Künstliche Intelligenz zur Unterstützung der Krankenhaushygiene

Nosokomiale Infektionen sind ein ernstes Gesundheitsproblem. Pneumonien, Sepsen, postoperative Wundinfektionen und Harnwegsinfektionen, die im Krankenhaus erworben wurden, können schwerwiegende Krankheitsverläufe und Komplikationen verursachen, die den Krankenhausaufenthalt erheblich verlängern oder sogar zum Tod führen können. Studien des Robert-Koch-Instituts (RKI) schätzen die Zahl der nosokomialen Infektionen in Deutschland auf jährlich 400.000 bis 600.000. Die Zahl der Todesfälle liegt zwischen 10.000 bis 20.000.¹
Erfasst werden nosokomiale Infektionen in Krankenhäusern und Gesundheitseinrichtungen durch das Krankenhaus- oder Gesundheitseinrichtungsinfektions-Surveillance-System (KISS), das allerdings Überwachungspersonal bindet, das potenzielle Infektionsfälle anhand sorgfältiger Prüfung medizinischer Aufzeichnungen und Labordaten identifiziert.
Die Nachteile des KISS liegen in der Kosten- und Zeitaufwendung dieses Systems, wodurch seine umfassende Anwendung begrenzt ist.
Genau an dieser Stelle können neue Arten von Big-Data-Analysen Hygieneärztinnen und -ärzte und das Hygienefachpersonal unterstützen. Hierdurch kann nicht nur eine Zeitersparnis, sondern auch eine umfassendere epidemiologische Überwachung erreicht werden.
Beim Unsupervised Learning können Machine-Learning-Modelle mithilfe von Anomalie-Erkennungstechniken dabei helfen, Abweichungen von erwarteten Mustern in den Abrechnungsdaten zu identifizieren. Plötzliche Anstiege von Diagnosen oder Prozeduren, die mit Infektionen assoziiert sind, könnten auf das Vorhandensein von nosokomialen Infektionen hinweisen.
In der Regel haben die Beteiligten ein gewisses medizinisches Vorwissen über Diagnose- und Prozedurencodes, um wahrscheinliche Kandidatinnen und Kandidaten für spezielle nosokomiale Infektionen zu bestimmen und dann mithilfe von Machine-Learning-Modellen weitere zu identifizieren. Auf diese Weise können Modelle evaluiert und kontinuierlich verbessert werden.
Wenn auf der Grundlage der Surveillance-Daten bekannt ist, welche Fälle in den Abrechnungsdaten tatsächlich als nosokomiale Infektionen gelten, kann versucht werden, diese Fälle anhand von Abrechnungsdaten zu erkennen oder vorherzusagen. Dazu können aus den Abrechnungsdaten bestimmte Diagnosecodes, chirurgische Eingriffsarten, postoperative Medikation oder die Aufenthaltsdauer im Krankenhaus verwendet werden. Durch die Nutzung historischer Daten und der sogenannten Supervised-Learning-Verfahren können dann Modelle trainiert werden, um nosokomiale Infektionen zu erkennen oder vorherzusagen. Die Güte dieser Modelle wird dann u.a. in einer so genannten Fehlermatrix untersucht, auf deren Basis auch Maße wie Sensitivität oder Spezifizität berechnet werden.²
Prof. Hans Böhme

¹ Im Internet am 07.05.2024 aufgerufen unter Bis zu 20.000 Tote durch nosokomiale Infektionen (aerztezeitung.de).

² Im Internet am 07.05.2024 aufgerufen unter https://www.hcm-magazin.de/wie-kuenstliche-intelligenz-die-krankenhaushygiene-unterstuetzen-kann-362520/.

Diese Nachricht stammt aus dem Healthcare & Hospital Law Newsletter. Abonnieren Sie hier kostenlos und verpassen Sie keine wichtigen News aus der Branche!