Personalisierte Zuweisung digitaler Pflegeprogramme für ältere Erwachsene: Simulationsstudie basierend auf Reinforcement Learning

Hintergrund: Angesichts der steigenden Nachfrage nach innovativer Versorgung älterer Menschen bei gleichzeitigem Mangel an Pflegekräften ist Personalisierung der Schlüssel zur Optimierung der Dienstleistungen und zur Verbesserung der langfristigen Nachhaltigkeit. Diese Studie schlägt einen adaptiven, auf Reinforcement Learning (RL) basierenden Rahmen vor, um präzise digitale Pflege zu fördern, indem Pflegeprogramme dynamisch basierend auf den individuellen Eigenschaften und sich ändernden Bedürfnissen zugewiesen werden. Die Wirksamkeit wurde durch simulationsbasierte Experimente bewertet, die verschiedene Zuweisungsmethoden innerhalb eines KI-gestützten Pflegeanruf-Services für ältere Erwachsene verglichen. Zielsetzung: Ziel dieser Studie war die Entwicklung und Evaluation eines RL-basierten Modells zur Personalisierung der Zuweisung digitaler Pflegeprogramme, um das Engagement in der Pflege und die Gesundheitsergebnisse bei einkommensschwachen, alleinlebenden älteren Erwachsenen zu optimieren. Methoden: Wir entwickelten den Rahmen unter Verwendung von Contextual Bandits, speziell Thompson Sampling, zur Maximierung der Nutzerergebnisse. Vier Programmzuweisungsstrategien wurden anhand eines synthetischen Datensatzes mit Benutzermerkmalen und Programmeigenschaften getestet. Simulationen wurden über mehrere Iterationen durchgeführt, um zu bewerten, wie das Modell sich im Zeitverlauf anpasst und die Programmzuweisungen im Vergleich zu statischen Methoden optimiert. Ergebnisse: Vier Zuweisungsmethoden wurden über 100 Simulationsdurchläufe (n=3000 Zuweisungen pro Durchlauf) mit 2 Datensätzen verglichen (AI Call: n=1196; Community Health Survey CHS: n=72.812): (1) systematische Zuweisung (Baseline), (2) bestes Einzelprogramm basierend auf Durchschnitt der Population, (3) idealisierte personalisierte Zuweisung (theoretische Obergrenze) und (4) präzise digitale Pflege mittels Thompson Sampling. Die präzise digitale Pflege übertraf Basislinien- und Durchschnittsverfahren und erreichte Ergebnisse vergleichbar mit der theoretischen Obergrenze. Im Vergleich zur systematischen Zuweisung stiegen die Anruferfolgsraten um 84,2 % (AI Call) und 54,4 % (CHS), die Depressionsergebnisse des Patient Health Questionnaire-2 sanken um 32,1 % (AI Call) und 41,4 % (CHS), und die selbstberichteten Gesundheitswerte verbesserten sich um 19 % (AI Call) bzw. 22 % (CHS). Außerdem zeigte das Modell eine verbesserte Lerneffizienz und verfeinerte Zuweisungen dynamisch basierend auf Nutzerantworten. Schlussfolgerungen: Unsere Ergebnisse unterstreichen die Bedeutung der Personalisierung in der digitalen Pflege. Wir planen, das Modell im Rahmen eines öffentlich geförderten KI-Pflegeprogramms für alleinlebende, einkommensschwache ältere Erwachsene in der Republik Korea weiter zu verfeinern und zu validieren. RL bietet einen skalierbaren und effektiven Ansatz zur Förderung präziser digitaler Pflege und zur Unterstützung zukünftiger Innovationen im Bereich der Versorgungsdienstleistungen für ältere Menschen.