Gesundheitsdaten sicher teilen für bessere
KI-Modelle: ECDF-Projekt entwickelt KI zur
Sturzrisikoprävention

Künstliche Intelligenz (KI) kann die Gesundheitsversorgung verbessern. Jeder von uns freut sich über bessere Diagnosen und Therapien. Aber würden Sie Ihre Gesundheitsdaten teilen, damit KI Modelle damit trainiert werden können? Genau hier liegt eine der zentralen Hürden verantwortungsvoller KI-Entwicklung: Patient*innendaten sind hochsensibel, ihre Nutzung für Forschungszwecke rechtlich und ethisch komplex. 

Ein Team aus Forscher*innen des Einstein Center Digital Future hat in einem vom Bundesministerium für Forschung, Technologie und Raumfahrt (BMFTR) geförderten Projekt untersucht, wie sich KI-Modelle zur Sturzrisikoeinschätzung entwickeln lassen, ohne den Schutz von Patient*innendaten zu gefährden. Beteiligt waren Datenschutzbeauftragte, Pflegepersonal, Informatiker*innen sowie KI-Entwickler*innen.

KI zur Sturzrisikoeinschätzung

In einer Studie mit einem der größten Krankenhäuser Deutschlands sowie einer spezialisierten geriatrischen Klinik hat das Team um ECDF Professoren Daniel Fürstenau und Felix Bießmann neue Methoden zur Sturzrisikobewertung entwickelt und evaluiert. Die Doktorandin Ivana Nanevski hat dazu dezentrale und zentrale Lernverfahren verglichen und insbesondere auch die Fairness der Modelle über Alters- und Geschlechtsgruppen hinweg geprüft. Neu entwickelte Methoden der erklärbaren KI (XAI) machen zudem nachvollziehbar, wie einzelne Patientenprofile mit dem individuellen Sturzrisiko zusammenhängen. 

Veröffentlichung: Nanevski et al., The Potential of AI in Nursing Care: Multicenter Evaluation in Fall Risk Assessment, JMIR 2025, doi.org/10.2196/71034.

Ein Evaluationsprotokoll für den sicheren Umgang mit synthetischen Gesundheitsdaten

Damit KI-Forschung auf sensiblen Daten überhaupt möglich wird, hat das Team ein Evaluationssprotokoll für synthetische tabellarische Gesundheitsdaten entwickelt. Es schafft einen Rahmen, um die Qualität synthetischer Daten systematisch zu prüfen und so eine sichere Weitergabe für die KI-Modellentwicklung zu ermöglichen.

Veröffentlichung: Nanevski et al., The Potential of AI in Nursing Care: Multicenter Evaluation in Fall Risk Assessment, JMIR 2025, https://doi.org/10.2196/71034.

Synthius: Open-Source-Software für das Bewertungsprotokoll

Mit Synthius stellt das Team eine Open-Source-Bibliothek zur Verfügung, die einen Großteil des entwickelten Protokolls implementiert. Die Software ist frei zugänglich und generiert bzw. bewertet synthetische Daten, die mit einer Vielzahl von generativen KI Ansätzen erzeugt wurden: github.com/calgo-lab/Synthius.

SynTabFall: ein neuer synthetischer Datensatz für die Sturzrisikoforschung

Mit SynTabFall veröffentlicht das Team einen ersten großen synthetischen tabellarischen Datensatz zur Sturzrisikobewertung, der datenschutzkonform veröffentlicht wurde, aber dennoch für das Training von KI Modellen eingesetzt werden kann. Der Datensatz zeigt, wie sich KI-Forschung weiterentwickeln lässt, ohne die Privatsphäre von Patient*innen zu gefährden: Modelle, die auf dem synthetischen Datensatz trainiert wurden, erreichen bei der Sturzrisikoeinschätzung eine Vorhersagequalität, die mit Modellen auf Basis realer Daten vergleichbar ist. 

Datensatz: https://zenodo.org/records/20427694, Nanevski et al., Anonymized but Useful Synthetic Tabular Health Data for AI based Fall Risk Assessment, Nature Scientific Data 2026, https://www.nature.com/articles/s41597-026-07910-z