Modellierung pflegerischer Aufgaben in simulierten Notfallszenarien: Erkenntnisse für klinische Ausbildung und Praxis

Warum diese Forschung für die Patientenversorgung wichtig ist

Wenn sich der Zustand einer Person in der Notaufnahme plötzlich verschlechtert, sind Pflegende häufig die ersten, die dies bemerken und handeln. Ihre schnellen Entscheidungen — was überprüft werden muss, wen man hinzuzieht, welche Behandlung begonnen werden soll — können über Erholung oder schwerwiegende Schäden entscheiden. Viele dieser Entscheidungen werden jedoch so schnell und intuitiv getroffen, dass selbst erfahrene Pflegekräfte Schwierigkeiten haben, ihre Vorgehensweise zu erklären. Diese Studie untersucht, ob moderne künstliche Intelligenz die Muster hinter dem Handeln erfahrener Pflegekräfte in realistischen Notfalldemonstrationen erlernen kann, mit dem Ziel, eines Tages weniger erfahrene Pflegekräfte in riskanten Situationen zu unterstützen.

Wie erfahrene Pflegekräfte spontan denken

Erfahrene Pflegende, die sehr kranke Patientinnen und Patienten versorgen, folgen weit mehr als Schritt‑für‑Schritt‑Checklisten. Sie verbinden kontinuierlich Messwerte von Monitoren, Befunde aus der Dokumentation, das, was sie bei der körperlichen Untersuchung sehen und fühlen, sowie die Angaben der Patientinnen und Patienten über ihr Befinden. Ein Großteil dieser Entscheidungsfindung ist schnell, intuitiv und schwer in Worte zu fassen. Novizen hingegen halten sich oft strikt an schriftliche Protokolle und konzentrieren sich stark auf Monitorwerte, was ihre Fähigkeit einschränken kann, sich anzupassen, wenn sich der Zustand eines Patienten unerwartet ändert. Die Forschenden argumentierten, dass wir, wenn wir die Abfolge sichtbarer Handlungen erfassen können — etwa Vitalzeichen messen, mit dem Patienten sprechen oder einen Arzt rufen — diesen Entscheidungsprozess hinreichend modellieren könnten, um Ausbildung und Praxis zu unterstützen.

Simulierte Notfälle in einer sicheren Umgebung

Um diese Muster zu untersuchen, ohne echte Patienten zu gefährden, verwendete das Team detailgetreue Simulationen mit lebensechten Mannequins. Elf erfahrene Pflegekräfte und dreizehn Pflegestudierende im dritten Studienjahr absolvierten Notfallszenarien mit einem Patienten, der plötzlich einen ischämischen Schlaganfall entwickelte, und für die Expertinnen und Experten zusätzlich ein Szenario mit Patientinnen und Patienten mit schweren Covid‑19‑Komplikationen. Jede Handlung der Pflegenden — insgesamt 19 unterschiedliche Verhaltensweisen — wurde auf Video aufgezeichnet, mit Zeitstempeln versehen und anschließend von klinischen und Human‑Factors‑Expertinnen und -Experten sorgfältig kodiert. Diese vielen spezifischen Aktionen wurden dann in acht breitere Kategorien zusammengefasst, wie zum Beispiel Vitalzeichen kontrollieren, fokussierte körperliche Untersuchungen durchführen, mit dem Patienten sprechen, die Dokumentation konsultieren, Medikamente verabreichen, einen Arzt rufen, zusätzliche Tests anordnen oder ein schnelles Interventionsteam alarmieren.

Was die Daten über Pflegeverhalten zeigten

In 33 Simulationsdurchläufen führten die Pflegekräfte und Studierenden 1.024 Handlungen aus, mit einem Durchschnitt von etwa 31 Aktionen pro Szenario. Das Kontrollieren der Vitalzeichen war bei weitem das häufigste Verhalten, gefolgt von fokussierten körperlichen Untersuchungen und Gesprächen mit dem Patienten. Eine Übergangskarte zeigte, dass — unabhängig davon, was die Pflegekräfte gerade getan hatten — ihr nächster Schritt am wahrscheinlichsten die Kontrolle des Monitors war, was darauf hindeutet, dass sie regelmäßig Zahlen nutzten, um das zu bestätigen, was sie sahen und hörten. Es gab auch deutliche Unterschiede zwischen Expertinnen und Experten sowie Studierenden: Erfahrene Pflegende balancierten die Zeit zwischen Monitoren und praktischen Untersuchungen und ordneten öfter zusätzliche Tests an sowie verabreichten Medikamente, während Studierende stärker auf den Monitor allein setzten. Diese Unterschiede erzeugten ein vielfältiges Spektrum an Verhaltensmustern, das einem Modell helfen könnte, allgemeinere Regeln für die Patientenversorgung zu erlernen.

Ein Modell darin schulen, den nächsten Pflegeschritt vorherzusagen

Die zentrale Frage war, ob ein moderner KI‑Ansatz, bekannt als auf Aufmerksamkeit basierender Transformer, lernen kann vorherzusagen, welche Handlung eine Pflegekraft als Nächstes ergreifen würde — allein basierend auf der Sequenz vorheriger Handlungen. Das Team trainierte dieses Modell mit den kodierten Simulationsdaten und verglich es mit zwei traditionelleren Sequenzlernmethoden: einem einfachen rekurrenten neuronalen Netzwerk und einem Long Short‑Term Memory (LSTM) Netzwerk. Alle drei Modelle schnitten besser ab als die einfache Strategie, die häufigste nächste Aktion zu raten. Das auf Aufmerksamkeit basierende Modell erreichte insgesamt etwa 73 Prozent Genauigkeit und zeigte allgemein die ausgewogenste Leistung über verschiedene Aktionsarten hinweg, insbesondere beim Erkennen seltener, aber wichtiger Verhaltensweisen. Das LSTM‑Modell erzielte eine etwas höhere Präzision — das heißt, wenn es eine bestimmte Aktion vorhersagte, lag es etwas häufiger richtig —, aber seine Leistung schwankte stärker zwischen den Aktionstypen.

Was das für Ausbildung und reale Versorgung bedeuten könnte

Für Laien ist das wichtigste Ergebnis, dass ein Computersystem sinnvolle Muster daraus lernen kann, wie Pflegekräfte tatsächlich Notfälle abarbeiten, und ziemlich genau vorhersagen kann, was eine erfahrene Pflegekraft wahrscheinlich als Nächstes tun würde. Kurzfristig könnte ein solches System in die Simulationsausbildung eingebettet werden: Während Studierende etwa ein Schlaganfallszenario durchspielen, könnte das Modell ihre Abfolge von Handlungen beobachten und ihnen dezent den nächsten hilfreichen Schritt vorschlagen, wenn sie ins Stocken geraten — dabei den ganzheitlichen Ansatz der Pflegekraft bewahrend statt ihn zu ersetzen. Die Autoren betonen, dass vor einem Einsatz in echten Krankenhäusern mehr Daten, zusätzliche Krankheitsbilder über Schlaganfälle und Covid‑19 hinaus sowie sorgfältiger Datenschutz erforderlich sind. Dennoch bietet diese Studie einen frühen Einblick, wie KI eines Tages Pflegekräfte unterstützen — und nicht verdrängen — könnte bei ihren schnellen, lebensrettenden Entscheidungen.

Zitation: Anton, N.E., Malusare, A.M., Aggarwal, V. et al. Modeling nursing care tasks in simulated emergency scenarios: insights for clinical training and practice. npj Health Syst. 3, 24 (2026). https://doi.org/10.1038/s44401-026-00079-y

Schlüsselwörter: Pflegeentscheidungsfindung, klinische Simulation, maschinelles Lernen, Aufmerksamkeitsmodelle, Notfallversorgung