Experience beats talent – wenn Systeme mitdenken

Automatisierte DSF-Auswertung und KI-gestützte Patientensteuerung in der multimodalen Schmerztherapie

Kurzfassung

In diesem Projekt wurde der Aufnahme- und Bewertungsprozess von Patienten in der Schmerztherapie vollständig neu strukturiert. Durch automatisierte Fragebogenauswertung, objektive KI-Zweitbewertung und intelligente Systemverknüpfung konnten Zeitaufwand, Medienbrüche und subjektive Verzerrungen deutlich reduziert werden – vollständig on-premises.

Ausgangslage: Komplexe Entscheidungen unter Zeitdruck

Die Aufnahme geeigneter Patienten in eine akute oder multimodale Schmerztherapie ist organisatorisch und medizinisch anspruchsvoll. Neben der medizinischen Eignung müssen unter anderem berücksichtigt werden:

• Passung zum Therapiekonzept
• Abrechnungsfähigkeit
• Pflegeaufwand (hoch / niedrig)
• Gruppenzusammensetzung
• Einteilung in akute oder multimodale Schmerztherapie

Zur strukturierten Erfassung dieser Informationen erhalten Bewerber standardisierte Fragebögen.

Datengrundlage: DSF und erweiterte Patientenfragebögen

Für dieses Projekt wurde eine ursprünglich von Pfizer entwickelte Plattform genutzt: Paindetect, heute VivoPainCare.

Die Fragebögen liefern strukturierte Selbstauskünfte zu:

• Schmerzcharakteristik
• Funktionseinschränkungen
• psychischen Begleitfaktoren
• bisherigen Therapien
• Alltags- und Belastungsfaktoren

Diese Daten bilden die Grundlage für die weitere automatisierte Verarbeitung.

Automatisierte Auswertung und Entscheidungsunterstützung

Die eingehenden Fragebögen werden automatisiert verarbeitet und in mehrere Artefakte überführt:

One-Pager für das interdisziplinäre Team

• einheitliche Skalen
• klare Vergleichbarkeit
• RYG-Codierung (Red / Yellow / Green)
• schnelle Übersicht für Ärzte, Psychotherapeuten und Pflege

Übersichtstabellen zur Planung

• objektive Vergleichskriterien
• strukturierte Vorauswahl geeigneter Patienten
• Unterstützung bei Terminierung und Gruppenzusammenstellung

Ziel ist nicht die Automatisierung der Entscheidung, sondern eine belastbare, reproduzierbare Entscheidungsgrundlage.

KI-gestützte Zweitbewertung mit MedGemma (lokal)

Parallel zur regelbasierten Auswertung erfolgt eine objektive Zweitbewertung durch eine lokal betriebene GenAI.

Eingesetztes Modell

MedGemma 7B – ein medizinisch spezialisiertes Sprachmodell, abgeleitet aus der Gemma-Modellfamilie von Google DeepMind.

Trainingsgrundlage (vereinfacht):

• medizinische Fachliteratur
• klinische Texte
• strukturierte Gesundheitsdokumentation

Einsatz im Projekt

• strukturierte Zusammenfassung der Fragebögen
• Plausibilisierung der Angaben
• Vorschlag zur Eingruppierung

Hinweis: Die KI trifft keine medizinischen Entscheidungen. Sie unterstützt die strukturierte Vorarbeit – die Verantwortung bleibt beim Arzt. Alle KI-Komponenten werden vollständig lokal (on-prem) betrieben.

Vorbereitung des Aufnahmegesprächs

Für das eigentliche Aufnahmegespräch erhält der Arzt einen vorbefüllten Anamnesebogen, der:

• relevante Antworten aus dem Online-Fragebogen enthält
• strukturiert und vorpriorisiert ist
• Medienbrüche vermeidet

Das Aufnahmegespräch wird dadurch:

• kürzer
• zielgerichteter
• inhaltlich konsistenter

In einem Folgeprojekt wird dieses Gespräch zusätzlich KI-gestützt dokumentiert.

Verlaufsbewertungen und Abschlussbericht

Während der Therapie werden zwei standardisierte Verlaufsbewertungen durchgeführt.

Diese werden:

• automatisch ausgewertet
• mit den Ausgangsdaten verglichen
• durch die lokale KI analysiert

Auf dieser Basis schlägt das System einen Verlaufsbaustein für den Abschlussbericht vor – sachlich, neutral und konsistent.

Technische Umsetzung (100 % on-prem)

Das Projekt wurde vollständig ohne externe Cloud-Dienste umgesetzt:

• n8n – Workflow-Orchestrierung
• Python – Datenverarbeitung und Auswertung
• PostgreSQL – schlanke Projektdatenbank
• lokale GenAI (MedGemma) – Analyse und Textvorschläge

Bestehende Systeme wurden nicht ersetzt, sondern intelligent miteinander verknüpft.

Messbarer Nutzen

Die Effekte sind klar quantifizierbar:

• ≈ 2 Stunden Zeitersparnis pro Patient im Pre-Assessment (Arzt, Psychotherapeut, Pflege, Koordination)
• kein zusätzliches Anreisen der Patienten für Vorabgespräche
• objektivere, neutralere Bewertung der Daten
• ≈ 10 Minuten Einsparung pro Abschlussbericht allein durch den automatisierten Verlaufsbaustein

Fazit

Dieses Projekt zeigt, wie sich Ablaufoptimierung, bestehende Systeme und lokale KI sinnvoll kombinieren lassen, um reale Entlastung im klinischen Alltag zu schaffen. Nicht als Ersatz für medizinische Expertise, sondern als strukturierte, objektive Unterstützung.

Experience beats talent – wenn Systeme mitdenken.