Frühzeitige Vorhersage des Druckgeschwür-Risikos bei hospitalisierten Patienten mithilfe überwachter Machine-Learning-Modelle auf Basis von Pflegedokumentationen

Warum Dekubitus in modernen Krankenhäusern weiterhin wichtig ist

Druckverletzungen – häufig Dekubitus genannt – klingen vielleicht nach einem altbekannten Problem, sind aber nach wie vor eine ernste und kostspielige Komplikation der Krankenhausversorgung. Sie können sich bei schwerkranken oder wenig bewegungsfähigen Personen schnell entwickeln und Schmerzen, Infektionen sowie längere Klinikaufenthalte verursachen. Diese Studie untersucht, ob sich Informationen, die Pflegekräfte bereits in den ersten Stunden nach der Aufnahme erfassen, mit modernen Computerverfahren kombinieren lassen, um jene Patienten zu erkennen, die am ehesten solche Verletzungen entwickeln, damit das Personal vorbeugend eingreifen kann.

Verborgene Gefahren durch langes Liegen

Eine Druckverletzung entsteht, wenn Haut und tiefere Gewebe über längere Zeit zwischen Bett oder Stuhl und dem darunterliegenden Knochen zusammengedrückt werden. Mehr als einer von zehn hospitalisierten Erwachsenen entwickelt diese Wunden, besonders auf Intensiv- oder Notfallstationen, wo Patienten sich nicht frei bewegen können. Neben Schmerzen und Infektionsrisiken sind diese Verletzungen auch mit hohen Kosten verbunden – allein in den Vereinigten Staaten summieren sie sich jährlich auf Milliardenbeträge. Traditionelle Checklisten, wie die verbreitete Braden-Skala, helfen Pflegekräften, das Risiko einzuschätzen, können aber Personen übersehen, deren Gefahr nicht offensichtlich ist, etwa solche mit Inkontinenz, Adipositas oder komplexen Vorerkrankungen.

Routinedokumente der Pflege als Frühwarnsignale

Die Forschenden fragten, ob sich Druckverletzungen allein anhand der grundlegenden Informationen vorhersagen lassen, die Pflegekräfte in den ersten acht Stunden des Krankenhausaufenthalts routinemäßig erfassen. In einem großen öffentlichen Krankenhaus in Santiago de Chile sammelten sie Daten von 446 Patienten aus verschiedenen Stationen, von der Notaufnahme und Chirurgie bis zur Intensivpflege. Pflegende erfassten einfache Angaben wie Alter, Größe, Gewicht, auf welcher Station die Person aufgenommen wurde, wie abhängig sie von fremder Hilfe war, ob Inkontinenz vorlag und ob spezielle Matratzen, Positionswechsel oder körperliche Fixierungen eingesetzt wurden. Vorhandene Wunden bei Aufnahme wurden sorgfältig von solchen unterschieden, die später entstanden, sodass sich die Studie nur auf im Krankenhaus erworbene Verletzungen konzentrierte.

Computern das Erkennen von Hochrisikopatienten beibringen

Aus diesen Aufzeichnungen bauten die Forschenden mehrere „überwachte“ Machine-Learning-Modelle – Computerprogramme, die Muster aus Beispielen lernen. Sie testeten fünf verschiedene Ansätze, darunter Entscheidungsbäume, logistische Regression, Support Vector Machines, Extreme Gradient Boosting und ein verbreitetes Verfahren namens Random Forest, das viele einfache Entscheidungsbäume zu einem stärkeren Prädiktor kombiniert. Vor dem Training bereinigten und strukturierten sie die Rohdaten, füllten fehlende Werte mit etablierten statistischen Methoden auf und wählten 13 der informativsten Merkmale aus. Die Daten wurden wiederholt in Trainings- und Testgruppen aufgeteilt, um zu prüfen, wie gut jedes Modell Patienten unterscheiden konnte, die später eine Druckverletzung entwickelten, von denen, die dies nicht taten.

Wer laut den Daten am stärksten gefährdet ist

Rund 19 % der in der Studie untersuchten Patienten entwickelten eine im Krankenhaus erworbene Druckverletzung. Die Analyse zeigte, dass einige frühe Pflegebeobachtungen besonderes Gewicht hatten. Höhere Gesamtrisikowerte, größeres Körpergewicht und Höhe, hohe Abhängigkeit von Pflege, sowie Aufnahmen auf bestimmten Stationen wie der medizinisch-chirurgischen Erwachsenenstation und der Intensivstation standen mit mehr Verletzungen in Verbindung. Das Vorliegen von Inkontinenz – insbesondere faecaler oder gemischter Inkontinenz –, körperliche Fixierungen und der vorherige Einsatz spezieller anti-Druck-Matratzen signalisierten ebenfalls ein erhöhtes Risiko. Unter den getesteten Computermodellen erzielte die Random-Forest-Methode die besten Ergebnisse: Sie trennte Hoch- und Niedrigrisikopatienten in mehr als vier von fünf Fällen korrekt und erreichte eine sehr hohe Präzision, was bedeutet, dass eine als hochriskant markierte Person meist tatsächlich gefährdet war.

Von Computernoten zu besserer Versorgung am Bett

Um das System in lebhaften Stationen praktikabel zu machen, passten die Forschenden es so an, dass es Präzision über das Erkennen jedes möglichen Falls stellte. Dadurch verringert sich die Anzahl falscher Alarme, sodass Pflegekräfte präventive Ressourcen – wie häufiges Umlagern, sorgfältige Hautkontrollen und spezielle Matratzen – auf jene Patienten konzentrieren können, die am meisten davon profitieren. Zwar bedeutet das, dass einige gefährdete Patienten nicht markiert werden, doch argumentieren die Autorinnen und Autoren, dass verlässliche Warnungen eher akzeptiert und im Alltag genutzt werden. Sie betonen, dass das Modell die klinische Einschätzung unterstützen, nicht ersetzen soll.

Was das für Patienten und Krankenhäuser bedeutet

Einfach gesagt zeigt die Studie, dass Krankenhäuser Informationen, die sie bereits in den ersten Stunden nach Aufnahme sammeln, zu einem digitalen „Frühwarnsystem" für Dekubitus nutzen könnten. Mit nur 13 grundlegenden Pflegebeobachtungen und einem gut trainierten Computer-Modell können Mitarbeitende eine kleine Gruppe von Patienten identifizieren, die sehr wahrscheinlich Druckverletzungen entwickeln, und rechtzeitig intervenieren, bevor ernsthafte Schäden entstehen. Obwohl das Werkzeug noch in anderen Krankenhäusern und Gesundheitssystemen validiert werden muss, bietet es einen vielversprechenden Weg, routinemäßige Pflegedokumentation in intelligenteren, zeitnäheren Schutz für einige der verletzlichsten Patienten zu verwandeln.

Zitation: Barriga-Gallegos, F., Ríos-Vásquez, G., Tapia, G.M. et al. Early prediction of pressure injury risk in hospitalized patients using supervised machine learning models based on nursing records. Sci Rep 16, 6502 (2026). https://doi.org/10.1038/s41598-026-35709-w

Schlüsselwörter: Druckgeschwüre, Dekubitusprävention, Pflegedokumentationen, Maschinelles Lernen in Krankenhäusern, Patientenrisikovorhersage