Pr\u00e4vention<\/a> werden \u2013 wissenschaftlich fundiert, medizinisch relevant, einfach im Alltag.<\/p>\n\n\n\nAn wen richtet sich euer Angebot konkret und wie stellt ihr sicher, dass die Technologie bei den Nutzer:innen ankommt?<\/h4>\n\n\n\n Unser Angebot richtet sich prim\u00e4r an Spit\u00e4ler aber auch Pflegeeinrichtungen profitieren davon. Die Nutzer:innen sind \u00c4rzt*innen und Pflegekr\u00e4fte. Damit die Technologie ankommt, entwickeln wir alles gemeinsam mit Kliniken \u2013 nicht neben der Praxis, sondern mittendrin. Jede Funktion ist mit medizinischem Fachpersonal abgestimmt und mehrfach getestet. Der Clou: Unsere L\u00f6sung integriert sich in bestehende Systeme, ohne den Ablauf zu st\u00f6ren \u2013 im Gegenteil, sie entlastet ihn.<\/p>\n\n\n\n
Was macht euren Ansatz zur Fr\u00fcherkennung gesundheitlicher Risiken so innovativ?<\/h4>\n\n\n\n Wir nutzen \u00fcber 1.300 Parameter aus dem KIS und verarbeiten sie mit eigens entwickelten Machine-Learning-Algorithmen \u2013 in Echtzeit. Der gro\u00dfe Unterschied zu klassischen Scoring-Modellen: Wir bilden nicht nur lineare Zusammenh\u00e4nge ab, sondern erkennen auch komplexe Wechselwirkungen. Das Tool ist ein zertifiziertes Medizinprodukt und wurde mit Millionen realer Patientendaten trainiert. Das macht unsere Vorhersagen nicht nur pr\u00e4zise, sondern auch klinisch relevant und vertrauensw\u00fcrdig.<\/p>\n\n\n\n
Wie habt ihr euch auf den Pitch bei \u201e2 Minuten 2 Millionen\u201c vorbereitet und welche Erwartungen verbindet ihr damit?<\/h4>\n\n\n\n Unser Ziel war klar: Eine komplexe L\u00f6sung in zwei Minuten so auf den Punkt zu bringen, dass auch Nicht-Medizinerinnen verstehen, welchen Impact wir haben. So sind wir dann von \u201eMachine Learning optimierter Risikostratifikation zur Vermeidung von Komplikationen im station\u00e4ren klinischen Setting\u201c zu \u201e Wir sind der Glatteiswarner f\u00fcr das Krankenhauspersonal\u201c gekommen.<\/p>\n\n\n\n
Von der Show erhoffen wir uns Reichweite, Sichtbarkeit \u2013 und den Einstieg in Gespr\u00e4che mit Investorinnen, Partnern und Kliniken, die bereit sind, neue Wege zu gehen.<\/p>\n\n\n\n
Was war f\u00fcr euch der schwierigste Moment auf dem Weg zur Sendung \u2013 und wie seid ihr damit umgegangen?<\/h4>\n\n\n\n Die gr\u00f6\u00dfte Herausforderung war, aus einer wissenschaftlichen L\u00f6sung eine klare, verst\u00e4ndliche Botschaft zu formen. Wir sind ein Team aus Data Scientists und Krankenhauspraktikern \u2013 keine Showprofis. Aber wir haben gelernt, unsere Inhalte zuzuspitzen und dabei nicht an Substanz zu verlieren. Das hat uns als Team enorm weitergebracht.<\/p>\n\n\n\n
Welche Bedeutung hat der TV-Auftritt f\u00fcr euch \u2013 als Gr\u00fcnderteam und f\u00fcr Predicting Health als Unternehmen?<\/h4>\n\n\n\n F\u00fcr uns ist das ein Meilenstein. Es ist nicht nur ein Pitch vor Investor*innen, sondern auch eine B\u00fchne, um zu zeigen, was im Gesundheitssystem m\u00f6glich ist, wenn man datengetrieben denkt und sich auch in die Umsetzung traut. Als Team sind wir stolz, mit Predicting Health \u00f6ffentlich sichtbar zu machen, was wir im Hintergrund seit Jahren aufgebaut haben.<\/p>\n\n\n\n
Wie begegnet ihr den besonderen Herausforderungen im sensiblen Gesundheitsbereich, etwa in puncto Datenschutz oder Vertrauen?<\/h4>\n\n\n\n Datenschutz ist f\u00fcr uns keine H\u00fcrde, sondern Voraussetzung. Unsere Systeme arbeiten konform zur DSGVO, und unsere Trainingsdaten stammen aus vollst\u00e4ndig anonymisierten Quellen innerhalb bestehender Klinikpartnerschaften. Vertrauen entsteht aus Transparenz: Wir zeigen klar, wie unsere Algorithmen arbeiten, und wir geben dem medizinischen Personal die Kontrolle \u00fcber die Entscheidung. Das Tool unterst\u00fctzt \u2013 es ersetzt niemanden.<\/p>\n\n\n\n
Was sind die n\u00e4chsten geplanten Schritte f\u00fcr Predicting Health \u2013 technologisch und strategisch?<\/h4>\n\n\n\n Technologisch erweitern wir unser Tool um weitere Krankheitsbilder \u2013 aktuell arbeiten wir an Modulen, die wir aber aktuell noch nicht bekannt geben \u2013 auch bei uns schl\u00e4ft die Konkurrenz nicht. Strategisch liegt unser Fokus auf die Erweiterung unserer Pr\u00e4senz in unserem Heimatmarkt \u00d6sterreich sowie den Markteintritt in Deutschland: Wir wollen in 2025 mit 10\u201315 Kliniken live gehen und mit unseren Partnern skalieren. Parallel bauen wir unser Partnernetzwerk weiter aus, um unseren Kunden die Integration unserer L\u00f6sung so leicht wie m\u00f6glich zu machen.<\/p>\n\n\n\n
Wie geht ihr mit Skepsis oder Zur\u00fcckhaltung gegen\u00fcber digitalen Gesundheitsl\u00f6sungen um?<\/h4>\n\n\n\n Wir begegnen Skepsis mit Daten, Offenheit und Demut. Unsere Erfahrung zeigt: Wer sieht, wie das Tool funktioniert und welchen Nutzen es bringt, ist schnell \u00fcberzeugt.<\/p>\n\n\n\n
Wir laden Entscheider*innen ein, es selbst zu testen \u2013 in Form von POCs, wissenschaftlichen Begleitstudien oder pers\u00f6nlichen Gespr\u00e4chen. Wir verkaufen keine Vision, wir liefern Wirkung.<\/p>\n\n\n\n
Welche drei Dinge w\u00fcrdet ihr Gr\u00fcnder:innen empfehlen, die mit einer technischen L\u00f6sung in einen regulierten Markt einsteigen?<\/h4>\n\n\n\n Baue fr\u00fch ein belastbares klinisches Netzwerk auf. Vertrauen und Zugang sind in der Gesundheitsbranche alles.<\/p>\n\n\n\n
Lerne die Sprache der Zielgruppe. Kein Buzzword ersetzt ein echtes Verst\u00e4ndnis f\u00fcr klinische Abl\u00e4ufe.<\/p>\n\n\n\n
Plane viermal so viel Zeit ein, wie du denkst \u2013 aber gib nie nach bei deiner \u00dcberzeugung. Der Markt ist langsam, aber wer durchh\u00e4lt, wird mit echtem Impact belohnt.<\/p>\n\n\n\n
Bild: Predicting Health Team Bild \u00a9 Predicting Health<\/p>\n\n\n\n
Wir bedanken uns bei Jakob Pieber<\/a> f\u00fcr das Interview<\/p>\n\n\n\nAussagen des Autors und des Interviewpartners geben nicht unbedingt die Meinung der Redaktion und des Verlags wieder.<\/p>\n","protected":false},"excerpt":{"rendered":"
Predicting Health hilft Krankenh\u00e4usern dabei, Risiken wie Delir, Sturz oder Mangelern\u00e4hrung fr\u00fchzeitig zu erkennen \u2013 automatisiert, datenbasiert und ohne zus\u00e4tzlichen Aufwand f\u00fcr das Personal. Die L\u00f6sung integriert sich direkt ins Krankenhausinformationssystem und unterst\u00fctzt medizinisches Fachpersonal mit pr\u00e4zisen Prognosen in Echtzeit.<\/p>\n","protected":false},"author":9,"featured_media":113162,"comment_status":"closed","ping_status":"open","sticky":false,"template":"","format":"standard","meta":{"_acf_changed":false,"footnotes":""},"categories":[26473],"tags":[1259,4319,25739],"class_list":["post-113161","post","type-post","status-publish","format-standard","has-post-thumbnail","category-interviews","tag-krankenhaus","tag-praevention","tag-predicting-health"],"acf":[],"yoast_head":"\n
Predicting Health: KI f\u00fcr digitale Pr\u00e4vention im Krankenhaus<\/title>\n \n \n \n \n \n \n \n \n \n \n \n \n \n\t \n\t \n\t \n \n \n \n \n \n\t \n\t \n\t \n