Heuristisches Modell für pflegerischer Konzepte in ihrem praktischen Kontext - mit Hilfe naiver Bayes-Klassifikation

Im Bereich E-Health hält auch die digitale Dokumentation in der Pflege für Data-Mining eine große und heterogene Menge an Daten bereit. Diese werden bisher eher als kontrolliertes Wissen für Statistiken, Fallmanagement oder Patientenscreening verwendet. Eine Untersuchung von Parametern in- und außerhalb klassischer Terminologien zeigte, dass sich bisher unberücksichtigte Korrelationen für Vorschlagsheuristiken in der Pflege einsetzen lassen.

Big Data in der Pflege
Der Nutzen von Big Data Technologien ist im medizinischen Kontext bereits offensichtlich. So brachte z.B. die Analyse aller in der neonatalen Versorgung erfasster Daten, gerade ohne Ansehen bekannter oder vermuteter Kausalitäten, genau die Korrelationen zum Vorschein, die eine Früherkennng von Infektionen bei Frühchen möglich machte [1]. Der Einsatz von Terminologien (z.B. apenio® oder LEP) in einem digitalen Krankenhausumfeld lässt ein breites Spektrum an Daten für die Erforschung von Korrelationen auch im Kontext Pflege vermuten. Fraglich ist in welchen Prozessen diese Zusammenhänge die Pflegenden unterstützen können und welche Daten für diese Anwendung Wirkung entfalten.

Für die Erhebung solcher Datenvektoren wurde ein naiver Bayes-Klassifikator verwendet. Besonders im Hinblick auf die Komplexität der Daten und der apriori unbekannten Korrelationen, stellte diese Methode in Abwägung von Berechnungskomplexität und Qualität der Klassifizierung einen guten Kompromiss dar.

In verschiedenen Modellen wurden zwischen 20 und 46 Mio. Vektoren aus Assessment und Pflegeplanung mit diversen Randdaten kombiniert. Sie stammten aus anonymisierten Echtdaten von Kliniken, die bereits einige Jahre den 4-stufigen Pflegeprozesses dokumentieren. Das System wurde darauf hin befragt, welche pflegerischen Konzepte im situativen Kontext eines Patienten in Abhängigkeit bereits dokumentierter Elemente für die Pflegekraft Relevanz haben könnten. Validiert wurden diese Vorschläge durch tatsächlich in ähnlichem Kontext dokumentierten Daten, sowie durch fachliche Bewertung durch Pflegewissenschaftler.

Die Sensitivität der Ergebnisse erreichte im Schnitt 95% unter den ersten 20, sowie 80% unter den ersten 10 Ergebnissen einer Anfrage. Besonders einflussreich stellten sich Parameter des Nutzungskontextes, wie z.B. die Uhrzeit des Zugriffs auf das System, die Benutzer oder die Station dar. Letzteres scheint trivialer als es im Hinblick auf durchaus heterogen belegte Stationen im Klinikalltag ist.

Ergebnisse
Die Ergebnisse waren meist relevant, jedoch wegen ihrer stochastischen Natur immer auch vage. Die Forderung nach einer Verbindlichkeit der Resultate i.S.v. Pflegeleitlinien oder Expertenstandards kann allein über stochastische Modelle noch nicht erfüllt werden.

Durch die Kombination von Big Data mit evidenzbasierten Expertenwissen könnte Dokumentationssysteme in der Zukunft an Effektivität gewinnen. Dies könnte helfen den Widerspruch zwischen Vollständigkeit von Klassifikationen und einfacher, schneller Dokumentation zu lösen.

[1] McGregor, Carolyn, and J. Mikael Eklund. "Next generation remote critical care through service-oriented architectures: challenges and opportunities." Service oriented computing and applications 4.1 (2010): 33-43.

 

Präsentation im Rahmen des conhIT Kongress 2016

Präsentationsfolien als PDF (892,8 KiB)

Zurück