#Health Sciences

Die FH St. Pölten bündelt im Bereich der Gesundheitswissenschaften Kompetenzen aus Diätologie, Physiotherapie, Gesundheits- und Krankenpflege sowie Digital Healthcare in den Forschungsbereichen Health Promotion & Healthy Ageing, Clinical & Healthcare Research und Education & Lifelong Learning for Health Professionals.

Projekte

NextGen Nurse – Die Ausbildung zukünftiger Pflegefachkräfte durch XR-Technologie verbessern

Herausforderungen in der Pflegeausbildung mit einem modernen, digitalen und skalierbaren Extended-Reality-Ansatz begegnen.

IMPROVE

Leitlinien, um patientengenerierte Gesundheitsdaten für wertorientierte Gesundheitsversorgung zu nutzen.

MMOVE

Eine Methode, mit dem Smartphone zu prüfen, ob Rehabilitationsübungen richtig ausgeführt wurden.

SINN – Stärkung inklusiver und nachhaltiger Nachbarschaften

Förderung inklusiver und gesunder kleiner und mittelgroßer Städte durch die von der Gemeinschaft getragene Forschung und Aktivitäten.

CARING-AI

Anpassungsfähige und KI-gesteuerte Assistenzroboter für inklusive Pflege.

PROGRESS

Validierung eines kostengünstigen und auf Smartphones basierenden 3D-Gang- und Bewegungsanalysesystems zur Erfassung der Bewegungskinematik bei Kindern mit Zerebralparese.

ACCESS

Bewertung klinisch relevanter biomechanischer Biomarker im Feld zur Vorhersage der körperlichen Funktion und Gesundheit bei Patient*innen mit Kniegelenksarthrose: Eine bundesweite Citizen Science Stu...

E³UDRES² 2.0

E³UDRES² steht für “Engaged and Entrepreneurial European University as Driver for European Smart and Sustainable Regions” und ist ein neun Universitäten und Hochschulen umspannendes Hochschuln...

SIMNPACT

Virtuelle Lernumgebungen für Trainings im Gesundheitswesen.

Institut für Gesundheitswissenschaften

XR2Resilience

Ein Extended-Reality-Trainingsprogramm zur Verbesserung der Resilienz von Mitarbeiter*innen des Gesundheitswesens.

Publikationen

Höld, E., Rathmanner, T., & Heller, M. (2025). Teenage Body Image Perception, Body-shaping Behavior, and Body Composition With Respect to Use of “Fitspiration”: Exploratory Investigation Study. JMIR Formative Research, 9, e70964. https://doi.org/10.2196/70964

Slijepčević, D., Ladner, S., Judmaier, P., Zeppelzauer, M., Kranzl, A., & Horsak, B. (2025). AI applications and data annotation practices in clinical gait analysis: Initial insights from a survey of ESMAC and GAMMA members. Gait & Posture, ESMAC 2025 Abstract, 121, 229–230. https://doi.org/10.1016/j.gaitpost.2025.07.246

Krondorfer, P., Slijepčević, D., Kranzl, A., Zeppelzauer, M., & Horsak, B. (2025). Predicting joint contact forces using a combination of kinematics, anthropometrics, and demographics with explainable artificial intelligence. Gait & Posture, ESMAC 2025 Abstract, 121, 126–128. https://doi.org/10.1016/j.gaitpost.2025.07.139

Höld, E., Größbacher, S., Kramml, P., Zeppelzauer, M., Prokop, B., Heller, M., & Rathmanner, T. (2025). Fit for #fitspiration: Human-Centred Design of a Blended Learning Course for Upper Secondary Schools. Technology, Knowledge and Learning. https://doi.org/10.1007/s10758-025-09871-5

Engelmann, B., Dumphart, B., Nehrer, S., Neubauer, M., Nowak, C., Wondrasch, B., & Horsak, B. (2025). ACCESS: Markerlose Bewegungsanalyse für die alltägliche Praxis – Neue Perspektiven bei Kniearthrose? Abstractband: 18. Forschungsforum der österreichischen Fachhochschulen : 7. - 8. Mai 2025, 38–40. https://doi.org/10.34895/hcw.0027

Dindorf, C., Horst, F., Slijepcevic, D., Dumphart, B., Dully, J., Zeppelzauer, M., Horsak, B., & Fröhlich, M. (2024). Machine Learning in Biomechanics: Key Applications and Limitations in Walking, Running and Sports Movements (pp. 91–148). https://doi.org/10.1007/978-3-031-76047-1_4

Bibtex

Dindorf, C., Horst, F., Slijepčević, D., Dumphart, B., Dully, J., Zeppelzauer, M., Horsak, B., & Fröhlich, M. (2024). From lab to field with machine learning – Bridging the gap for movement analysis in real-world environments: A commentary. Current Issues in Sport Science (CISS), 9(4), 014–014. https://doi.org/10.36950/2024.4ciss014

Krondorfer, P., Slijepčević, D., Unglaube, F., Kranzl, A., Zeppelzauer, M., Kainz, H., & Horsak, B. (2024). Predicting knee contact forces in walking: A comparative study of machine learning models including a physics-informed approach. Gait & Posture, ESMAC Abstracts 2024, 113, 125–126. https://doi.org/10.1016/j.gaitpost.2024.07.140

Slijepcevic, D., Krondorfer, P., Unglaube, F., Kranzl, A., Zeppelzauer, M., & Horsak, B. (2024). Predicting ground reaction forces in overground walking from gait kinematics using machine learning. Gait & Posture, ESMAC Abstracts 2024, 113, 214–215. https://doi.org/10.1016/j.gaitpost.2024.07.231

Horst, F., Slijepcevic, D., Schöllhorn, W. I., Horsak, B., & Zeppelzauer, M. (2024). Explainable artificial intelligence for walking speed classification from vertical ground reaction forces. Gait & Posture, ESMAC Abstracts 2024, 113, 215–216. https://doi.org/10.1016/j.gaitpost.2024.07.232

News

24.03.2026