LookDeep Health und ein Kliniknetzwerk mit elf Krankenhäusern setzen eine videobasierte KI-Plattform zur kontinuierlichen Patientenüberwachung auf Normal- und Überwachungsstationen ein. Optische Sensoren erfassen Bilddaten mit einem Bild pro Sekunde, während Computer-Vision-Modelle Personen sowie Betten erkennen und Rollen wie Patient oder Pflegepersonal klassifizieren. So werden potenziell gefährliche Zustände wie unbeaufsichtigte Bewegungsphasen sturzgefährdeter Personen frühzeitig an das Stationsteam gemeldet.
Die videobasierte KI-Plattform von LookDeep Health überwacht Hochrisikopatienten in elf Krankenhäusern rund um die Uhr auf Normal- und Überwachungsstationen, um gefährliche Situationen vor einem Sturz zu erkennen.
In Akutkrankenhäusern stellen Stürze von stationären Patienten ohne Aufsicht ein ernstes Sicherheitsrisiko und eine erhebliche Belastung für das Pflegepersonal dar. Zur Vermeidung solcher Ereignisse erfassen spezialisierte Vision-Einheiten in den Patientenzimmern kontinuierlich Bildströme mit einem Bild pro Sekunde im RGB- sowie Nahinfrarotbereich. Ein feinjustiertes YOLOv4-Modell detektiert Personen, Betten sowie Stühle und ordnet den erfassten Personen präzise Rollen wie Patient, Personal oder Besucher zu. Eine dichte optische Flussberechnung nach Gunnar Farneback schätzt kontinuierlich die Bewegungsintensität im Raum ab. Aus diesen visuellen Merkmalen leitet das System regelbasierte logische Prädiktionen wie den Zustand eines isolierten Patienten ab und berechnet stündliche Trendverläufe. Die Inferenz erfolgt datenschutzkonform direkt auf On-Device-NPU-Hardware mit automatischer Gesichtsunscharfschaltung, bevor aggregierte Daten in eine Cloud-Analytics-Umgebung zur Unterstützung des Pflegeteams übermittelt werden.
Klassische Software kann Pixelwerte erfassen, scheitert jedoch daran, Personen zuverlässig von Möbeln zu unterscheiden oder die Rolle einer Person als Pflegekraft oder Patient semantisch zu interpretieren. Erst trainierte Computer-Vision-Modelle ermöglichen die gleichzeitige Erkennung von Betten, Stühlen und Körperhaltungen sowie die Berechnung dichter Bewegungsflüsse unter wechselnden Lichtbedingungen. Ohne maschinelles Lernen ist es unmöglich, komplexe situative Zustände wie einen isolierten Patienten im Bett bei Dunkelheit robust und fehlalarmarm abzuleiten.
Kliniken positionieren sich mit moderner digitaler Patientensicherheitstechnik als qualitativ führende Versorger und steigern ihre Attraktivität für Patienten sowie medizinisches Personal.
Krankenhausnetzwerke können durch den Einsatz kontinuierlicher optischer Überwachung teure manuelle Sitzwachen reduzieren und sturzbedingte Folgekosten sowie verlängerte Liegezeiten vermeiden.
Die automatisierte Aggregation stündlicher Risikotrends in zentralen Analyseumgebungen entlastet das Stationsmanagement von manueller Dokumentation und ermöglicht gezieltere Personaleinsätze.
Pflegekräfte werden von der ständigen Sorge befreit, unbemerkt stürzende Patienten auf Station zu übersehen, und können ihre Rundgänge priorisieren.
Der Arbeitsfokus verlagert sich von rein reaktivem Alarmmanagement hin zur vorausschauenden Betreuung besonders bewegungsintensiver Risikopatienten.
Pflegende erlernen den Umgang mit videobasierten Trend-Dashboards und schulen ihre Kompetenz in der Interpretation automatisierter Zustandswarnungen.
Sie erleben die Überwachung als diskreten, passiven Begleiter im Zimmer, der im Gegensatz zu anstrengenden Fixierungen oder störenden Kabeln maximale Bewegungsfreiheit ermöglicht.
Stationäre Patientinnen und Patienten erfahren während des Klinikaufenthalts ein höheres Maß an Sicherheit und Unversehrtheit bei voller Wahrung ihrer Privatsphäre.