Advertisement

Pflegezeitschrift

, Volume 71, Issue 4, pp 12–15 | Cite as

Pflegeprozess 4.0

Digitale Dokumentation: Denkt künftig der Computer für mich?

  • Madlen Fiebig
  • Dirk Hunstein
Pflegemanagement

Zusammenfassung

Pflegeprozessdokumentation 4.0 integriert bestehende Daten aus verschiedenen Quellen. Der Weg führt von einer agilen Dokumentation, die sich am Bedarf des Patienten/Bewohners orientiert über die sich selbst ausfüllende Dokumentation bis hin zur Vorhersage von unerwünschten Ereignissen und der aktiven Entscheidungsunterstützung. Dabei werden kontinuierlich weitere Daten generiert, die zur immer genaueren Vorhersage genutzt werden können. Gleichzeitig steigt das Risiko, dass Vorschläge, die von der Maschine gemacht werden, unreflektiert übernommen oder zu Rationalisierungszwecken missbraucht werden. Das Potenzial von ‚Big Data‘ in der Pflege wirft Fragen auf, die gesamtgesellschaftlich beantwortet werden müssen: Welche Pflege wollen wir in Zukunft?

Schlüsselwörter

digitale Kompetenz Big Data Data Mining Künstliche Intelligenz Pflegedokumentation Wearables 

Literatur

  1. DAA-Stiftung (2017): Digitalisierung und Technisierung der Pflege in Deutschland — Aktuelle Trends und ihre Folgewirkungen auf Arbeitsorganisation, Beschäftigung und Qualifizierung. DAA-Stiftung Bildung und Beruf, HamburgGoogle Scholar
  2. Fiebig M., Hunstein D., Bartholomeyczik S. (2016): Innovative Methoden zur Identifikation von Prädiktoren zur Vorhersage des Pflegeaufwands im Krankenhaus. Vortrag. Forschungswelten 2016, MünchenGoogle Scholar
  3. Harari Y.N. (2017): Homo Deus — Eine Geschichte von Morgen, Beck, MünchenGoogle Scholar
  4. Hunstein D. (2015): Entwicklung und Testung eines Screening-Instruments zur standardisierten Beurteilung von Pflegebedürftigkeit und Einstufung wesentlicher Pflegeanlässe in der akutstationären Versorgung. (Dr. rer. medic. Inaugural-Dissertation), Universität Witten/Herdecke, Wiesbaden/ WittenGoogle Scholar
  5. Hürter T. (2018): Unsere Fremde Verwandtschaft. In: Hohe Luft. Philosophie-Zeitschrift 2/2018, 45-50. Hohe Luft Verlag, HamburgGoogle Scholar
  6. McCue M. E., McCoy A. M. (2017): The Scope of Big Data in One Medicine: Unprecedented Opportunities and Challenges. Front Vet Sci, 4, 194. doi: 10.3389/fvets.2017.00194CrossRefGoogle Scholar
  7. Raju D., Su X., Patrician P. A., Loan L. A., McCarthy M. S. (2015): Exploring factors associated with pressure ulcers: A data mining approach. In: International Journal of Nursing Studies 52, p. 102–111CrossRefGoogle Scholar
  8. Shin H. C., Roth H. R., Gao M., Lu L., Xu Z., Nogues I., Yao J., Mollura D., Summers R. M. (2016): Deep Convolutional Neural Networks for Computer-Aided Detection: CNN Architectures, Dataset Characteristics and Transfer Learning. IEEE Trans Med Imaging, 35(5) 1285–1298. doi: 10.1109/TMI.2016.2528162CrossRefGoogle Scholar
  9. Weißmann A., Deutsch E. (2016): Zukunft Industrien: Kognitives Assistenzsystem unterstützt Ärzte und die Transformation des Gesundheitswesens. https://www.ibm.com/de-de/blogs/think/2016/06/10/ibm-watson-gesundheitswesen/ (Zugriff am 09.02.2018)
  10. Wrzesinska N. (2015): The use of smart glasses in healthcare — review. In: MEDtube Science 4 (3) 31–34Google Scholar
  11. Zeman A. (2015): Big Data im Gesundheitswesen: Klein anfangen — sehr groß rauskommen. In: Management-Krankenhaus.de (www.management-krankenhaus.de). 16.05.2015

Copyright information

© Springer Medizin Verlag GmbH, ein Teil von Springer Nature 2018

Authors and Affiliations

  1. 1.WiesbadenDeutschland

Personalised recommendations