Sensorik im Patientenzimmer

Schwerpunkt
Ausgabe
2024/1920
DOI:
https://doi.org/10.4414/saez.2024.1432130173
Schweiz Ärzteztg. 2024;105(19–20):

Affiliations
Universität Bern, Zentrum für biomedizintechnische Forschung ARTORG

Publiziert am 08.05.2024

Fachkräftemangel
Dank kontinuierlicher Erfassung der Patientenbedürfnisse erhalten Pflegefachkräfte eine klare Übersicht der Geschehnisse auf ihrer Abteilung. Die von Sensorsystemen generierten klinischen, objektiven Daten erleichtern die Priorisierung und optimieren den Alltag in Kliniken und Pflegestationen und können sogar zu Hause nützlich sein.
Können sensorbasierte digitale Pflegeassistenzsysteme Pflegefachkräfte effizient entlasten?
© Serezniy / Dreamstime
Zurzeit besteht ein relevanter Fachkräftemangel im gesamten Gesundheitswesen, so auch beim Pflegefachpersonal. Diese Zunahme lässt sich zum einen auf die steigende Lebenserwartung, zum anderen auf die bevorstehende Pensionierung der Babyboomer-Generation zurückführen [1]. Aktuelle Schätzungen prognostizieren im Kanton Bern bis 2030 einen Anstieg der alterspsychiatrischen Patienten um 24% [2]. Das Personaldefizit wird sich in Zukunft aufgrund ansteigender Patientenzahlen also weiter zuspitzen. Zusätzlich zu den steigenden Patientenzahlen kommt hinzu, dass die Betroffenen wegen des zunehmenden Alters vermehrt multimorbid sind und somit medizinisch komplexer werden. Diese höchst anspruchsvolle Pflegearbeit erfordert kompetente und erfahrene Pflegefachpersonen. Die Anzahl Pflegefachpersonen pro Schicht ist aber in vielen Institutionen rückläufig[3]. Diese Zahlen generieren einen grossen Druck auf die Pflegenden. Ausserdem wird die Zeit, welche eine Pflegefachperson effektiv bei den Patientinnen und Patienten verbringt, zusätzlich reduziert.

Klinische Studie

Aufgrund der fehlenden Studienbasis untersuchen wir in einer klinischen Studie an der Universitätsklinik für Alterspsychiatrie der UPD, Bern, ob sensorbasierte digitale Pflegeassistenzsysteme die Effizienz im Pflegebereich steigern und die Prozesse der medizinischen Fachkräfte optimieren können. Damit würde sich die effektive Betreuungszeit mit den Patienten erhöhen. Eine kontinuierliche Sensorüberwachung soll die zeitnahe Erkennung geringfügiger Veränderungen des Gesundheitszustands der Patientinnen und Patienten ermöglichen [4, 5], wodurch eine allfällige Pflegeintervention oder Therapieanpassung unverzüglich vorgenommen werden kann. Dies kann den Pflegefachpersonen helfen, die Übersicht über alle Patienten und Patientinnen der Station zu verbessern, unnötige Kontrollgänge zu vermeiden und bei Notfällen schnell einzugreifen. Ziel ist es, den Stress von Gesundheitsfachpersonen zu reduzieren. Dazu entwickeln wir Algorithmen, welche basierend auf Sensordaten den aktuellen Gesundheitszustand der Patienten und Patientinnen abschätzen und grafisch darstellen können.

Eine kontinuierliche Sensorüberwachung kann helfen, unnötige Kontrollgänge zu vermeiden und bei Notfällen schnell einzugreifen.

Oft wird bei Sensorsystemen auf kontaktfreie Umgebungssensoren, wie Bewegungsmelder, gesetzt. Kontaktfreie Systeme werden von Patienten und Patientinnen meist besser akzeptiert als körpernahe Systeme, wie Smartwatches [6]. Diese Tatsache lässt sich einerseits darauf zurückführen, dass körpernahe Sensoren vom Umfeld der Einzelpersonen als stigmatisierend wahrgenommen werden können. Andererseits setzt eine effiziente Nutzung voraus, dass die Sensoren korrekt angezogen und regelmässig aufgeladen werden. Dieser erhebliche Aufwand ist vielen Personen zu herausfordernd. Möglich ist auch, dass Personen kognitiv nicht in der Lage sind, solche Geräte zu nutzen.
Umgebungssensoren werden typischerweise an Alltagsobjekten befestigt, darin eingebunden und ermöglichen so die Erfassung klinisch objektiver Messwerte [7]. Die objektiven Messwerte haben das Potenzial, reproduzierbare Schlüsse des aktuellen Gesundheitszustands der Patientinnen und Patienten zu liefern. In unserer Studie werden die folgenden Sensorsysteme verwendet: Bettsensoren unter der Matratze, laserbasierte Gangsensoren und mehrere Radarsensoren (Abbildung 1).
Abbildung 1 : Sensoren im Patientenzimmer einer alterspsychiatrischen Station. Es werden ein Bettsensor (blau), Radar Sensoren (grün) und ein Laser-basierter Gangsensor (orange) verwendet.

Die digitale Pflegeassistenz in der Praxis

Ein situatives Beispiel: Es ist Nacht. Die digitale Pflegeassistenz zeigt auf dem Display (Abbildung 2) an, dass sich 14 von 17 Patientinnen und Patienten ruhig verhalten. Drei benötigen Unterstützung. Im Zimmer 3 sitzt die sturzgefährdete Patientin bereits auf der Bettkante und versucht aufzustehen. Die Patienten im Zimmer 10 und 12 verhalten sich agitiert und unruhig. Die zuständige Pflegefachperson kann nun umgehend zur sturzgefährdeten Patientin gehen, diese beim Aufstehen unterstützen und den Sturz verhindern. Danach begibt sie sich zu den agitierten Patienten. Zusätzlich zum Pflegepersonal unterstützen digitale Pflegeassistenten die betreuenden Ärztinnen und Ärzte. Die von der elektronischen Assistenz gesammelten Daten tragen zu einer präzisen Diagnosestellung bei und führen zu einer vollständigen und genauen Verlaufs- und Interventionsdokumentation.
Systematisches Beispiel: Bei einer Demenz-Patientin wird am Montag die fixe Schlafmedikation auf «in Reserve» um verordnet. In der Nacht von Montag auf Dienstag registrieren die Überwachungssensoren unruhigen Schlaf und vermehrte Wach-Episoden bei derselben Patientin. Im Vergleich zu den vorherigen Nächten, in denen sie das Schlafmedikament noch fix verordnet hatte, verschlechterte sich die Schlafqualität also. Diese Veränderung wird der zuständigen Pflegefachperson nun auf einem Display angezeigt. Da die Demenz-Patientin ihre Schlafqualität nicht mehr selbst eruieren kann, bringt die digitale Assistenz in solchen Situationen einen enormen Mehrwert. Die Pflegefachperson kann unmittelbar mit der diensthabenden Ärztin eine Lösung für die akute Schlafproblematik finden und die Medikamentenverordnungen erneut anpassen lassen.
Abbildung 2 : Patientenübersicht auf der Station.

Einen digitalen Pflegeassistenten in den eigenen vier Wänden?

Sensoren werden nicht nur im Patientenzimmer, sondern auch zu Hause eingesetzt. Gerade bei Parkinsonpatienten, bei welchen die Symptomatik von Tag zu Tag fluktuieren kann, bietet die Datenerfassung von Sensorsystemen Unterstützung. Parkinsonpatienten kommen typischerweise zwei- bis dreimal pro Jahr zum Assessment ins Spital. Wenn dieser Besuch auf einen gesundheitlich guten Tag fällt, obwohl die vorherigen Tage schwierig waren, kann ein sogenannter medical trend verpasst werden. Ebenfalls besteht die Möglichkeit, dass falsche Schlüsse gezogen werden, wenn Patienten und Patientinnen an einem schlechten Tag gesehen werden, obwohl die vorherigen Tage allesamt gut waren. In solchen Situationen können Sensorsysteme zu Hause besonders effektiv sein. Sie bieten eine objektive und kontinuierliche Übersicht des Gesundheitszustandes, der dann mit den zuständigen Ärztinnen und Ärzten bei den punktuellen Besuchen in der Klinik besprochen werden kann.
Lena Bruhin PhD Student, Zentrum für biomedizintechnische Forschung ARTORG
tobias.nef[at]unibe.ch
1 P. Scheltens et al., “Alzheimer’s disease,” The Lancet, vol. 388, no. 10043, pp. 505–517, Jul. 2016, doi: 10.1016/S0140-6736(15)01124-1.
2 “Aktualisierte Bedarfsprognosen bis 2030.” Gesundheits-, Sozial- und Integrationsdirektion des Kantons Bern, Dec. 31, 2020. Accessed: Feb. 22, 2022. [Online]. Available: https://www.gsi.be.ch/de/start/themen/gesundheit/gesundheitsversorger/spitaeler-psychiatrie-rehabilitation/spitalplanung.html
3 Franziska Zúñiga; Lauriane Favez; Sonja Baumann; Annette Kindlimann; Aislinn Oeri; Brigitte Benkert;, “SHURP 2018 – Schlussbericht. Personal und Pflegequalität in Pflegeinstitutionen in der Deutschschweiz und Romandie.” Apr. 2021. [Online]. Available: https://shurp.unibas.ch/wp-content/uploads/2021/05/SHURP-2018-Schlussbericht-April-21-1.pdf
4 H. Saner et al., “Potential of Ambient Sensor Systems for Early Detection of Health Problems in Older Adults,” Front. Cardiovasc. Med., vol. 7, 2020, Accessed: Feb. 01, 2022. [Online]. Available: https://www.frontiersin.org/article/10.3389/fcvm.2020.00110
5 N. Schütz et al., “Contactless Sleep Monitoring for Early Detection of Health Deteriorations in Community-Dwelling Older Adults: Exploratory Study,” JMIR MHealth UHealth, vol. 9, no. 6, p. e24666, Jun. 2021, doi: 10.2196/24666.
6 A. Botros et al., “Long-Term Home-Monitoring Sensor Technology in Patients with Parkinson’s Disease—Acceptance and Adherence,” Sensors, vol. 19, no. 23, Art. no. 23, Jan. 2019, doi: 10.3390/s19235169.
7 A. Coravos, S. Khozin, and K. D. Mandl, “Developing and adopting safe and effective digital biomarkers to improve patient outcomes,” Npj Digit. Med., vol. 2, no. 1, Art. no. 1, Mar. 2019, doi: 10.1038/s41746-019-0090-4.

Kommentare

Mit der Kommentarfunktion bieten wir Raum für einen offenen und kritischen Fachaustausch. Dieser steht allen SHW Beta Abonnentinnen und Abonnenten offen. Wir publizieren Kommentare solange sie unseren Richtlinien entsprechen.