---
title: "KI in der Krankenhausabrechnung"
language: "de"
type: "post"
original_url: "https://www.atlas-digitale-gesundheitswirtschaft.de/blog/2020/11/25/ki-in-der-krankenhausabrechnung/"
human_version: "../../../../../1/blog/2020/11/25/ki-in-der-krankenhausabrechnung/"
date: "2020-11-25"
section: "Review-Artikel"
categories: ["Digitalisierung von Prozessen", "KI", "Krankenhaus", "Machine Learning", "Regulatorik"]
author: "Jonathan Koß"
reading_time: "8 Min."
description: "Wie kann eine KI-gestützte Kodierung zu einer Erlössteigerung der Krankenhäuser beitragen?"
publisher: "Lehrstuhl für Management und Innovation im Gesundheitswesen, Universität Witten/Herdecke"
---

# KI in der Krankenhausabrechnung

*25.11.2020 · Review-Artikel · Von Jonathan Koß*

Review-Artikel

Spätestens seit der Reform der Krankenhausfinanzierung 2004, die eine Vergütung durch Fallpauschalen festsetzte, stehen stationäre Einrichtungen unter einem zunehmenden Kostendruck. Diese sogenannten Diagnose Related Groups (DRG) legen einen fixen Erstattungspreis für eine bestimmte Behandlung und zugehörige medizinische Maßnahmen (Prozeduren) fest. Der festgelegte Erstattungspreis basiert auf Durchschnittskalkulationen ausgewählter Krankenhäuser (1). Dies bedeutet, dass Krankenhäuser, die überdurchschnittlich viele Ressourcen für einen Behandlungsfall benötigen, einen Verlust erleiden, weil dieser Mehraufwand nicht vollständig vergütet wird. Die bestehende Fehleranfälligkeit des menschlichen Personals im DRG Kodierprozess impliziert vermeidbare Verluste (2). Wie kann eine KI-gestützte Kodierung zu einer Erlössteigerung der Krankenhäuser beitragen?

### **Krankenhausabrechnungsprüfung führt zur Erlösminderung**

Krankenhäuser übermitteln Krankenkassen eine Abrechnung ihrer erbrachten Leistungen, die als Basis für eine standardisierte Kostenerstattung dient (1). Die Kostenträger können Abrechnungen von Krankenhäusern im Zweifelsfall durch den medizinischen Dienst der Krankenversicherungen (MDK) prüfen lassen, um potentiell unangemessene Kodierung aufgrund medizinisch nicht gerechtfertigter Leistungen zu verhindern. Die Anzahl der Prüfungen nimmt kontinuierlich zu und lag 2018 bei ca. 2,8 Millionen Krankenhausabrechnungsprüfungen. Bei ca. jedem zweiten Fall wurde eine Kürzung der Abrechnung empfohlen. In der Folge wurden von den Krankenkassen rund 3 Milliarden Euro aufgrund fehlerhafter Abrechnungen von Krankenhäusern zurückgefordert (2).

### **Kodierung im Krankenhaus**

Theoretisch erhält ein Krankenhaus für jede erbrachte Leistung, die in einer Fallpauschale (DRG) repräsentiert wird, einen Erlös. Basierend auf der Dokumentation eines Behandlungsfalls wird die DRG bestimmt, die sich u.a. aus einer Kombination von Hauptdiagnose, Nebendiagnose(n) und Prozeduren zusammensetzt (1). Aufgrund der steigenden Patienten- und Aktenanzahl je Mitarbeiter im Krankenhaus, ist die manuelle Zuweisung der Kodierung ressourcenintensiv, zeitaufwendig und fehleranfällig (3, 4). Exemplarisch wurden im Jahr 2009 12 Prozent aller Krankenhausfälle (etwa zwei Millionen Fälle) geprüft. Etwa 40 Prozent der geprüften Fälle enthielten Kodierungsfehler oder Fälle von Up Coding (ungerechtfertigte Durchführung übermäßiger Behandlungen oder Prozeduren zur Erlössteigerung)(5). Folglich kommt es, insbesondere durch Kodierungsfehler, zu vermeidbaren Verlusten (3, 4).

### **KI für effiziente Kodierung**

Um eine optimale Kodierung erbrachter Leistungen zu erreichen, könnte Natural Language Processing (NLP) in Kombination mit einem Algorithmus zur Klassifikation genutzt werden. NLP ermöglicht die Analyse von unstrukturierten Daten, beispielsweise Freitextfeldern in elektronischen Patientenakten. Die Freitexte sind eine wichtige Informationsgrundlage zur Kodierung von Behandlungen, für Mensch sowie Algorithmus (6-8).

Für eine automatisierte Kodierung mittels NLP wird zunächst ein Pre-Processing zur „Säuberung“ der Daten durchgeführt. Im Grunde werden die Freitexte in einzelne Bestandteile zerlegt, indem Sätze und Wörter getrennt sowie Wörter, die für die maschinelle Verarbeitung irrelevant sind, entfernt werden (6, 8, 9). Die hieraus resultierenden Schlüsselwörter werden genutzt, um beispielsweise einen Support Vector Machine Algorithmus zur Klassifikation zu trainieren. In dem Trainingsdatensatz werden die identifizierten Keywords mit bestimmten Outcomes verknüpft, beispielsweise ICD und OPS Codes, sodass eine Klassifizierung in Abhängigkeit der Freitextfelder einer Patientenakte vollzogen werden kann (10).

### **Digitale Infrastruktur notwendig**

Die Praktikabilität und Ergebnisqualität dieser Methode ist abhängig von der konkreten Umsetzung und Expertise der Entwickler. Erste Studien zeigen jedoch, dass eine Klassifizierung gemessen an einer Präzision von 0.68 – 0.95 vielversprechend ist. Die Umsetzung in der Praxis setzt jedoch eine digitale Patientenakte und verlässliche Schnittstellen voraus (10).

### **Digitale Services könnten Wettbewerbsvorteile ermöglichen**

Aus Sicht der Krankenhäuser ist keine eigene Entwicklung entsprechender Systeme zu empfehlen. Die Entwicklung eines solchen Systems erfordert hochspezialisiertes Personal und umfangreiche, zeitliche Ressourcen. Vielmehr sollten Krankenhäuser Software-as-a-Service Produkte nutzen, um Entwicklungs- und umfangreiche Implementierungskosten einzusparen. Ein solches Produkt bietet die Möglichkeit, die Effizienz des Kodierprozesses zu erhöhen: Einerseits indem eine optimale Kodierung der erbrachten Leistungen durch die KI durchgeführt wird und so die Erlöse gesteigert werden könnten. Andererseits könnte auch der personelle Ressourceneinsatz reduziert werden. Im Gegensatz zum medizinischen Berufsfeld ist hier annehmbar, dass das Personal durch die künstliche Intelligenz zumindest teilweise ersetzt werden könnte. Prüfungen durch menschliches Personal müssten nur unter Umständen, beispielsweise falls der Algorithmus kein eindeutiges Ergebnis berechnet, durchgeführt werden.

<a id="expandable-block--6aac4b9097ffb"></a>

Quellen

1. Deutsche Krankenhausgesellschaft D. Allgemeine und Spezielle Kodierrichtlinien für die Verschlüsselung von Krankheiten und Prozedure 2019 [zum Original](https://www.dkgev.de/fileadmin/default/Deutsche_Kodierrichtlinien_Version_2020.pdf).
2. MDK. Faktenblatt – Leistungen der MDK für die gesetzliche Krankenversicherung (GKV) 2014-2018 2019 [zum Original](https://www.mdk.de/fileadmin/MDK-zentraler-Ordner/Downloads/18_Meldungen/19-04-11_PK_Leistungsbilanz/4_Faktenblatt.pdf).
3. Thun S, Dewenter H. [ICD-11, ICHI and SNOMED CT-What do the standards mean for eHealth applications?]. Bundesgesundheitsblatt Gesundheitsforschung Gesundheitsschutz. 2018;61(7):812-20 [zum Original](http://DOI.org/10.1007/s00103-018-2759-2)
4. Alonso V, Santos JV, Pinto M, Ferreira J, Lema I, Lopes F, et al. Problems and Barriers during the Process of Clinical Coding: a Focus Group Study of Coders‘ Perceptions. J Med Syst. 2020;44(3):62 [zum Original](http://DOI.org/10.1007/s10916-020-1532-x)
5. Busse R, Geissler A, Aaviksoo A, Cots F, Hakkinen U, Kobel C, et al. Diagnosis related groups in Europe: moving towards transparency, efficiency, and quality in hospitals? BMJ. 2013;346:f3197 [zum Original](http://DOI.org/10.1136/bmj.f3197)
6. Iqbal E, Mallah R, Rhodes D, Wu H, Romero A, Chang N, et al. ADEPt, a semantically-enriched pipeline for extracting adverse drug events from free-text electronic health records. PLoS One. 2017;12(11):e0187121 [zum Original](http://DOI.org/10.1371/journal.pone.0187121)
7. Zeng Z, Deng Y, Li X, Naumann T, Luo Y. Natural Language Processing for EHR-Based Computational Phenotyping. IEEE/ACM Trans Comput Biol Bioinform. 2019;16(1):139-53 [zum Original](http://DOI.org/10.1109/tcbb.2018.2849968)
8. Dublin S, Baldwin E, Walker RL, Christensen LM, Haug PJ, Jackson ML, et al. Natural Language Processing to identify pneumonia from radiology reports. Pharmacoepidemiol Drug Saf. 2013;22(8):834-41 [zum Original](http://DOI.org/10.1002/pds.3418)
9. Shimazawa R, Kano Y, Ikeda M. Natural language processing-based assessment of consistency in summaries of product characteristics of generic antimicrobials. Pharmacol Res Perspect. 2018;6(6):e00435 [zum Original](http://DOI.org/10.1002/prp2.435)
10. Amarouche IA, Ahmed Zaid D, Kenaza T. Implementation of a Medical Coding Support System by Combining Approaches: NLP and Machine Learning. Heterogeneous Data Management, Polystores, and Analytics for Healthcare. Lecture Notes in Computer Science2019. p. 133-47. [zum Original](https://link.springer.com/chapter/10.1007/978-3-030-14177-6_11)





#### Verwandte Artikel

- [Praxen ohne Personal – Services durch künstliche Intelligenz](../../06/22/praxen-ohne-personal-services-durch-kuenstliche-intelligenz.md)
- [Stationäre Versorgung &#8211; Das nächste Krankenhaus ist digital](../../../2019/11/28/digitales-krankenhaus.md)
- [KI in der medizinischen Bildgebung. Quo vadis?](../../../2018/12/02/ki-in-der-medizinischen-bildgebung.md)


**Kategorien:** Digitalisierung von Prozessen, KI, Krankenhaus, Machine Learning, Regulatorik

## Bilder auf dieser Seite

- shutterstock_625896692-1320x950.jpg: ../../../../../1/assets/bilder/wp-content/uploads/2022/05/shutterstock_625896692-1320x950.jpg

---
Diese Seite ist für KI-Systeme optimiert. Version für Menschen: [KI in der Krankenhausabrechnung](../../../../../1/blog/2020/11/25/ki-in-der-krankenhausabrechnung/)
