AI in rehabilitation—application of artificial mental models for personalized medicine

TL;DR

This paper explores using AI to improve personalized rehabilitation by predicting patients' mental models and adapting therapies accordingly.

Contribution

The novel approach introduces artificial mental models to enhance decision-making and personalization in rehabilitation.

Findings

AI models can predict patients' mental models and improve therapy personalization.

Initial results show that these models help address communication barriers and cognitive limitations in rehabilitation.

The FedWell project demonstrates the feasibility of using AI to support individualized rehabilitation processes.

Abstract

Künstliche Intelligenz (KI) kann in der Prävention und Rehabilitation eine patient*innenzentrierte Versorgung unterstützen. In Deutschland wurden 2023 fast 1,9 Mio. Patient*innen in Rehaeinrichtungen behandelt, viele aufgrund von Erkrankungen des Muskel-Skelett-Systems. Der Erfolg einer Reha hängt von der Zusammenarbeit zwischen Patient*in, Arzt oder Ärztin und Therapeut*in sowie der aktiven Mitarbeit ab. Kognitive Einschränkungen, Sprachbarrieren und psychische Faktoren erschweren jedoch die Entscheidungsfindung und Kommunikation vieler Patient*innen. Dies führt zu unvollständigen oder verzerrten Daten und beeinträchtigt eine individualisierte Therapie. Ein Lösungsansatz besteht im Einsatz künstlicher mentaler Modelle (KMM), die unbekannte mentale Modelle von Patient*innen antizipieren. Diese Konzepte basieren auf kognitionswissenschaftlichen Theorien und World Models aus der KI. KMM können Therapieentscheidungen optimieren, Fehleinschätzungen korrigieren und so den Rehaerfolg steigern. Beispielsweise in der Knierehabilitation kann ein KI-Agent ermitteln, wie Patient*innen ihre Genesung wahrnehmen, und individuelle Anpassungen ermöglichen. Das BMFTR-Projekt „FedWell“ erforscht den Einsatz von KMM in der Rehabilitation. Ein diskriminierungsfreies Basismodell wurde mithilfe von Daten aus Online-Foren, Nutzer*innenstudien und maschinellen Lernmodellen entwickelt. Erste Ergebnisse zeigen, dass KI-gestützte Modelle individuelle Annahmen und Erwartungen von Patient*innen im Rehaprozess vorhersagen und personalisierte Therapien ermöglichen können. Dieser Beitrag stellt das Forschungsdesign des Projekts vor und berichtet erste Ergebnisse der initialen Erhebungsphase.

Figures