Im Projekt KIADEKU wurde am Beispiel der Wundversorgung, insbesondere der Unterscheidung von Dekubitus und Inkontinenz-assoziierter Dermatitis, untersucht, wie künstliche Intelligenz Pflegefachpersonen unterstützen kann.
Nach dreieinhalb Jahren Forschung und Entwicklung zeigt das im August erfolgreich abgeschlossene Projekt KIADEKU – kurz für: künstliche Intelligenz, Inkontinenz-assoziierte Dermatitis, Dekubitus – die Chancen der Integration künstlicher Intelligenz (KI) in die Pflegepraxis. Das Projekt knüpfte an internationale Entwicklungen in medizinischer Bilderkennung und Wundmanagement an. Während KI bislang vor allem in der Medizin eingesetzt wurde, sollten ihre Potenziale nun gezielt für pflegerische Fragestellungen genutzt werden.
Das Projekt wurde vom Bundesministerium für Forschung, Technologie und Raumfahrt (BMFTR) gefördert. Die Verbundkoordination hatte das Universitätsklinikum Essen inne; Kooperationspartner waren das LMU Klinikum München und die Sciendis GmbH aus Leipzig.
Die KI anhand von Wundfotos trainieren
Für die praktische Umsetzung musste das KI-System anhand von Wundfotos lernen, zwischen Dekubitus und Inkontinenz-assoziierter Dermatitis (IAD) zu unterscheiden und relevante Wundmerkmale zu erkennen. Dazu wurde zunächst ein evidenzbasierter, praxisnaher Standard für Wunddokumentation und Pflegeinterventionen entwickelt. Hierzu wurden bestehende Dokumentationen und Pflegeinterventionen der beteiligten Standorte analysiert und durch systematische Literaturrecherchen ergänzt. In einer Begleitstudie wurde der Entwurf der Standards mit Wundexpert:innen validiert. Der Standard für die Wunddokumentation umfasst 18 Kategorien – zum Beispiel Wundrand, Wundgröße und Lokalisation – mit insgesamt 90 Ausprägungen und vier ätiologische Kategorien.
Auf Basis des Standards wurde die KI trainiert. Dafür wurden umfangreiche Datensätze aus anonymisierten Wundfotos der beiden Kliniken verwendet. Diese Fotos wurden gemäß dem Standard in einem speziellen Annotationstool von Pflegefachpersonen mit Expertise im Bereich Dekubitus und IAD markiert. „Annotation“ bedeutet, dass relevante Informationen in einem Datensatz mit Etiketten oder Markierungen versehen werden, sodass die Maschine sie erkennen und verarbeiten kann. In den Wundfotos wurden beispielsweise Merkmale wie Wundrand, Rötung oder Läsionen gekennzeichnet, und es wurde festgehalten, ob es sich um eine IAD oder einen Dekubitus handelt. Eine sorgfältige und qualitativ hochwertige Annotation ist entscheidend für die KI, da nur aus gut annotierten Daten verlässliche Klassifikationen abgeleitet werden können.
Weiterentwicklung zu einem Demonstrator
Im letzten Schritt vor der Pilotierung wurden die KI, die Dokumentationsstandards und die Pflegeinterventionen in die Wundapplikation Wundera® integriert und gemeinsam mit dem Softwarepartner Sciendis zu einem Demonstrator weiterentwickelt (Abb. 1). Pflegefachpersonen und Wundexpert:innen des Universitätsklinikums Essen und des LMU Klinikums München waren in mehreren Evaluationsrunden eingebunden, um praxisrelevante Kriterien und Benutzerfreundlichkeit sicherzustellen.
Die Applikation wurde auf Tablets bereitgestellt, sodass die KI-gestützte Wundanalyse direkt am Point of Care erfolgen konnte. Während der Fotodokumentation analysiert die KI in Echtzeit, ob es sich bei der vorliegenden Wunde um einen Dekubitus oder eine IAD handeln könnte. Zusätzlich werden weitere Wundmerkmale, wie beispielsweise Kategorie, Zustand des Wundrands oder des Wundgrundes, erkannt. Darüber hinaus berücksichtigt das System patientenbezogene Informationen wie Mobilitätsstatus oder Inkontinenzgrad. Die Ergebnisse der KI werden automatisch in der Wunddokumentation angezeigt. Pflegefachpersonen müssen diese bestätigen oder bei Bedarf anpassen und korrigieren.
Zudem wird eine prozentuale Angabe zur Vorhersagegenauigkeit der KI dargestellt. Dies unterstützt das Nachvollziehen der Vorhersagesicherheit und schafft Transparenz, die eine fundierte Integration der Ergebnisse in den klinischen Entscheidungsprozess ermöglicht. Optional schlägt das System im Anschluss, auf Grundlage der dokumentierten Wundverhältnisse, personalisierte und evidenzbasierte Pflegeinterventionen vor. Dabei greift es auf eine zuvor im Projekt entwickelte und evaluierte „Decision Matrix“ zurück, die klinische Bedingungen systematisch mit passenden Interventionen verknüpft.
Evaluation ergab hohe Zuverlässigkeit der KI
Die technische Evaluation ergab eine hohe Zuverlässigkeit der KI, teilweise besser als bei erfahrenen Wundexpert:innen. Aufgrund der guten Ergebnisse konnte der Demonstrator ab Juli 2024 in den Stationsbetrieb der beiden Krankenhäuser pilotiert werden. Am Universitätsklinikum Essen wurden in der Pilotphase 28 Fälle evaluiert (21 Dekubitus, sechs IAD, ein technischer Fehler). Pflegefachpersonen bewerteten das System als sehr hilfreich; technische Ausfälle waren selten und die KI- Dokumentationsvorschläge wurden vorrangig als korrekt und sinnvoll angesehen.
Ein entscheidender Erfolgsfaktor des Projekts war die interprofessionelle Zusammensetzung des Projektteams. Durch die enge und kontinuierliche Zusammenarbeit von Pflegewissenschaftler:innen, Pflegeexpert:innen und Entwickler:innen von Beginn bis zum Ende des Projekts konnten aus pflegefachlicher Sicht relevante Merkmale für die Wundbeurteilung gezielt ausgewählt und priorisiert werden. Diese fachlich fundierte Aufbereitung trug maßgeblich zur Entwicklung der KI bei und unterstützte unter anderem die Genauigkeit ihrer Vorhersagen.
KIADEKU unterstreicht die Bedeutung evidenzbasierter Pflege bei der Entwicklung innovativer Lösungen nicht nur für die Wundversorgung. KI-basierte Systeme können die evidenzbasierte Entscheidungsfindung fördern, indem sie Pflegefachpersonen bewährte Leitlinien in Echtzeit bereitstellen und somit die praktische Umsetzung in der pflegerischen Versorgung am Point of Care unterstützen.
