Table of Contents

Big Data Analytics in der modernen Kardiologie verstehen

Big Data Analytics hat sich als transformative Kraft im Gesundheitswesen herausgebildet, insbesondere in der Kardiologie. Die Fähigkeit, enorme Mengen an strukturierten und unstrukturierten Daten aus verschiedenen Quellen zu verarbeiten und zu interpretieren, bietet eine beispiellose Gelegenheit, die Patientenergebnisse zu verbessern, Kosten zu senken und die Leistung von implantierten Herzgeräten wie Herzschrittmachern, implantierbaren Kardioverter-Defibrillatoren (ICDs) und Herzresynchronisationstherapiegeräten zu verbessern. Durch die Nutzung fortschrittlicher Analysetechniken können Kliniker nun gerätebezogene Komplikationen vorhersagen, bevor sie klinisch sichtbar werden, die Therapie auf der Grundlage individueller Patientenprofile personalisieren und die kontinuierliche Verbesserung des Gerätedesigns und der Sicherheit vorantreiben.

Die schiere Skala der Daten, die von modernen Gesundheitssystemen erzeugt werden, ist atemberaubend. Ein einzelnes Herzgerät kann Tausende von Datenpunkten pro Tag produzieren, einschließlich Herzfrequenzvariabilität, Arrhythmie-Episoden, Bleiimpedanz, Batteriestatus und Patientenaktivität. In Kombination mit elektronischen Gesundheitsakten, Genomdaten, Bildgebungsstudien und Lebensstilfaktoren erzeugen diese Informationen einen reichen Datensatz, der, wenn er richtig analysiert wird, Muster aufdeckt, die zuvor von Klinikern verborgen waren. Dieser Artikel untersucht die Rolle von Big Data Analytics bei der Vorhersage von Herzgerätergebnissen, detailliert die Datenquellen, analytischen Methoden, Herausforderungen und zukünftige Richtungen, die dieses sich schnell entwickelnde Feld definieren.

Die Evolution von Herz-Geräten und Datenanalyse

Die Geschichte der Herzgeräte reicht bis in die 1950er Jahre zurück, mit der Entwicklung der ersten externen Herzschrittmacher und später des implantierbaren Herzschrittmachers in den 1960er Jahren. In den folgenden Jahrzehnten wurden Geräte kleiner, zuverlässiger und zunehmend ausgefeilter in ihren Diagnosefähigkeiten. Frühe Geräte lieferten begrenzte Daten - im Wesentlichen einfache Batteriestatus und grundlegende Rhythmuserkennung - aber moderne Geräte sind im Wesentlichen tragbare Computer, die die Herzfunktion kontinuierlich überwachen und drahtlos mit Gesundheitssystemen kommunizieren.

Diese Datenexplosion schuf sowohl eine Chance als auch eine Herausforderung. Kliniker ertranken in Warnmeldungen und Rohdatenströmen, aber es fehlten effektive Werkzeuge, um diese Informationen in umsetzbare Erkenntnisse umzuwandeln. Die Reifung der Big-Data-Analyse, angetrieben durch Fortschritte im maschinellen Lernen, Cloud-Computing und Datenstandardisierung, hat das fehlende Bindeglied geliefert. Heute können Analyseplattformen Daten von Tausenden von Geräten aggregieren, prädiktive Modelle anwenden und Risikowerte generieren, die Klinikern helfen, die Versorgung der Patienten zu priorisieren, die am ehesten unerwünschte Ereignisse erleben.

Der Wechsel von reaktiver zu prädiktiver Kardiologie stellt eine grundlegende Veränderung in der klinischen Praxis dar. Anstatt darauf zu warten, dass ein Patient ein ausgefallenes Gerät oder eine lebensbedrohliche Arrhythmie vorlegt, können Kliniker nun frühzeitig eingreifen - indem sie die Geräteeinstellungen anpassen, Medikamente optimieren oder präventive Verfahren planen - basierend auf datengesteuerten Vorhersagen. Dieser proaktive Ansatz hat gezeigt, dass er Krankenhausaufenthalte reduziert, die Lebensqualität verbessert und die Langlebigkeit des Geräts verlängert.

Wichtige Datenquellen für die Prognose des kardiovaskulären Geräteergebnisses

Die genaue Vorhersage der Ergebnisse von Herzgeräten hängt von der Qualität, der Diversität und der Vollständigkeit der Eingabedaten ab.

Elektronische Gesundheitsdaten

EHRs enthalten die longitudinale Anamnese von Patienten, einschließlich Diagnosen, Medikamente, Laborergebnisse und klinische Notizen. Sie liefern Kontextinformationen, die bei der Interpretation von Gerätedaten helfen. Zum Beispiel kann ein Patient mit einer Vorgeschichte von Nierenversagen oder Elektrolytanomalien ein höheres Risiko für gerätebezogene Komplikationen haben. Die Standardisierung von EHR-Daten in allen Institutionen bleibt eine Herausforderung, aber Initiativen wie FLT: 0 FHIR (Fast Healthcare Interoperability Resources) verbessern den Datenaustausch und die Integration.

Gerätesensor und Telemetriedaten

Moderne Herzgeräte erzeugen kontinuierliche Telemetrieströme, die Parameter wie Taktschwellen, Bleiimpedanz, Batteriespannung, Arrhythmieepisoden (Vorhofflimmern, ventrikuläre Tachykardie usw.), Herzfrequenzvariabilität und Patientenaktivitätsniveaus enthalten. Diese Datenpunkte werden hochfrequent aufgezeichnet und im Speicher des Geräts gespeichert. In Kombination mit Fernüberwachungsplattformen liefern sie ein nahezu Echtzeitbild der Gerätefunktion und des Patientenstatus. Daten von Medtronic CareLink und ähnliche Systeme werden bereits in groß angelegten Analyseinitiativen verwendet.

Genetische und genomische Informationen

Genetische Faktoren beeinflussen sowohl die zugrunde liegenden Herzerkrankungen (z. B. Kardiomyopathien, Kanalopathien) als auch die Reaktion des Patienten auf die Gerätetherapie. Beispielsweise sind bestimmte genetische Varianten mit einem erhöhten Risiko für Bleiverdrängung oder Infektion verbunden. Die Integration genomischer Daten in prädiktive Modelle kann die Risikoschichtung verbessern und eine personalisierte Geräteprogrammierung ermöglichen. Der Bereich der Pharmakogenomik informiert auch über die Medikamentenauswahl, die die Leistung des Geräts beeinflusst, wie z. B. Antiarrhythmika, die die Geschwindigkeitsschwellen verändern.

Imaging und Diagnoseberichte

Echokardiographie, Herz-MRT, CT-Angiographie und Kernbildgebung liefern strukturelle und funktionelle Informationen, die für die Geräteergebnisse von großer Bedeutung sind. Linksventrikuläre Ejektionsfraktion, Narbenbelastung und Koronaranatomie beeinflussen die Geräteleistung und das Risiko von Komplikationen. Fortgeschrittene Bildanalyse mit KI kann quantitative Merkmale aus Bildgebungsstudien extrahieren, die dann in prädiktive Modelle eingespeist werden.

Patientenlebensstil und Demografie

Alter, Geschlecht, Body-Mass-Index, Rauchstatus, körperliche Aktivität, sozioökonomischer Status und Komorbiditäten (Diabetes, Nierenerkrankungen, Lungenerkrankungen) sind alle mit den Ergebnissen des Geräts verbunden. Beispielsweise haben fettleibige Patienten höhere Infektionsraten und Bleiversagen, während Diabetiker die Wundheilung verändert haben können. Big Data Analytics kann diese Faktoren berücksichtigen, um Vorhersagen zu verfeinern.

Analytische Techniken zur Steuerung der Vorhersage von Herzgeräten

Die Umwandlung von Rohdaten in umsetzbare Vorhersagen erfordert ein ausgeklügeltes analytisches Toolkit.

Machine Learning Algorithmen

Machine Learning (ML) umfasst eine breite Palette von Algorithmen, die komplexe, nichtlineare Beziehungen in Daten identifizieren können. Für Herzgeräteergebnisse werden Modelle wie zufällige Wälder, Gradientenverstärkungsmaschinen (z. B. XGBoost, LightGBM) und neuronale Netzwerke häufig verwendet. ML-Algorithmen können hochdimensionale Daten verarbeiten - Tausende von Variablen pro Patient - und lernen, welche Kombinationen von Merkmalen am meisten prädiktiv für Ereignisse wie Geräteausfall, Infektion oder Arrhythmierezidiv sind. Deep Learning, eine Untermenge von ML unter Verwendung von mehrschichtigen neuronalen Netzwerken, ist besonders effektiv für die Analyse von Zeitreihendaten von Gerätesensoren und für die Verarbeitung unstrukturierter Daten wie klinische Notizen und Bilder.

Predictive Modeling

Traditionelle statistische Modelle (z. B. logistische Regression, Cox-proportionale Gefahren) sind nach wie vor wertvoll, insbesondere wenn die Interpretierbarkeit an erster Stelle steht. Diese Modelle können den Beitrag jedes Risikofaktors quantifizieren und eine Wahrscheinlichkeit für ein Ergebnis innerhalb eines bestimmten Zeitrahmens erzeugen. Hybridansätze, die statistische Modelle mit ML-Merkmalen kombinieren, gewinnen an Zugkraft, da sie sowohl Genauigkeit als auch klinische Interpretierbarkeit bieten.

Data Mining und Pattern Recognition

Data-Mining-Techniken decken bisher unbekannte Assoziationen und Muster in großen Datensätzen auf. Beispielsweise können Clustering-Algorithmen Untergruppen von Patienten mit ähnlichen Geräteleistungskurven identifizieren, während das Assoziationsregellernen zeigen kann, dass eine bestimmte Kombination von Sensormessungen oft einer Bleifraktur vorausgeht. Diese Erkenntnisse können zu neuen Hypothesen für prospektive Studien führen und das Gerätedesign verbessern.

Verarbeitung natürlicher Sprache

Unstrukturierte klinische Notizen enthalten wertvolle Informationen, die in strukturierten Feldern nicht erfasst werden. Natural Language Processing (NLP) kann Hinweise auf Symptome, unerwünschte Ereignisse, Geräteanpassungen und Patientenberichte aus Notizen und radiologischen Berichten extrahieren. In Kombination mit strukturierten Daten verbessern NLP-abgeleitete Variablen oft die prädiktive Leistung.

Überlebensanalyse und Time-to-Event-Modellierung

Da Geräteergebnisse wie Batteriemangel oder Bleiausfall zeitabhängig sind, sind Überlebensanalysetechniken (Kaplan-Meier-Schätzungen, Cox-Regression, parametrische Überlebensmodelle) unerlässlich. Machine Learning-Erweiterungen, wie etwa zufällige Überlebenswälder, können zeitvariable Kovariate und zensierte Daten besser verarbeiten als herkömmliche Methoden.

Real-World-Anwendungen und Fallstudien

Das theoretische Versprechen der Big Data Analytics in der Kardiologie wird nun in mehreren hochwirksamen Anwendungen realisiert. Hier sind die wichtigsten Bereiche, in denen Predictive Analytics bereits einen Unterschied macht:

Vorhersage von Lead Failure und Device Malfunction

Bleiversagen (Fraktur, Dislodgement, Isolationsbruch) ist eine ernsthafte Komplikation, die zu unangemessenen Schocks, Verlust des Takts oder sogar zum Tod führen kann. Durch die Analyse von Echtzeit-Blei-Impedanztrends und elektrischem Rauschen auf der Leitung können Algorithmen Leads mit erhöhtem Ausfallrisiko Wochen oder Monate im Voraus markieren. Die Predict Study zeigte, dass Machine-Learning-Modelle drohende Bleibrüche mit hoher Empfindlichkeit und einer niedrigen Fehlalarmrate identifizieren könnten, so dass Kliniker Leads wahlfrei ersetzen können, bevor ein katastrophaler Ausfall eintritt.

Antizipieren von infektiösen Komplikationen

Eine Reihe von Modellen, die Patientendemografien, Komorbiditäten, operative Variablen (Prozedurdauer, Gerätetyp) und postoperative Biomarker-Trends integrieren, können Hochrisikopatienten identifizieren. Frühe Interventionen (z. B. enge Überwachung, prophylaktische Antibiotika) können die Infektionsraten senken. Einige Gesundheitssysteme haben Risikorechner implementiert, die in EHR-Workflows eingebettet sind, was Ärzte dazu veranlasst, vorbeugende Maßnahmen für Patienten zu ergreifen, die als Hochrisiko gekennzeichnet sind.

Optimieren der Geräteprogrammierung für individuelle Patienten

Die Geräteprogrammierung – einschließlich des Taktmodus, der Geschwindigkeitsreaktionseinstellungen und der Schwellenwerte für die Tachyarrhythmieerkennung – wird oft auf der Grundlage von Standardwerten auf Populationsebene festgelegt. Big Data Analytics kann die Ergebnisse von Tausenden ähnlicher Patienten analysieren, um die optimalen Programmierparameter für eine bestimmte Person zu identifizieren. Beispielsweise können maschinelle Lernmodelle vorhersagen, welche Patienten von Algorithmen profitieren, die die rechtventrikuläre Stimulation minimieren und das Risiko einer pulsbedingten Kardiomyopathie und Vorhofflimmern reduzieren.

Vorhersage von Arrhythmie-Rezidiven und geeigneten Schocks

Für Patienten mit ICDs bleibt die Vorhersage, wann und warum eine lebensbedrohliche Arrhythmie auftreten wird, ein heiliger Gral. Durch die Analyse der Herzfrequenzvariabilität, der T-Wellen-Alternane und des autonomen Tons von Gerätesensoren können Modelle eine dynamische Risikoabschätzung liefern, die sich im Laufe der Zeit ändert. Dies ermöglicht es Klinikern, Medikamente oder Geräteeinstellungen proaktiv anzupassen. In einer groß angelegten Studie mit Daten aus der Madrid Remote Monitoring Study erreichten maschinelle Lernalgorithmen einen Bereich unter der Kurve (AUC) von > 0,8 für die Vorhersage geeigneter ICD-Schocks innerhalb von 30 Tagen, weit über traditionelle Risikowerte hinaus.

Unangemessene Schocks reduzieren

Unangemessene ICD-Schocks sind schmerzhaft, psychologisch schädlich und erhöhen die Sterblichkeit. Viele werden durch supraventrikuläre Tachykardien (z. B. Vorhofflimmern) oder T-Wellen-Überempfindlichkeit ausgelöst. Analysen, die sowohl Gerätedaten (Rate, Beginn, Stabilität, Elektrogrammmorphologie) als auch die Anamnese (Vorhofflimmerbelastung, Elektrolytspiegel) nutzen, können die Unterscheidung zwischen gefährlichen ventrikulären Arrhythmien und gutartigen Rhythmen verbessern und dadurch unnötige Schocks reduzieren.

Herausforderungen bei der Implementierung von Big Data Analytics für Herzgeräte

Trotz der klaren Vorteile müssen mehrere bedeutende Barrieren überwunden werden, damit Big Data Analytics sein volles Potenzial in der klinischen Praxis erreichen kann.

Datenschutz und Sicherheit

Herz-Geräte-Daten sind hochsensibel und durch Vorschriften wie HIPAA in den USA und DSGVO in Europa geschützt. Die institutsübergreifende Datenaggregation für Modellschulungen wirft Bedenken hinsichtlich der Re-Identifizierung und Datenschutzverletzungen auf. Techniken wie Verbundlernen – bei dem Modelle lokal trainiert und nur de-identifizierte Modellparameter geteilt werden – bieten eine vielversprechende Lösung. Darüber hinaus sind robuste Verschlüsselungs-, Zugriffskontrollen und Patienteneinwilligungsprozesse unerlässlich.

Datenstandardisierung und Interoperabilität

Gerätehersteller, EHR-Anbieter und Imaging-Plattformen verwenden jeweils proprietäre Datenformate und Terminologien. Ein Schrittmacher von Medtronic kann "ventrikuläre Bleiimpedanz" melden, während ein Konkurrent "rechtventrikulären Leadwiderstand verwendet." Ohne standardisierte Datenmodelle und Ontologien ist die Integration von Daten aus mehreren Quellen zeitaufwendig und fehleranfällig. Bemühungen wie die Cardiac Devices Domain Task Force und die Einführung von FHIR machen Fortschritte, aber eine weit verbreitete Einführung bleibt noch Jahre entfernt.

Datenqualität und fehlende Daten

Die Daten aus der realen Welt sind chaotisch: Werte können fehlen, in inkonsistenten Intervallen aufgezeichnet oder durch Sensorartefakte beschädigt werden. Prädiktive Modelle sind empfindlich auf fehlende Daten; Imputationsmethoden, die Annahmen einführen, können Verzerrungen ergeben. Darüber hinaus können Daten für bestimmte Patientenuntergruppen (z. B. solche, die nicht an die Fernüberwachung gebunden sind) systematisch fehlen, was zu Modellen führt, die bei diesen Populationen schlecht abschneiden.

Regulatorische und Validierungs-Hürden

Damit ein Algorithmus in der klinischen Versorgung eingesetzt werden kann, muss er einer strengen Validierung unterzogen werden und erhält oft die FDA-Zulassung als Medizinprodukt. Dieser Prozess ist teuer und zeitaufwendig. Viele in der Literatur veröffentlichte prädiktive Modelle wurden an historischen Datensätzen entwickelt und getestet, wurden jedoch in einem klinischen Umfeld nicht prospektiv validiert. Die Lücke zwischen Forschung und Einsatz bleibt groß und der regulatorische Rahmen für adaptive Algorithmen - diejenigen, die kontinuierlich aus neuen Daten lernen - entwickelt sich immer noch.

Kliniker Adoption und Workflow Integration

Selbst das genaueste Vorhersagemodell ist nutzlos, wenn Ärzte nicht auf seine Ergebnisse vertrauen oder darauf reagieren. Überalarmierung ist ein häufiges Problem; wenn ein Algorithmus zu viele Fehlalarme erzeugt, werden Kliniker es ignorieren. Vorhersagen in einer benutzerfreundlichen Oberfläche zu präsentieren, die sich nahtlos in die EHR integriert, ist entscheidend. Predictive Outputs müssen interpretierbar sein - Kliniker müssen verstehen, warum ein Patient als hochriskant eingestuft wurde, um sich wohl zu fühlen, Entscheidungen auf der Grundlage dieser Informationen zu treffen. Bildung und Change Management sind auch notwendig, um von reaktiven zu präventiven Versorgungsmodellen zu wechseln.

Ethische Überlegungen und Gerechtigkeit

Big Data Analytics führt ethische Fragen ein, die angegangen werden müssen, um faire und gerechte Patientenergebnisse zu gewährleisten. Prädiktive Modelle, die auf historischen Daten trainiert wurden, können bestehende Vorurteile in der Gesundheitsversorgung kodieren. Wenn ein Datensatz beispielsweise überwiegend weiße männliche Patienten enthält, kann das Modell bei Frauen, ethnischen Minderheiten oder Patienten mit spezifischen Komorbiditäten schlecht abschneiden. Dies könnte die Unterschiede bei den Produktergebnissen verschärfen. Entwickler müssen sicherstellen, dass die Trainingsdaten vielfältig sind und dass Modelle in demografischen Untergruppen validiert werden.

Ein weiteres ethisches Anliegen ist die Verwendung von Patientendaten ohne ausdrückliche Zustimmung für Sekundäranalysen, insbesondere wenn Daten über Institutionen hinweg ausgetauscht werden. Transparente Governance-Rahmenbedingungen und Patientenbindung sind unerlässlich, um Vertrauen aufzubauen. Schließlich stellt sich die Frage der Haftung: Wenn ein prädiktiver Algorithmus einen Arzt nicht auf einen bevorstehenden Geräteausfall aufmerksam macht, wer ist verantwortlich - der Algorithmusentwickler, das Krankenhaus oder der Kliniker? Klare regulatorische Leitlinien und Rechtsprechung werden erforderlich sein, um diese Fragen zu lösen.

Der Bereich der Herzgeräteanalytik schreitet rasant voran, angetrieben von technologischen Innovationen und der wachsenden klinischen Nachfrage.

Fernüberwachung und kontinuierliche Risikobewertung

In vielen Zentren bereits weit verbreitet, wird Fernüberwachung zum Standardstandard der Versorgung werden. Analysen werden von retrospektiven oder periodischen Analysen zu kontinuierlicher Echtzeit-Risikobewertung übergehen. Machine Learning-Modelle verarbeiten Streaming-Telemetriedaten und aktualisieren die Risikowerte alle paar Minuten, wodurch Pflegeteams alarmiert werden, wenn sich die Flugbahn eines Patienten ändert. Dies ermöglicht frühere Eingriffe und verhindert möglicherweise unerwünschte Ereignisse, bevor sie auftreten.

Integration mit Wearable Consumer Devices

Tragbare Geräte (Smartwatches, Fitnessbänder, Patches) bieten zusätzliche Datenströme wie tägliche Schrittzahl, Schlafmuster, Herzfrequenzvariabilität durch Photoplethysmographie (PPG) und sogar Vorhofflimmererkennung über Einzel-Leitungs-EKGs. In Kombination mit implantierten Gerätedaten können diese Sensoren für den Verbraucher eine ganzheitlichere Sicht auf die Gesundheit des Patienten bieten. Die Gewährleistung der Datengenauigkeit und die Wahrung der Privatsphäre werden jedoch ständige Herausforderungen sein.

Personalisierte digitale Zwillinge

Das Konzept eines "digitalen Zwillings" - eine virtuelle Nachbildung des Herz-Kreislauf-Systems und -Geräts eines Patienten - entwickelt sich zu einem leistungsstarken Werkzeug. Mithilfe von Big Data-Analysen und Computermodellen kann ein digitaler Zwilling simulieren, wie ein einzelner Patient auf verschiedene Geräteeinstellungen, Medikamente oder Übungsschemata reagiert. Kliniker können dann Interventionen in silico testen, bevor sie sie auf den Patienten anwenden, wodurch die Ergebnisse optimiert und das Risiko minimiert werden.

Generative KI und synthetische Daten

Generative Modelle (z. B. generative gegnerische Netzwerke, variable Autoencoder) können synthetische Patientendaten erzeugen, die die statistischen Eigenschaften realer Daten erhalten, ohne sensible Informationen offenzulegen. Diese synthetischen Daten können verwendet werden, um kleine Datensätze zu erweitern, Modelle unter Wahrung der Privatsphäre zu trainieren und die Robustheit von Algorithmen zu testen. Es kann auch die Entwicklung von Modellen für seltene Bedingungen ermöglichen, in denen reale Daten knapp sind.

Grundlagenmodelle und große Sprachmodelle

Große Sprachmodelle (z. B. GPT-4, Med-PaLM 2) haben bemerkenswerte Fähigkeiten gezeigt, um über medizinische Daten nachzudenken und Zusammenfassungen natürlicher Sprache zu generieren. Wenn sie auf Herzgerätedaten abgestimmt werden, könnten diese Modelle Klinikern helfen, indem sie automatisch Fernüberwachungsalarme interpretieren, Patientennotizen erstellen und evidenzbasierte Empfehlungen liefern. Die Gewährleistung der Zuverlässigkeit und die Vermeidung von Halluzinationen in klinischen Szenarien mit hohem Einsatz bleibt jedoch ein aktives Forschungsgebiet.

Schlussfolgerung

Big Data Analytics verändert grundlegend, wie Kardiologen und Gesundheitssysteme die Ergebnisse von Patienten mit implantierten Herzgeräten vorhersagen und verwalten. Durch die Nutzung der Fülle von Daten, die von Geräten, elektronischen Gesundheitsakten, Genomik und Bildgebung generiert werden, können prädiktive Modelle Risiken frühzeitig erkennen, die Therapie personalisieren und sowohl klinische als auch patientenberichtete Ergebnisse verbessern. Während erhebliche Herausforderungen bestehen bleiben - Datenschutz, Standardisierung, behördliche Genehmigung und gerechte Bereitstellung - ist der Weg klar. Da Rechenwerkzeuge leistungsfähiger werden und Gesundheitsdaten stärker integriert werden Daten werden zu einem wesentlichen Bestandteil des Herzgerätemanagements, Big Data Analytics wird eine wesentliche Komponente des Managements von Herzgeräten, die einen Wechsel von der reaktiven Versorgung zu einem wirklich prädiktiven, präventiven Paradigma ermöglichen.

Der Weg nach vorne erfordert die Zusammenarbeit zwischen Klinikern, Datenwissenschaftlern, Geräteherstellern, Aufsichtsbehörden und Patienten selbst. Offene Datenstandards, transparente Validierung und ein Engagement für Gerechtigkeit werden sicherstellen, dass die Vorteile der Analytik breit realisiert werden. Für Patienten, die mit Herzgeräten leben, ist das Versprechen von Big Data nicht abstrakt - es bedeutet weniger Komplikationen, bessere Lebensqualität und mehr Zeit, die zu Hause mit Angehörigen verbracht werden. Die volle Verwirklichung dieser Vision ist in Reichweite, und die Arbeit, die heute stattfindet, wird den Standard der Pflege für die kommenden Jahrzehnte definieren.