Implizites tutorielles Wissen in der KI-gestützten automatisierten Patientenedukation am Beispiel pflegender Angehöriger

Motivation: Die niedrige Gesundheitskompetenz auf Bevölkerungsebene stellt ein Problem globaler Gesundheitssysteme dar. Niedrige Gesundheitskompetenz ist unter anderem mit höheren Hospitalisierungs- und Mortalitätsraten assoziiert. Gleichzeitig übernimmt die Bevölkerung eine Hauptrolle im deutschen Pflegesystem. Die Pflege durch Angehörige stellt die größte Säule des Pflegesystems und damit einen wichtigen Bestandteil des deutschen Gesundheitswesens dar. Die Pflegesituation ist für die meisten Angehörigen mit erheblichen Belastungen verbunden, wobei fehlendes Wissen und fehlende Informationen besonders stark zur Belastung beitragen. Auf Seiten pflegender Angehöriger existiert ein großer Bedarf an auf die persönliche Pflegesituation individualisiertem Wissen. Dieser Informationsbedarf kann nur begrenzt durch medizinisch Tätige gedeckt werden. In Domänen außerhalb des Gesundheitswesens werden bereits automatisierte Lehrsysteme, wie beispielsweise intelligente tutorielle Systeme, eingesetzt. Typisch für diese Systeme ist die Personalisierung der Wissensvermittlung mittels künstlicher Intelligenz. Sie existieren hauptsächlich in stark strukturierten Wissensvermittlungsdomänen, wie der universitären oder schulischen Lehre, bei denen explizite Lehrpläne vorliegen. Für die Patientenedukation ist das tutorielle Wissen, beispielsweise die Auswahl wichtiger Themen für einen Lernenden, häufig implizit. Es können keine allgemein gültigen Regeln für die Personalisierung der Lehre benannt werden. Für einen bestimmten Lernenden kann jedoch eine Personalisierung der Lehre durch beteiligte Experten erfolgen. In der Literatur wird dieses implizite tutorielle Wissen kaum berücksichtigt. In dieser Arbeit wird ein Verfahren zur Erfassung und Implementierung dieses impliziten tutoriellen Wissens in einem intelligenten tutoriellen System im Rahmen des Projektes Mobile Care Backup (MoCaB) am Beispiel pflegender Angehöriger entwickelt und evaluiert.

Methode: Der Stand der Forschung wird durch zwei systematische Literaturreviews erhoben und dargestellt. Ein Review fokussiert implizites tutorielles Wissen in intelligenten tutoriellen Systemen, während das zweite Review das weiter gefasste Thema der Verknüpfung symbolorientierter künstlicher Intelligenz mit Soft Computing zur Personalisierung der Wissensvermittlung in automatisierten Lehrsystemen betrachtet. Beide Literatursuchen erfolgen im Web of Science.

Für die Wissenserhebung und Implementierung in einer tutoriellen Strategie wird zwischen formalisierbarem und nicht formalisierbarem impliziten tutoriellen Wissen unterschieden. Das formalisierbare Wissen wird erhoben, indem Experten die Items von ausgewählten Assessmenttools der Lehrdomäne für die einzelnen zu vermittelnden Themen gewichten. Aus diesen Gewichtungen und den vom Lernenden ausgefüllten Assessmenttools wird mittels einer Scoringfunktion die Wichtigkeit der einzelnen Themen sowie eine Reihenfolge für den Lernenden bestimmt. Das System wird umfassend nach dem Vorbild einer etablierten Evaluationsmethodik wissensbasierter Systeme begutachtet. Die Evaluation umfasst eine frühe Prototypentestung, die Evaluation der Inferenzmaschine, der Validität sowie der Funktionalität. Letztere erfolgt in einer vierwöchigen Feldstudie mit 18 pflegenden Angehörigen in ihrem häuslichen Alltag.

Das nicht formalisierbare implizite tutorielle Wissen wird durch Sternebewertungen der Themen von pflegenden Angehörigen erhoben. Zur Erweiterung der tutoriellen Strategie um das nicht formalisierbare Wissen wird ein Soft Computing Modell, genauer ein künstliches neuronales Netz, eingesetzt. In einem ersten Training wird die auf formalisierbarem impliziten Wissen basierende tutorielle Strategie auf das künstliche neuronale Netz übertragen, um in einem zweiten Training um das nicht formalisierbare Wissen erweitert zu werden. Da die Sternebewertungen nur Reihenfolgeninformationen enthalten, wird das künstliche neuronale Netz für das zweite Training um eine Learning to Rank Komponente erweitert. Die so angepasste tutorielle Strategie wird hinsichtlich des Bedarfs der Anwender evaluiert.

Ergebnisse: Das erste Literaturreview erzielte keine Treffer. Es zeigt, wie wenig Beachtung implizitem tutoriellen Wissen im Bereich der intelligenten tutoriellen Systeme zuteilwird. In der weiter gefassten automatisierten Lehre werden vermehrt Daten durch Soft Computing Methoden vorverarbeitet, um anschließend mittels einer symbolorientierten künstlichen Intelligenz zu schlussfolgern. Die Verknüpfung von Fuzzy Logik mit einer Ontologie erscheint zielführend, kann jedoch kein implizites Wissen abbilden. Die Verknüpfung von symbolischer künstlicher Intelligenz mit Soft Computing Modellen erfolgt hauptsächlich zwischen den Modellen eines intelligenten tutoriellen Systems.

Als Assessments zum Erheben des formalisierbaren impliziten Wissens werden der Caregiver Burden Inventory und das Neue Begutachtungs Assessment verwendet. Die Verknüpfung der Assessments ermöglicht von spezifischen Belastungen auf mögliche Auslöser der Belastung zu schlussfolgern und zielgerichtet personalisiertes Wissen anzubieten. Für die 86 Themen des MoCaB-Systems wurden 8.686 Gewichtungen von drei projektinternen Pflegefachkräften erhoben. Zu 34 Themen konnte kein formalisierbares implizites Wissen erhoben werden. Sie werden den Lernenden anhand eines Lehrplans zur Verfügung gestellt. Die Evaluation der tutoriellen Leistung des Systems, realisiert durch die Verknüpfung des entwickelten Ansatzes und einer Ontologie, verlief positiv. Das System verfügt über eine gute Nutzbarkeit sowie hohe interne und externe Validität. Während der Evaluationen konnten einige wenige Inkonsistenzen in der Wissensbasis aufgedeckt und behoben werden. Die Probanden der Feldstudie bewerten die Personalisierungsleistung des Systems sehr positiv. Das formalisierbare implizite und das explizite tutorielle Wissen sind jedoch nicht hinreichend. Es existieren weitere für die Probanden wichtige Themen.

Die auf formalisierbarem impliziten Wissen basierende tutorielle Strategie wurde erfolgreich auf ein künstliches neuronales Netz übertragen und mit Nutzendenbewertungen angepasst. Hierzu wurden 520 Bewertungen von den Probanden der Feldstudie erhoben. Das nachtrainierte Netz wurde positiv evaluiert. Vereinzeltes Fehlverhalten des Systems entsteht durch monotones Bewertungsverhalten einzelner Nutzer. Im Vergleich zu den Nutzendenbewertungen erzielt das System eine Sensitivität von 0,9546 und eine Spezifität von 0,9809. Die zuvor nicht vorgeschlagenen jedoch wichtigen Themen werden durch das erweiterte System als relevant klassifiziert. Mittels der angepassten tutoriellen Strategie kann ebenfalls keine Personalisierung der 34 Themen, zu denen kein formalisierbares implizites tutorielles Wissen erhoben wurde, erfolgen.

Diskussion und Ausblick: Die Ergebnisse zeigen, dass implizites Wissen eine entscheidende Rolle bei der personalisierten Patientenedukation einnimmt. Über die entwickelten Verfahren kann sowohl formalisierbares als auch nicht formalisierbares implizites Wissen in ein intelligentes tutorielles System integriert werden. Die auf formalisierbarem Wissen basierende tutorielle Strategie wurde ausgiebig evaluiert, unter anderem in einer der größten deutschen Feldstudien zur Technikunterstützung im Pflegealltag, und kann zur Personalisierung der Edukation pflegender Angehöriger eingesetzt werden. Dabei ist allerdings zu beachten, dass das formalisierbare Wissen alleinig nicht genügt und nicht alle relevanten Themen abgedeckt werden. Das auf nicht formalisierbarem impliziten Wissen basierende System stellt einen Proof-of-Concept dar. Hier sollte eine größere Studie, beispielsweise zusammen mit einem national agierenden Versorger, sowie die Beurteilung der angepassten tutoriellen Strategie durch Pflegefachkräfte erfolgen. Die 34 nicht zu personalisierenden Themen beschreiben Grundlagenwissen, welches für alle betroffenen Pflegenden relevant ist. Die Arbeit ist ein erster wichtiger Schritt zur Etablierung intelligenter tutorieller Systeme in der Patientenedukation. Für die Zukunft ist unter anderem die Etablierung der entwickelten Verfahren in anderen Patientenedukationsdomänen geplant.