Die Strukturierte Informationssammlung als Datenbasis für KI-Anwendungen: Eine qualitative Studie zur Datenqualität
- 1 October 2026
- journal article
- abstracts
- Published by Hogrefe Publishing Group in Pflege
- Vol. 39 (5) , 239-248
Abstract
Zusammenfassung: Hintergrund: Künstliche Intelligenz (KI) zur Unterstützung der Pflegeprozessverantwortung gewinnt an Bedeutung. Die Aussagekraft von KI-basierten Anwendungen hängt jedoch von den Trainingsdaten ab. Fragestellung: Inwieweit eignen sich die mit der Strukturierten Informationssammlung (SIS) dokumentierten Pflegebedarfe als Trainingsdaten für KI-gestützte Entscheidungsunterstützungssysteme zur Maßnahmenplanung im Pflegeprozess? Methoden: Es wurde eine qualitative Prozessanalyse mit Ableitung relevanter Konsequenzen durchgeführt. Die Datenerhebung umfasste elf leitfadengestützte Interviews in zwei Langzeitpflegeeinrichtungen. Die Interviews wurden mittels qualitativer Inhaltsanalyse ausgewertet, die Datenqualität wurde ergänzend mit dem METRIC-Framework bewertet. Ergebnisse: In allen fünf Clustern des Frameworks zeigte sich eine eingeschränkte Datenqualität, insbesondere im Hinblick auf Vollständigkeit, Genauigkeit und Präzision. Schlussfolgerungen: Die SIS ist für das Training von KI-Anwendungen zur Maßnahmenplanung nur bedingt geeignet. Eine Verbesserung der Datengrundlage könnte durch eine Erweiterung der Datenbasis sowie Anpassungen der Dokumentationspraxis erfolgen. Zudem sollten Methoden zur Steigerung der Ergebnisgüte von KI-Systemen berücksichtigt werden. Schulungen von Pflegefachpersonen sind notwendig, um den sicheren Umgang mit KI-Anwendungen in der Pflege zu fördern. Limitationen: Die Ergebnisse beruhen auf elf qualitativen Interviews in zwei Pflegeeinrichtungen und bilden damit die Breite der „Dokumentationskultur“ in Pflegeeinrichtungen nicht ab.Keywords
This publication has 12 references indexed in Scilit:
- Mapping the susceptibility of large language models to medical misinformation across clinical notes and social media: a cross-sectional benchmarking analysisThe Lancet Digital Health, 2026
- The METRIC-framework for assessing data quality for trustworthy AI in medicine: a systematic reviewnpj Digital Medicine, 2024
- Automation Bias and Assistive AIJAMA, 2023
- Cognitive and implicit biases in nurses' judgment and decision-making: A scoping reviewInternational Journal of Nursing Studies, 2022
- Nursing minimum data sets: Findings from an umbrella reviewHealth Informatics Journal, 2022
- A Dictionary of Computer Science2016
- Nursing Minimum Data Sets (NMDS) – eine Literaturübersicht bezüglich Zielsetzungen und DatenelementenPflege, 2014
- Standards for Reporting Qualitative ResearchAcademic Medicine, 2014
- Automation bias: a systematic review of frequency, effect mediators, and mitigatorsJournal of the American Medical Informatics Association, 2012
- Beyond Accuracy: What Data Quality Means to Data ConsumersJournal of Management Information Systems, 1996