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?
This is a preview of subscription content, log in via an institution to check access.
Literatur
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, Hamburg
Fiebig M., Hunstein D., Bartholomeyczik S. (2016): Innovative Methoden zur Identifikation von Prädiktoren zur Vorhersage des Pflegeaufwands im Krankenhaus. Vortrag. Forschungswelten 2016, München
Harari Y.N. (2017): Homo Deus — Eine Geschichte von Morgen, Beck, München
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/ Witten
Hürter T. (2018): Unsere Fremde Verwandtschaft. In: Hohe Luft. Philosophie-Zeitschrift 2/2018, 45-50. Hohe Luft Verlag, Hamburg
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.2017.00194
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. 102–111
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.2016.2528162
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)
Wrzesinska N. (2015): The use of smart glasses in healthcare — review. In: MEDtube Science 4 (3) 31–34
Zeman A. (2015): Big Data im Gesundheitswesen: Klein anfangen — sehr groß rauskommen. In: Management-Krankenhaus.de (www.management-krankenhaus.de). 16.05.2015
Author information
Authors and Affiliations
Corresponding author
Rights and permissions
About this article
Cite this article
Fiebig, M., Hunstein, D. Digitale Dokumentation: Denkt künftig der Computer für mich?. Pflegez 71, 12–15 (2018). https://doi.org/10.1007/s41906-018-0443-7
Published:
Issue Date:
DOI: https://doi.org/10.1007/s41906-018-0443-7