KI-gestützte Dekubitus-Risikoerkennung

Das echte Ausmaß des Problems

Dekubitus — Druckgeschwüre durch zu langen Auflagedruck auf Haut und Gewebe — ist eines der häufigsten vermeidbaren Gesundheitsprobleme in der stationären Pflege. In Deutschland entwickeln rund 400.000 Menschen pro Jahr einen Dekubitus, davon ein erheblicher Anteil in Pflegeeinrichtungen.

Die medizinischen Kosten sind erheblich: Ein schwerer Dekubitus (Grad 3–4) kostet in der Behandlung 30.000 bis 100.000 Euro und kann lebensbedrohlich werden — insbesondere bei Bewohnern mit Diabetes, Durchblutungsstörungen oder geschwächtem Immunsystem. Hinzu kommen intensivierte Wundversorgung, Krankenhausaufenthalte und dauerhafte Lebensqualitätsverluste.

Das Fraunhofer-Institut hat im Projekt KIPRODE (KI-gestützte Druckgeschwürprävention, 2023–2025) gezeigt, dass KI-basierte Risikosysteme in Kombination mit Drucksensoren die Erkennungsrate gefährdeter Bewohner deutlich verbessern. Das bisherige Standardinstrument, die Braden-Skala, ist ein manuell erhobener Score — ein Snapshot, nicht kontinuierliches Monitoring.

Das strukturelle Problem: Die Braden-Skala von Frau Koch war bekannt. Ihr tatsächliches Bewegungsverhalten in der Nacht war es nicht. Ein System, das Bewegungssensordaten kontinuierlich auswertet, hätte den achtstündigen Stillstand erkannt — und zu einer früheren Kontrolle geführt.

Mit vs. ohne KI — ein ehrlicher Vergleich

Einschätzung auf einen Blick

Zeitersparnis — niedrig (2/5) Haupteffekt ist Risikovermeidung, nicht Zeitersparnis. Weniger unnötige Umlagerungen bei Niedrig-Risiko-Bewohnern sparen etwas Zeit — aber das ist ein Nebeneffekt, kein Kernnutzen. Der Kernnutzen ist die Vermeidung schwerer Dekubitusverläufe.

Kosteneinsparung — hoch (4/5) Wenn ein schwerer Dekubitusfall 50.000 Euro Behandlungskosten kostet und das System zwei davon pro Jahr verhindert, ist der ROI deutlich positiv. Der Effekt ist real und messbarer als bei vielen anderen Use Cases — sofern die Baseline-Daten vorliegen.

Schnelle Umsetzung — sehr niedrig (1/5) Das ist der komplexeste Implementierungsweg in der gesamten Pflege-Kategorie. Datenschutzfolgenabschätzung, Bewohnerzustimmung (inklusive gesetzlicher Betreuer für Demenzkranke), WLAN-Infrastruktur, Hardware-Installation, Software-Integration, Schulung — 4–6 Monate bis zum vollständigen Pilotbetrieb sind realistisch.

ROI-Sicherheit — hoch (4/5) Der ROI ist nach 12 Monaten messbar: Dekubitusinzidenz vorher vs. nachher. Setzt voraus, dass Baseline-Daten vorhanden sind (letzte 12 Monate Dekubitusfälle dokumentiert). Kausalität ist nicht immer eindeutig isolierbar (saisonale Einflüsse, Bewohnermix), aber der Trend ist klar messbar.

Skalierbarkeit — sehr niedrig (2/5) Sensorhardware kostet linear mit der Bettenzahl. Kein Software-Skalierungseffekt — jede neue Einrichtung braucht vollständige Hardware. Das schwächste Skalierungsprofil der Pflege-Kategorie.

Richtwerte — stark abhängig von aktueller Dekubitusinzidenz, Bewohnermix und IT-Infrastruktur.

Was das System konkret macht

Datenschicht 1 — Sensormatten Unter die Matratze gelegte Sensorsysteme messen kontinuierlich Druckverteilung und Bewegung. Sie erkennen: Liegt der Bewohner auf dem Rücken oder der Seite? Hat er sich in den letzten 2 Stunden bewegt? Welche Körperstellen sind besonders stark belastet?

Wichtig: Kein Bild, kein Ton, keine Kamera. Sensormatten erfassen Druck und Bewegungsmuster — nichts Biometrisches, nichts Personenidentifizierendes jenseits der Bewegungsphysik. Das ist der Kernunterschied zu Video-Monitoring und rechtlich deutlich unkomplizierter.

Datenschicht 2 — Patientenprofil aus Pflegedokumentation Aus der digitalen Pflegedokumentation werden Risikofaktoren extrahiert: Alter, Pflegegrad, relevante Diagnosen (Diabetes, Durchblutungsstörungen, Inkontinenz), Medikamente (Antikoagulanzien, Kortison), Ernährungszustand (BMI, ggf. Albumin-Wert), aktueller Braden-Score.

KI-Risikomodell Ein Ensemble-Modell kombiniert Sensordaten und Patientenprofilmerkmale zu einem Echtzeit-Risikowert (grün/gelb/rot). Bei Rot-Bewertung — entweder zu langer Stillstand oder ungünstige Profil-Kombination — löst das System eine Benachrichtigung aus.

Adaptive Lagerungsempfehlung Statt starrem 2-Stunden-Intervall für alle schlägt das System bewohnerspezifische Lagerungsintervalle vor. Wer sich eigenständig dreht, braucht seltener Unterstützung. Wer bewegungsunfähig ist und Risikofaktoren hat, bekommt kürzere Intervalle. Das reduziert unnötige Umlagerungen bei Niedrig-Risiko-Bewohnern — und fokussiert die knappen Pflegekapazitäten auf die Bewohner mit echtem Bedarf.

Rechtliche Besonderheiten

Dekubitus-Risikoerkennung mit Sensordaten berührt mehrere rechtliche Ebenen:

SGB XI §75b und Pflege-Digitalisierungsgesetz: Der Gesetzgeber hat aktiv KI-gestützte Prävention in der Pflege als förderungswürdig eingestuft. §75b SGB XI schafft die Grundlage für digitale Pflegeinnovationen. Das ist kein rechtliches Hindernis — es ist eine ausdrückliche Fördergrundlage.

DSGVO Art. 9 und Sensordata: Bewegungs- und Drucksensordaten sind personenbezogene Daten (da einer spezifischen Person zugeordnet) und möglicherweise besondere Kategorien, wenn aus ihnen Gesundheitszustand ableitbar ist. Datenschutzfolgenabschätzung (DSFA) nach DSGVO Art. 35 ist erforderlich und sinnvoll.

Einwilligung: Informierte Einwilligung des Bewohners oder des gesetzlichen Betreuers ist zwingend. Bei Bewohnern mit Demenz muss der rechtliche Betreuer zustimmen — das erfordert sorgfältige Vorbereitung und kann Zeit brauchen.

EU AI Act: Ein KI-System, das Risikobewertungen für vulnerable Pflegebedürftige erstellt und daraus Pflegemaßnahmen auslöst, fällt wahrscheinlich unter hochriskante KI (Anhang III). Das bedeutet: Transparenzpflichten, Bias-Prüfung, menschliche Aufsicht, Dokumentations­anforderungen. Anbieter müssen EU AI Act-Compliance nachweisen können.

MDK-Relevanz: Gut dokumentierte Dekubituspräventionsmaßnahmen verbessern die MDK-Bewertung direkt. Ein system-gestütztes, lückenloses Protokoll ist ein starkes Argument bei der Qualitätsprüfung.

Konkrete Werkzeuge — was wann passt

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.

Medifox Dan / Vivendi — die verbreitetsten deutschen Pflegedokumentationssysteme planen KI-Risikomodul-Integrationen für 2025/2026. Für bestehende Nutzer ist das die niedrigschwelligste Integration — kein separates System, KI-Unterstützung im vertrauten Interface.

Stryker / Hill-Rom Smart-Matratzen — Medizintechnikhersteller mit druckreduzierenden Matratzen und integrierten Sensorsystemen. Höhere Investitionskosten, aber vollständig integrierte Lösung ohne separate Sensor-Hardware. Geeignet für Einrichtungen, die ohnehin neue Matratzen beschaffen.

Fraunhofer KIPRODE-Technologie — Forschungstransfer-Option für interessierte Einrichtungen, die an der Validierungsstudie teilnehmen wollen. Kontakt über Fraunhofer ITWM.

Claude für manuelle Risikoanalyse — als Einstieg ohne Hardware: Exportiere einmal wöchentlich eine anonymisierte Bewohnerübersicht mit Braden-Score, Diagnosen und Mobilität. Claude identifiziert Hochrisiko-Kombinationen und schlägt gezielte Präventionshinweise vor. 18 Euro/Monat — kein Produktivsystem, aber ein sofort nutzbarer erster Schritt.

Datenschutz und Datenhaltung

Dekubitus-Risikoerkennung kombiniert Sensordaten und Patientenprofile — das ist datenschutzrechtlich einer der anspruchsvollsten Use Cases in der Pflege.

DSGVO Art. 9: Drucksensor-Daten, Bewegungsmuster und Körperpositions-Informationen sind personenbezogene Daten. Da sie mit Patientenprofildaten (Diagnosen, Medikamente, Pflegegrad) kombiniert werden, entstehen besondere Kategorien personenbezogener Daten. Die Verarbeitung ist nach Art. 9 Abs. 2 lit. h (medizinische Versorgung) zulässig — erfordert aber konkrete Schutzmaßnahmen.

SGB XI §75b (Pflege-Digitalisierungsgesetz): Der Gesetzgeber erkennt sensor-gestützte Prävention in der Pflege als förderungswürdige Innovation ausdrücklich an. Das ist die primäre Rechtsgrundlage für den Betrieb solcher Systeme — kein Hindernis, aber keine Befreiung von den DSGVO-Pflichten.

Auftragsverarbeitungsvertrag (AVV) nach Art. 28 DSGVO: Alle externen Systemanbieter (Sensorhersteller, Analyse-Plattform, Cloud-Dienste) brauchen einen AVV. Deutsche Anbieter wie Livy Care und Carecos liefern AVV-Vorlagen mit. Für US-amerikanische Systeme (Carepredict) müssen Standardvertragsklauseln (SCCs) geprüft werden — Gesundheitsdaten dürfen nicht ungeschützt in US-Rechtsräume übertragen werden.

DSFA nach Art. 35 DSGVO ist bei diesem Use Case keine Option, sondern Pflicht: Systematische Verarbeitung von Sensor-Gesundheitsdaten einer vulnerablen Personengruppe (Pflegebedürftige, viele mit eingeschränkter Einwilligungsfähigkeit) erfüllt die Kriterien für eine obligatorische Datenschutz-Folgenabschätzung. Diese muss dokumentiert und vor Inbetriebnahme abgeschlossen sein.

Einwilligung: Bei Bewohnern mit Demenz oder eingeschränkter Einwilligungsfähigkeit muss der gesetzliche Betreuer informiert zustimmen — das braucht Zeit. Frühzeitig anfangen, nicht als letzten Schritt.

Was es kostet — realistisch gerechnet

Einstieg — manuelle KI-Risikoanalyse ohne Sensorik

• Claude Pro: 18 Euro/Monat
• Wöchentliche Analyse (30–60 Minuten): kostenloser Workflow-Aufwand
• Kein Hardware-Investment

Einstiegslösung — Sensormatten + App (20 Betten)

• Sensormatten: 200–500 Euro/Bett (Einmalkauf oder Leasing)
• Software-Lizenz: 100–200 Euro/Bett/Jahr
• Implementierung & Schulung: 5.000–10.000 Euro
• Gesamtkosten 20 Betten: 15.000–25.000 Euro einmalig + 3.000–5.000 Euro/Jahr

Integrierte KI-Lösung (80 Betten)

• Sensormatten + KI-Modul: 40.000–80.000 Euro
• Integration + Schulung: 10.000–20.000 Euro
• Laufende Lizenz: 8.000–15.000 Euro/Jahr

ROI-Rechnung Einrichtung 80 Bewohner, bisherige Dekubitusinzidenz 8 % (ca. 6–7 Fälle/Jahr), davon 2 schwere (Ø 50.000 Euro Behandlungskosten = 100.000 Euro). Sensor-System reduziert schwere Fälle um 30–40 % → 0,6–0,8 Fälle weniger = 30.000–40.000 Euro vermiedene Kosten/Jahr. Systemkosten: 10.000–15.000 Euro/Jahr. Netto: 15.000–30.000 Euro/Jahr positiver ROI — bei Verhinderung von nur einem schweren Fall.

Vier typische Einstiegsfehler

1. Ohne Baseline starten. Ohne bekannte Ausgangsdaten (Dekubitusinzidenz letzte 12 Monate, aufgeteilt nach Schweregrad) kann der ROI nicht bewiesen werden. Das ist nicht nur ein kaufmännisches Argument — es ist auch die Grundlage für die Wirksamkeitsprüfung. Vor dem Systemstart: historische Dekubitusdaten aufbereiten.

2. WLAN-Infrastruktur unterschätzen. Sensormatten kommunizieren drahtlos. In Pflegeeinrichtungen ist die WLAN-Abdeckung auf Station oft lückenhaft — Abstellräume, Nasszellen, ältere Bausubstanz. Ein WLAN-Infrastruktur-Check ist Pflicht vor der Hardware-Bestellung. Manchmal ist ein Netzwerk-Upgrade der teuerste Einzelposten.

3. Datenschutz als letzten Schritt behandeln. Die Datenschutzfolgenabschätzung, die Einwilligungs-Prozesse und der AVV-Abschluss brauchen Zeit — und sollten als erste Schritte behandelt werden, nicht als letzte Hürde vor dem Launch. Wenn die Hardware bereits installiert ist und das Datenschutzkonzept noch nicht freigegeben ist, entsteht Druck. Das führt zu schlechten Abwägungen.

4. Alert-Schwellenwerte einstellen und nie wieder anfassen. Die initiale Konfiguration funktioniert gut — für den Bewohnermix zum Zeitpunkt der Einführung. Nach 12 Monaten hat die Einrichtung neue Hochrisikobewohner aufgenommen, andere sind verstorben, der Pflegegrad-Durchschnitt hat sich verschoben. Ein unverändertes Risikomodell passt nicht mehr zum aktuellen Profil: Es alarmiert zu wenig für die neuen schweren Fälle oder zu viel für Bewohner, deren Zustand sich stabilisiert hat. Lösung: Halbjährliche Prüfung der Schwellenwerte durch PDL gemeinsam mit dem Anbieter — 2 Stunden, die die Qualität des Systems dauerhaft sichern.

Was mit der Einführung wirklich passiert — und was nicht

Was passiert: In den ersten Wochen gibt es Alarm-Fatigue, wenn die Schwellenwerte zu sensibel konfiguriert sind. Das Pflegeteam bekommt zu viele Alerts und beginnt sie zu ignorieren. Die initiale Konfiguration ist entscheidend — enger Schwellenwert zu Beginn, dann schrittweise optimieren.

Was nicht passiert: Das System ersetzt nicht die pflegerische Beurteilung. Ein Alert bedeutet: „Prüfe diesen Bewohner.” Die Entscheidung, welche Maßnahme folgt, trifft die Pflegekraft — immer.

Typischer Widerstand: „Zu viele Alarme — da kommt noch eine App dazu.” Alarm-Fatigue ist real. Die Konfiguration des Systems muss darauf ausgerichtet sein, Alerts in den normalen Schicht-Workflow zu integrieren — nicht als separaten Alarm-Stream. Gut implementierte Systeme reduzieren durch adaptive Lagerungsintervalle sogar die Gesamtzahl der Umlagerungs-Aktionen.

Realistischer Zeitplan mit Risikohinweisen

Häufige Einwände — und was dahintersteckt

„Unsere Pflegekräfte haben schon zu viele Alarme.” Alarm-Fatigue ist ein reales Problem — deswegen ist die Konfiguration entscheidend. Das System soll adaptive Lagerungsempfehlungen in den bestehenden Workflow integrieren, nicht als separaten Alert-Stream. Gut implementiert reduziert das System sogar die Gesamtzahl der Umlagerungsaktionen — weil Niedrig-Risiko-Bewohner seltener umgelagert werden müssen.

„Datenschutz bei körpernahen Sensoren ist problematisch.” Sensormatten messen Druck und Bewegung — kein Bild, kein Ton. Die rechtliche Grundlage ist §75b SGB XI. Eine DSFA ist nötig — aber kein außergewöhnliches Hindernis. Professionelle Anbieter liefern Datenschutz-Dokumentation mit.

„Zu teuer für unsere Einrichtung.” Der Einstieg ohne Sensorik ist kostengünstig: Claude-gestützte wöchentliche Risikoanalyse der Pflegedaten kostet 18 Euro/Monat und hat keine Hardware-Kosten. Sensorik ist der Skalierungsschritt für Einrichtungen, die die Methode bereits kennen und den ROI beweisen wollen.

Woran du merkst, dass das zu dir passt

Das passt zu dir, wenn:

• Es gibt jedes Jahr mehrere Dekubitusfälle und du weißt, dass manche davon bei besserer Überwachung vermeidbar gewesen wären
• Braden-Scores werden digital erfasst — oder die Digitalisierung steht an
• WLAN-Infrastruktur auf Station ist ausreichend oder kann aufgerüstet werden
• Der ROI bei einem verhinderten schweren Fall ist klar positiv

Das passt noch nicht zu dir, wenn:

• Die Pflegedokumentation ist noch papierbasiert — ohne digitale Grundlage kein KI-System
• Die Einrichtung hat wenig Kapazität für ein 4–6-monatiges Einführungsprojekt
• Der Betreuungsschlüssel ist so knapp, dass Alert-Bearbeitung realistisch nicht möglich ist

Das kannst du heute noch tun

Starte mit einer Baseline-Analyse: Wie viele Dekubitusfälle gab es in den letzten 12 Monaten? Wie viele waren Grad 3 oder 4? Welche Risikofaktoren hatten diese Bewohner (Braden-Score, Diagnosen)?

Diese Analyse dauert 2–3 Stunden. Sie ist der erste Schritt — und der Beweis, ob sich ein KI-System ROI-mäßig lohnt. Dann nutze folgenden Prompt für eine erste Risikobewertung:

Quellen & Methodik

• Fraunhofer ITWM, KIPRODE-Projekt, 2023–2025: KI-gestützte Druckgeschwürprävention, Wirksamkeitsdaten
• Statistisches Bundesamt / Gesundheitsberichtserstattung des Bundes: Dekubitus-Inzidenz in Deutschland
• DNQP Expertenstandard Dekubitusprophylaxe in der Pflege: Anforderungen an Präventionsmaßnahmen
• DSGVO Art. 9 und Art. 35: Besondere Kategorien personenbezogener Daten und DSFA-Pflicht
• SGB XI §75b (Pflege-Digitalisierungsgesetz): Rechtliche Grundlage für digitale Pflegeinnovationen
• EU AI Act Anhang III: Hochriskante KI-Systeme im Gesundheitsbereich
• MDK-Qualitätsprüfungs-Richtlinien 2023: Dekubitusprophylaxe als Prüffeld