EUVIMEDEUVIMED entdecken
Open Access · CC BY 4.0

Development of Deep Learning Models for AI-Enhanced Telemedicine in Nursing Home Care

Entwicklung von Deep-Learning-Modellen für KI-gestützte Telemedizin in der Pflegeheimversorgung

Nuria Luque-Reigal, Vanesa Cantón-Habas iD, Manuel Rich-Ruiz iD, Ginés Sabater-García, Álvaro Cosculluela-Fernández, José Luis Ávila-Jiménez iD

Journal of Clinical Medicine · 20.01.2026 · 15 (2) · 828

DOI: 10.3390/jcm15020828 ↗

Auf einen Blick

In 5.202 akuten Ereignissen in Pflegeheimen wurde Telemedizin mit einem Deep-Learning-Modell zur Klassifikation und Vorhersage von Krankenhauseinweisungen untersucht. Die Telemedizin löste etwa 90 % der Ereignisse vor Ort; das beste Modell erreichte eine AUC von 0,91.

Fragestellung

Welche Ergebnisse sind mit telemedizinisch unterstütztem Management akuter Ereignisse in Pflegeheimen verbunden, und lässt sich ein Deep-Learning-Modell zur Vorhersage von Krankenhauseinweisungen entwickeln?

Methode

Quasi-experimentelle Studie zu 5.202 akuten Ereignissen in Vitalia-Pflegeheimen (Januar bis Oktober 2024); Entwicklung und Training eines Deep-Feedforward-Neural-Networks mit stratified splits und Cross-Validation.

Ergebnisse

Telemedizin ermöglichte die Lösung von etwa 90 % der akuten Ereignisse im Wohnbereich. Das Deep-Learning-Modell erzielte mit SMOTEENN die beste Leistung: AUC 0,91, Accuracy 0,88 und F1-Score 0,63.

Schlussfolgerung der Autor:innen

Telemedizin-gestützte Akutversorgung mit einem robusten Deep-Learning-Klassifikator ist laut Autor:innen eine verlässliche Strategie, um Triage zu verbessern, unnötige Verlegungen zu reduzieren und Entscheidungen in Pflegeheimen zu optimieren.

Kernaussagen

  • Etwa 90 % der akuten Ereignisse wurden telemedizinisch vor Ort gelöst.
  • Bestes Modell mit SMOTEENN: AUC 0,91 und Accuracy 0,88.
  • Das Modell zeigte eine bessere Gesamtleistung als Basisklassifikatoren.

Deutsche Zusammenfassung: KI-gestützt aus dem Original-Abstract erstellt; alle Zahlen wurden automatisch mit dem Original abgeglichen. Maßgeblich ist der Original-Abstract.

Kurz gefasst

Fachartikel in der Zeitschrift Journal of Clinical Medicine, online erschienen am 20.01.2026. Verfasst von Nuria Luque-Reigal und 5 weiteren Autor:innen. Beteiligte Einrichtung: Department of Nursing, Pharmacology and Physiotherapy, Faculty of Medicine and Nursing, University of Cordoba, 14071 Córdoba, Spain. Die Arbeit wurde bisher 2-mal zitiert (Crossref) und nennt 57 Literaturangaben. Der Volltext ist frei zugänglich (Open Access, CC BY 4.0). Gefördert von: Junta de Andalucía, University of Córdoba, Consejería de Inclusión Social, Juventud, Familias e Igualdad of the Junta de Andalucía.

Auf einen BlickAbstractSchlagwörterBibliografische AngabenZitierenVerwandte Studien

Abstract (Originalsprache)

Background/Objectives: Acute health events in institutionalized older adults often lead to avoidable hospital referrals, requiring rapid, accurate remote decision-making. Telemedicine has become a key tool to improve assessment and care continuity in nursing homes. This study aimed to evaluate outcomes associated with telemedicine-supported management of acute events in residential care facilities for older adults and to develop a deep learning model to classify episodes and predict hospital referrals.

Methods

A quasi-experimental study analyzed 5202 acute events managed via a 24/7 telemedicine system in Vitalia nursing homes (January–October 2024). The dataset included demographics, comorbidities, vital signs, event characteristics, and outcomes. Data preprocessing involved imputation, normalization, encoding, and dimensionality reduction via Truncated SVD (200 components). Given the imbalance in referral outcomes (~10%), several resampling techniques (SMOTE, SMOTEENN, SMOTETomek) were applied. A deep feedforward neural network (256–128–64 units with Batch Normalization, LeakyReLU, Dropout, AdamW) was trained using stratified splits (70/10/20) and optimized via cross-validation.

Results

Telemedicine enabled the resolution of approximately 90% of acute events within the residential setting, reducing reliance on emergency services. The deep learning model outperformed traditional algorithms, achieving its best performance with SMOTEENN preprocessing (AUC = 0.91, accuracy = 0.88). The proposed model achieved higher overall performance than baseline classifiers, providing a more balanced precision–specificity trade-off for hospital referral prediction, with an F1-score of 0.63.

Conclusions

Telemedicine-enabled acute care, strengthened by a robust deep learning classifier, offers a reliable strategy to enhance triage accuracy, reduce unnecessary transfers, and optimize clinical decision-making in nursing homes. These findings support the integration of AI-assisted telemedicine systems into long-term care workflows.

Schlagwörter

Stichwörter der Autor:innen

acute health eventsageddeep learningnursing homestelemedicine

Autor:innen und Institutionen

  • Department of Nursing, Pharmacology and Physiotherapy, Faculty of Medicine and Nursing, University of Cordoba, 14071 Córdoba, Spain.
  • Instituto Maimónides de Investigación Biomédica de Córdoba (IMIBIC), 14004 Córdoba, Spain.
  • Hospital Universitario Reina Sofía, 14004 Córdoba, Spain.
  • CIBER on Fragility and Healthy Aging (CIBERFES), 28029 Madrid, Spain.
  • Grupo Vitalia, 50001 Zaragoza, Spain.
  • Department of Electronic and Computer Engineering, Andalusian Research Institute in Data Science and Computational Intelligence (DaSCI), University of Cordoba, 14071 Córdoba, Spain.

ORCID-Profile: Vanesa Cantón-Habas, Manuel Rich-Ruiz, José Luis Ávila-Jiménez

Förderung

  • Junta de Andalucía
  • University of Córdoba
  • Consejería de Inclusión Social, Juventud, Familias e Igualdad of the Junta de Andalucía
  • UCO-SOCIAL-INNOVA program of the University of Córdoba

Zitieren

APA

Luque-Reigal, N., Cantón-Habas, V., Rich-Ruiz, M., Sabater-García, G., Cosculluela-Fernández, Á., & Ávila-Jiménez, J. L. (2026). Development of Deep Learning Models for AI-Enhanced Telemedicine in Nursing Home Care. Journal of Clinical Medicine, 15(2), 828. https://doi.org/10.3390/jcm15020828

Vancouver

Luque-Reigal N, Cantón-Habas V, Rich-Ruiz M, Sabater-García G, Cosculluela-Fernández Á, Ávila-Jiménez JL. Development of Deep Learning Models for AI-Enhanced Telemedicine in Nursing Home Care. Journal of Clinical Medicine. 2026;15(2):828. doi:10.3390/jcm15020828

BibTeX
@article{LuqueReigal2026,
  author = {Luque-Reigal, Nuria and Cantón-Habas, Vanesa and Rich-Ruiz, Manuel and Sabater-García, Ginés and Cosculluela-Fernández, Álvaro and Ávila-Jiménez, José Luis},
  title = {Development of Deep Learning Models for AI-Enhanced Telemedicine in Nursing Home Care},
  journal = {Journal of Clinical Medicine},
  year = {2026},
  volume = {15},
  number = {2},
  pages = {828},
  doi = {10.3390/jcm15020828}
}
Kostenlos starten →