Sturzrisiko-Prognose für Pflegebedürftige

Das echte Ausmaß des Problems

Stürze sind das häufigste Unfallgeschehen in deutschen Pflegeeinrichtungen. Laut Robert Koch-Institut stürzt in stationären Einrichtungen schätzungsweise jeder zweite Bewohner mindestens einmal pro Jahr. Die Folgen sind gravierend: Oberschenkelhalsbrüche — die häufigste schwere Sturzverletzung — sind bei Pflegebedürftigen mit einem erhöhten Sterblichkeitsrisiko verbunden. 20 bis 30 Prozent der Betroffenen sterben binnen eines Jahres nach einer schweren Sturzverletzung (Deutsche Gesellschaft für Geriatrie).

Die medizinischen Kosten sind konkret: Ein schwerer Oberschenkelhalsbruch verursacht Behandlungskosten von 25.000 bis 40.000 Euro (Krankenhaus, Rehabilitation, erhöhter Pflegebedarf danach). Für eine Einrichtung mit 80 Bewohnern, typisch 15–20 Sturzereignissen pro Jahr und 3–5 mit schweren Verletzungen, summieren sich die Folgekosten auf 75.000 bis 200.000 Euro jährlich — in Form von Mehrpflegeaufwand, Krankenhauskoordination, Haftungsrisiko und MDK-Bewertungsabzügen.

Der MDK bewertet Sturzprävention explizit im Qualitätsmanagementsystem. Einrichtungen ohne nachweisbares, dokumentiertes Sturzpräventionskonzept erhalten systematisch schlechtere Noten — unabhängig davon, wie gut die tatsächliche Pflege war. Eine schlechtere MDK-Note korreliert direkt mit niedrigerer Belegungsquote.

Das Frustrierendste: Viele Stürze wären vermeidbar. Die bekannten Risikofaktoren — Ganginstabilität, bestimmte Medikamentenkombinationen (Sedativa, Antihypertensiva, Antidepressiva), kognitive Einschränkungen, nächtliche Verwirrtheit, nachlassende Muskelkraft, veränderte Mobilität — sind in den Pflegeakten dokumentiert. Nur werden sie selten systematisch zusammengeführt. Ein KI-System kann diese bekannten Faktoren kontinuierlich überwachen und Risikopersonen identifizieren, bevor das Sturzereignis eintritt.

Mit vs. ohne KI — ein ehrlicher Vergleich

Einschätzung auf einen Blick

Zeitersparnis — sehr niedrig (1/5) Sturzprävention spart primär keine tägliche Arbeitszeit — sie reduziert Risiken und Kosten. Der Alert-Workflow erzeugt sogar einen kleinen Zusatzaufwand (Alerts prüfen, Maßnahmen einleiten). Der Wert dieses Use Cases liegt nicht in Zeitersparnis, sondern in verhinderten Ereignissen. Das schwächste Profil in der Pflege-Kategorie auf dieser Dimension.

Kosteneinsparung — sehr hoch (5/5) Wenn ein schwerer Oberschenkelhalsbruch 30.000 Euro Behandlungskosten kostet und das System zwei davon pro Jahr verhindert, ist der ROI offensichtlich positiv — selbst bei 10.000 Euro Jahreskosten für die Lösung. Kein anderer Use Case in dieser Branche hat ein höheres Kostenvermeidungs-Potenzial.

Schnelle Umsetzung — niedrig (2/5) Der einfachste Einstieg (Assessment-basiertes Alert-System ohne Sensorik) ist in 4–6 Wochen möglich. Die vollständige sensor-basierte Lösung braucht 3–6 Monate: Datenschutzklärung, Hardware-Installation, Software-Integration, Schulung. Das ist die längste Implementierungsdauer in der Pflege-Kategorie.

ROI-Sicherheit — hoch (4/5) Der ROI ist messbar sobald die Baseline steht: Sturzereignisse vor System vs. danach. Der ROI-Nachweis braucht 12 Monate Daten, ist aber dann sehr überzeugend. Einschränkung: Saisonale Schwankungen (Grippe, Hitze) können die Sturzrate beeinflussen — die Kausalität des Systems ist nicht immer eindeutig isolierbar.

Skalierbarkeit — mittel (3/5) Kosten steigen linear mit der Bettenanzahl (Sensormatten-Hardware). Kein Skalierungsvorteil durch Größe — anders als Software-basierte Lösungen, die mit mehr Nutzern nicht proportional teurer werden.

Richtwerte — stark abhängig von Einrichtungstyp, Bewohnermix und Sensorik-Lösung.

Was das System konkret macht

Schritt 1 — Assessment-Daten strukturiert erfassen Grundlage ist eine digitale Erfassung standardisierter Sturz-Assessments: Morse Fall Scale oder Hendrich II bei der Aufnahme und regelmäßig danach. Diese Scores sind etabliert und MDK-bekannt. Wenn deine Einrichtung diese Assessments noch auf Papier macht, ist die Digitalisierung der erste Schritt — ohne sie kann KI nicht auf die Daten zugreifen.

Schritt 2 — Medikamentenplan als Risikofaktor einbeziehen Bestimmte Medikamentenklassen erhöhen das Sturzrisiko signifikant: Sedativa, Antidepressiva (besonders trizyklische), Antihypertensiva, Diuretika, Antiepileptika. Diese Information liegt im Medikamentenplan — sie wird aber selten systematisch mit dem Mobilitätsstatus abgeglichen. KI macht diesen Abgleich automatisch und kontinuierlich.

Schritt 3 — Sensor-Daten einbeziehen (optional, aber wirkungsvoll) Bewegungssensoren (Matten unter der Matratze, Wearables) erfassen Veränderungen im Gangbild, Schlafmuster und Aktivitätsniveau. Ein Bewohner, der früher täglich 20 Minuten durch den Gang gegangen ist und dies in der letzten Woche auf 5 Minuten reduziert hat, zeigt ein verändertes Muster — ohne Sensor bleibt das unsichtbar. Sensoren erkennen Veränderungen 3–14 Tage vor einem Sturzereignis (laut Carepredict-Daten aus US-Einrichtungen).

Schritt 4 — Risikoalgorithmus und Alert Das Modell berechnet täglich für jeden Bewohner einen kombinierten Risiko-Score aus Assessment-Werten, Medikamentenprofil, Aktivitätsdaten und Tageszeit (Nacht = Hochrisikophase). Wenn der Score über einen Schwellenwert steigt, wird ein Alert an die Pflegedienstleitung und den zuständigen Dienst gesandt.

Schritt 5 — Maßnahme einleiten und dokumentieren Der Alert führt zu einer konkreten, dokumentierten Präventionsmaßnahme: erhöhte Kontrollfrequenz, Bettgitter-Anpassung, Physiotherapie-Überweisung, Medikamenten-Prüfung durch den Arzt. Diese Maßnahme wird im System vermerkt — was die MDK-Dokumentation erheblich verbessert.

Rechtliche Besonderheiten

Sturzprävention hat mehrere rechtliche Dimensionen, die nicht ignoriert werden können:

Haftungsrecht: Wenn ein Bewohner stürzt und die Einrichtung kein nachweisbares Sturzpräventionskonzept hatte, ist das ein Haftungsrisiko. KI-basierte Risikoüberwachung mit dokumentierten Alerts und eingeleiteten Maßnahmen ist ein starkes Haftungsschutz-Argument.

MDK-Prüfung und SGB XI: Sturzprävention ist ein explizites Prüffeld des Medizinischen Dienstes. Systematische, digital nachweisbare Präventionsmaßnahmen verbessern die MDK-Bewertung direkt.

DSGVO Art. 9 und Sensordaten: Bewegungssensoren, die den Schlaf- und Aktivitätsstatus einer Person erfassen, verarbeiten biometrische Daten im Sinne von DSGVO Art. 9. Voraussetzungen: Informierte Einwilligung des Bewohners oder des gesetzlichen Betreuers, dokumentiertes Datenschutzkonzept, AVV mit dem Sensor-Anbieter.

EU AI Act: Ein KI-System, das Sturzrisiko-Prognosen für Pflegebedürftige erstellt und daraus Pflegemaßnahmen auslöst, kann als hochriskantes KI-System (Anhang III — Gesundheitsbereich) eingestuft werden. Das bedeutet: Transparenzpflichten, Bias-Prüfung, menschliche Aufsicht und Dokumentationsanforderungen. Anbieter sollten EU AI Act-Compliance nachweisen können.

Konkrete Werkzeuge — was wann passt

Carepredict (carepredict.com) — spezialisierte US-amerikanische Plattform, die Wearable-Sensordaten mit KI-Analyse kombiniert und Veränderungen im Aktivitätsmuster bis zu 7 Tage vor einem Sturz erkennt. In deutschen Einrichtungen noch wenig verbreitet, aber technisch ausgereift. Preis auf Anfrage.

Livy Care / Carecos — deutsche Systeme mit Matten-Sensorik und Mobilbenachrichtigung. Für das deutsche Marktumfeld und DSGVO-Anforderungen besser positioniert als US-Anbieter. Integration in Medifox DAN und Vivendi in Entwicklung.

Azure Machine Learning — für Einrichtungen mit IT-Kapazitäten: Azure Machine Learning ermöglicht den Aufbau eines einrichtungsspezifischen Sturzrisiko-Modells auf Basis der eigenen historischen Pflegedaten. Hoher Einrichtungsaufwand, vollständig anpassbar, EU-Datenspeicherung möglich.

Claude für manuelle Analyse — als Low-Tech-Einstieg: Exportiere einmal wöchentlich eine anonymisierte Übersicht aller Bewohner mit ihren Assessment-Scores, Medikamenten und Mobilitätsstatus. Claude analysiert die Kombinationsrisiken und hebt Hochrisiko-Profile hervor. 18 Euro/Monat — kein Produktivsystem, aber ein Proof-of-Concept.

make.com — für Alert-Automatisierung: Wenn ein Assessment-Score im Pflegesystem einen Schwellenwert überschreitet, sendet make.com automatisch eine Benachrichtigung. Einfache Ergänzung ohne komplexe KI-Lösung. Ab 9 Euro/Monat.

Datenschutz und Datenhaltung

Sturzrisiko-Prognosen verarbeiten Gesundheitsdaten einer besonders vulnerablen Gruppe — das erzeugt die höchsten Datenschutzanforderungen im Pflegebereich.

DSGVO Art. 9 gilt vollumfänglich: Assessment-Scores, Medikamentenpläne, Diagnosen und Bewegungsdaten aus Sensoren sind besondere Kategorien personenbezogener Daten. Die Verarbeitung ist nur auf Basis von Art. 9 Abs. 2 lit. h (medizinische Versorgung) oder expliziter Einwilligung zulässig. Bei Bewohnern mit Demenz oder eingeschränkter Einwilligungsfähigkeit muss der gesetzliche Betreuer zustimmen.

SGB XI und Pflegedaten: Die Nutzung von Pflegedokumentation für automatisierte Risikoprognosen ist durch §75b SGB XI (Pflege-Digitalisierungsgesetz) ausdrücklich als förderungswürdige digitale Innovation anerkannt. Das schafft eine Rechtsgrundlage — aber keine Befreiung von den DSGVO-Anforderungen.

Auftragsverarbeitungsvertrag (AVV) nach Art. 28 DSGVO: Jeder externe Anbieter, der auf Bewohnerdaten zugreift — ob Sensor-System, Analyse-Plattform oder Claude —, braucht einen AVV. Das gilt auch für Cloud-Dienste mit EU-Serverstandort.

Datenschutz-Folgenabschätzung (DSFA) nach Art. 35 DSGVO: Sturzrisiko-Prognose mit Sensordaten und automatisierten Entscheidungshinweisen für eine vulnerable Gruppe ist ein klassischer DSFA-Pflichtfall. Diese Abschätzung muss vor dem Produktivbetrieb dokumentiert vorliegen.

Toolspezifisches:

• Carepredict: US-amerikanisch. Für deutsche Einrichtungen ohne SCC-Prüfung problematisch — Patientengesundheitsdaten nicht ungeschützt in US-Systeme
• Livy Care / Carecos: Deutsche Anbieter, DSGVO-Dokumentation mitgeliefert, AVV verfügbar
• Claude / make.com: Nur für anonymisierte oder pseudonymisierte Daten — keine Klarnamen oder direkt identifizierende Patientenmerkmale ohne vorherige AVV-Unterzeichnung

Was es kostet — realistisch gerechnet

Einstieg — Assessment-basiertes Alert-System ohne Sensorik

• Digitale Pflegesoftware mit Assessment-Modul: im bestehenden Lizenzpreis (wenn vorhanden)
• make.com: 9 Euro/Monat
• Zeitaufwand Konfiguration: 10–20 Stunden einmalig
• Erwartete Sturzreduktion: 10–15 %

Vollständige Sensor-basierte Prävention

• Wearable/Matten-Sensorik: 50–150 Euro/Bewohner/Monat (je nach System)
• KI-Analyse-Plattform: 500–2.000 Euro/Monat
• Einrichtungsaufwand: 2–4 Wochen mit Techniker-Support
• Erwartete Sturzreduktion: 20–35 % (Schätzwert aus Praxisberichten)

ROI-Rechnung — konservativ Einrichtung 80 Bewohner, 18 Sturzereignisse/Jahr, davon 4 schwere (Ø 30.000 Euro Kosten = 120.000 Euro). Sensor-basiertes System reduziert schwere Sturzfolgen um 30 % → 1,2 verhinderte schwere Stürze = 36.000 Euro vermiedene Behandlungskosten. Bei Systemkosten von 2.000 Euro/Monat = 24.000 Euro/Jahr: Netto 12.000 Euro positiver ROI. Realistischerweise liegt die Verhinderungsrate eher bei 1–2 Fällen — und damit deutlich besser.

Der MDK-Effekt kommt dazu: Bessere Sturzpräventionsdokumentation → bessere MDK-Note → höhere Belegungsquote.

Drei typische Einstiegsfehler

1. Ohne Baseline-Daten starten. Wenn du nicht weißt, wie viele Sturzereignisse es im letzten Jahr gab (aufgeteilt nach Schweregrad), kannst du den ROI des Systems nicht messen. Bevor du beginnst: Letzten 12 Monate Sturzprotokolle auswerten. Diese Zahl ist dein Referenzwert.

2. Zu viele Alerts konfigurieren. Wenn jede kleine Veränderung im Assessment-Score einen Alert auslöst, ignoriert das Pflegeteam das System nach 2 Wochen. Alarm-Fatigue ist ein gut dokumentiertes Problem. Empfehlung: Starte mit einem engen Risiko-Schwellenwert (nur die Top-10 % nach Risiko-Score), beobachte 4 Wochen, justiere dann.

3. Bewohnerzustimmung nicht dokumentieren. Matten-Sensoren unter der Matratze sind technisch minimal-invasiv. Aber sie erfassen Körperbewegungen von Pflegebedürftigen — das sind personenbezogene Daten. Informierte Einwilligung ist rechtlich erforderlich. Bei Bewohnern mit Demenz muss der gesetzliche Betreuer zustimmen. Dieser Schritt braucht Zeit und Sorgfalt — ihn zu überspringen ist ein Haftungsrisiko.

Was mit der Einführung wirklich passiert — und was nicht

Was passiert: In den ersten Wochen gibt es mehr Aktivität rund um Risikobewohner — Alerts werden bearbeitet, Maßnahmen eingeleitet, dokumentiert. Das erzeugt temporär mehr Aufwand, nicht weniger. Der Entlastungseffekt kommt durch verhinderte Sturzereignisse und die damit verbundenen aufwändigen Nacharbeiten.

Was nicht passiert: Das System ersetzt nicht die pflegerische Beobachtung. Pflegekräfte kennen ihre Bewohner — das KI-System sieht Datenmuster, die Pflegekräfte nicht systematisch überblicken können. Beide Perspektiven ergänzen sich, eine ersetzt die andere nicht.

Typischer Widerstand: „Unsere Pflegekräfte kennen die Bewohner — die brauchen kein System, das ihnen sagt, wer gefährdet ist.” Das individuelle Wissen der Pflegenden ist unersetzlich. Aber es ist nicht systematisch. Eine Nachtdienst-Mitarbeiterin, die nur zweimal wöchentlich Dienst hat, kennt die Bewegungsmuster eines Bewohners über drei Wochen nicht — das Sensorsystem schon.

Realistischer Zeitplan mit Risikohinweisen

Häufige Einwände — und was dahintersteckt

„Sensortechnologie ist zu teuer.” Der Einstieg braucht keine Sensorik. Ein Assessment-basiertes Alert-System mit make.com kostet unter 200 Euro/Jahr und zeigt erste Wirkung. Sensorik ist der Skalierungsschritt — nicht der Einstiegspunkt.

„Was ist mit Datenschutz bei Sensoren?” Matten-Sensoren messen Druck und Bewegung — kein Bild, kein Ton, keine biometrischen Fingerabdrücke. Die rechtliche Grundlage ist §75b SGB XI (Digitalisierung in der Pflege). Eine Datenschutzfolgenabschätzung ist nötig — aber kein unüberwindliches Hindernis. Professionelle Anbieter liefern die Dokumentation mit.

„Wir haben zu wenig IT-Infrastruktur.” Das Assessment-Alert-System läuft über vorhandene Pflegesoftware und make.com — keine eigene Server-Infrastruktur nötig. Die Sensor-Lösung braucht WLAN-Abdeckung auf Station — das ist der häufigste tatsächliche IT-Engpass.

Woran du merkst, dass das zu dir passt

Das passt zu dir, wenn:

• Ihr habt mehr als 10 Sturzereignisse pro Jahr und weißt, dass manche davon bei besserer Überwachung vermeidbar gewesen wären
• Sturzprävention wurde in der letzten MDK-Prüfung als Verbesserungsfeld genannt
• Assessments werden digital erfasst oder die Einführung steht an
• Die Einrichtung hat Bewohner mit multiplen Sturzrisikofaktoren (Demenz, Polypharmazie)

Das passt noch nicht zu dir, wenn:

• Die Pflegedokumentation ist noch papierbasiert — ohne digitale Datengrundlage kein KI-System
• Das Team ist bereits überlastet mit Alarm-Management aus anderen Systemen — dann zuerst bestehende Alerts reduzieren
• Es gibt keine Person, die das System konfiguriert, auswertet und monatlich reviewt

Das kannst du heute noch tun

Erstelle eine einfache Auswertung: Wie viele Sturzereignisse hatte deine Einrichtung in den letzten 12 Monaten? Wie viele davon mit schweren Verletzungen? Und: Welche Risikofaktoren waren bei den schweren Fällen dokumentiert — Demenz, Polypharmazie, nächtliche Unruhe?

Diese Analyse dauert 2–3 Stunden und ist der erste Schritt. Dann nutze folgenden Prompt:

Quellen & Methodik

• Robert Koch-Institut: Sturzprävalenz in vollstationären Pflegeeinrichtungen
• Deutsche Gesellschaft für Geriatrie (DGG): Mortalitätsrisiko nach Oberschenkelhalsbruch bei Pflegebedürftigen
• Fraunhofer KIPRODE-Projekt, 2023–2025: KI-gestützte Druckgeschwür- und Sturzprävention
• Carepredict (2024): Frühwarnsignal-Zeitraum aus US-Pflegeheim-Daten
• MDK-Prüfrichtlinien, 2022: Sturzprävention als explizites Qualitätsprüffeld
• DSGVO Art. 9 und SGB XI §75b: Rechtliche Grundlagen für Sensordaten in der Pflege
• EU AI Act Anhang III: Klassifizierungskriterien für KI im Gesundheitsbereich