Exploring the Viability of Real-Time Classification for Semi-Automated Nursing Documentation

In recent years, the shortage of nurses has led to increased responsibilities and workload, which can lead to burnout syndromes. Automated nursing documentation offers a promising approach to support nurses, save time, and improve care quality. According to the WHO [Wor24], one in six people worldwide will be over 60 years old by 2030. An older age is often associated with health conditions commonly referred to as geriatric syndromes. This results in an overall higher demand for nurses which, for now, is challenging to cover. According to our survey, nurses spend an average of 1.22 hours per day solely on documentation tasks, with 77 % needing to work overtime. Furthermore, documentation often needs to be completed later, leading to reduced quality. Partially automating this task would save a significant amount of time that could be used for caregiving tasks while also improving quality. Therefore, this thesis explores the feasibility of automated nursing documentation using Human Activity Recognition (HAR) and Deep Learning (DL). Classifying nursing activities while using a smartwatch as a sensor source is a novel approach to HAR research. First, a survey with 82 participants confirmed the urgency of this approach. Additionally, activities were defined through interviews with three different nurses from different professions, ensuring realism. Subsequently, eight sub-activities from five common nursing procedures were selected to conduct a model as proof of concept. An Long Short-Term Memory (LSTM) model achieved a peak accuracy of 82.19 % in offline tests and 60.22 % in real-world testing. This thesis contributes to current research by underscoring the urgency of the issue through an opinion poll and demonstrating the viability of the proposed approach via a proof of concept. The goal was to validate the potential of HAR and DL in healthcare applications and highlight the urgent need for automation in nursing documentation. The proposed results indicate that HAR in the context of nursing care is viable and has the potential to significantly alleviate nurses’ workloads in the long run.

In den letzten Jahren hat der Mangel an Krankenpflegepersonal zu einer größeren Verantwortung und Arbeitsbelastung für Pflegekräfte geführt. Dies kann das Burnout-Syndrom zur Folge haben. Eine automatisierte Pflegedokumentation könnte hier Abhilfe schaffen, indem das Pflegepersonal entlastet wird. Nach Angaben der WHO [Wor24] wird im Jahr 2030 einer von sechs Menschen weltweit über 60 Jahre alt sein. Ein höheres Alter ist häufig mit gesundheitlichen Beschwerden verbunden, die gemeinhin als geriatrische Syndrome bezeichnet werden. Dies führt dazu, dass der Bedarf an Pflegepersonal stetig steigt. Laut unserer Umfrage verbringen Pflegekräfte durchschnittlich 1,22 Stunden pro Tag allein mit Dokumentationsaufgaben, wobei 77 % schon einmal deswegen Überstunden machen mussten. Außerdem muss die Dokumentation häufig später vervollständigt werden, was oft zu einer schlechteren Qualität führt. Eine Teilautomatisierung dieser Dokumentation würde viel Zeit einsparen, die Pflegekräfte für andere Aufgaben nutzen könnten. Im Rahmen dieser Arbeit wurde daher die Umsetzbarkeit einer teilautomatisierten Pflegedokumentation mittels HAR und DL untersucht. Die Klassifizierung von Pflegetätigkeiten mithilfe einer Smartwatch stellt hierbei einen neuen Ansatz dar. Anfänglich bestätigte eine Umfrage mit 82 Teilnehmern die Dringlichkeit dieser Idee. Zusätzlich wurden die Aktivitäten durch Interviews mit drei verschiedenen Pflegekräften aus unterschiedlichen Berufsfeldern definiert, um realitätsnahe Aktivitäten zu ermitteln. Anschließend wurden acht Teiltätigkeiten aus fünf häufigen Pflegetätigkeiten extrahiert. Diese dienen dem Machine Learning (ML)-Modell als Klassen. Ein LSTM erreichte eine maximale Genauigkeit von 82,19 % bei Offline-Tests und 60.22 % bei der Live-Klassifizierung. Die vorliegende Arbeit leistet einen Beitrag zur aktuellen Forschung, indem sie die Dringlichkeit des Problems durch eine Meinungsumfrage aufzeigt und die Durchführbarkeit der Idee durch eine Echtzeit-Klassifizierung nachweist. Ziel war es, das Potenzial von HAR und DL für Anwendungen im Gesundheitswesen zu validieren und den dringenden Bedarf an technischer Innovation in der Pflege zu verdeutlichen. Die erzielten Ergebnisse zeigen, dass HAR im Kontext der Krankenpflege praktikabel ist und das Potenzial hat, die Arbeitsbelastung des Pflegepersonals langfristig erheblich zu verringern.