichtige Nuancen. Das System funktionierte am besten für die Patienten in den mittleren und hohen Risikokategorien. Für die zwei Gruppen von Patienten, die allgemein gesund waren, verschob der Computer sie manchmal zwischen den Kategorien „niedriges Risiko“ und „niedriges Risiko mit gesundheitlichen Problemen“. Dies geschah, weil die neue Patientengruppe etwas älter war und etwas mehr chronische gesundheitliche Probleme hatte als die ursprüngliche Gruppe, mit der der Computer trainiert wurde. Während der Computer die komplexen Hochrisikofälle mit großer Stabilität handhabte, zeigten die subtilen Unterschiede in der gesünderen Bevölkerung, dass das System sensibel auf Veränderungen in der Patientenzusammensetzung reagiert. Die Forscher merkten an, dass das Werkzeug technisch fundiert und klinisch logisch ist, aber noch kein fertiges Produkt für jedes Krankenhaus darstellt.

Die Studie kommt zu dem Schluss, dass es möglich ist, das komplexe, multidimensionale Bild der Gesundheit eines Patienten in ein einfaches, automatisiertes Risikoprofil zu übersetzen, indem man routinemäßige pflegerische Daten nutzt. Die fünf identifizierten Gruppen bieten einen klaren, geordneten Weg, um die Verwundbarkeit von Patienten zu verstehen, indem sie über einfache medizinische Diagnosen hinausgehen und die Realität der täglichen Funktion und Sicherheit erfassen. Das entwickelte Computertool zur Zuweisung dieser Profile funktioniert gut, insbesondere bei der Identifizierung derer, die die meiste Pflege benötigen. Dennoch betonen die Forscher vorsichtig, dass dies ein Ausgangspunkt und keine endgültige Lösung ist. Bevor ein solches System in Krankenhäusern Entscheidungen über die Patientenversorgung treffen kann, muss es in vielen verschiedenen Krankenhäusern getestet und über die Zeit beobachtet werden, um sicherzustellen, dass es die Ergebnisse verbessert und keine neuen Probleme schafft. Die Arbeit beweist, dass die Idee machbar ist und die Daten vorhanden sind, aber der Weg von einem erfolgreichen Computerexperiment zu einem vertrauenswürdigen Bestandteil der täglichen Pflege erfordert weitere Beweise und eine sorgfältige Planung.