Medizinische Kodierung heute: ein manueller Arbeitsablauf

Die medizinische Kodierung ist der Dreh- und Angelpunkt des Erstattungsverfahrens. Jede klinische Handlung, sei es eine Diagnose, ein Verfahren oder eine Behandlung, muss in einen standardisierten Code übersetzt werden, um abgerechnet werden zu können.

Bei einer manuellen Einrichtung läuft der Prozess normalerweise folgendermaßen ab:

  • Durchsicht von Patientenakten: Menschliche Codierer lesen detaillierte klinische Aufzeichnungen, um relevante medizinische Informationen zu extrahieren.
  • Durchsuchen von Taxonomien: Sie navigieren durch umfangreiche Code-Wörterbücher (oft >100.000 Einträge), um die entsprechenden Abrechnungscodes zu ermitteln.
  • Zuweisung und Gegenprüfung: Die Codes werden manuell in die Abrechnungssysteme eingegeben und anhand der Compliance-Regeln überprüft.
  • Validierung und Korrektur: Leitende Kodierer oder Prüfer überprüfen Einträge, korrigieren Fehler und klären Unstimmigkeiten mit Ärzten.

Dieser durchgängige Arbeitsablauf ist sehr repetitiv, zeitaufwändig und fehleranfällig. Verzögerungen führen schnell zu Rückständen, und unvollständige oder ungenaue Kodierung führt häufig zu entgangenen Erstattungen und finanziellen Verlusten.

Die Rolle der agentenbasierten AI

In diesem Zusammenhang stellt die agentenbasierte AI eine transformative Chance dar: Es geht nicht nur um die Erzeugung von Text, sondern um die Orchestrierung zielgerichteter, autonomer Arbeitsabläufe, bei denen mehrere spezialisierte AI nahtlos mit menschlichen Experten zusammenarbeiten.

Angewandt auf die medizinische Kodierung kann Agentic AI den manuellen Prozess widerspiegeln und ihn gleichzeitig beschleunigen und sichern:

  • Lesen und Zusammenfassen von Patientenakten.
  • Auffinden relevanter Codes in umfangreichen Taxonomien.
  • Validierung der Einhaltung von Erstattungsrahmen.
  • Unterstützung der menschlichen Aufsicht durch transparente Erklärungen.

Kundenfall: Automatisierung der medizinischen Kodierung in einem belgischen Krankenhaus

Mit Eliott BERTRAND & Robin VERSCHUREN, aus dem belgischen Büro.

Wir bei Artefact glauben, dass Begegnungen im Gesundheitswesen "Momente im Leben" sind, die grundsätzlich menschliche Interaktion erfordern. Unser Ziel ist es, Pflegeteams zu unterstützen und klinische Prozesse durch AI zu rationalisieren, nicht sie zu ersetzen. Diese Philosophie leitete unsere jüngste Partnerschaft mit einem Krankenhaus in Belgien zur Automatisierung der medizinischen Kodierung, Abrechnung und Sozialversicherungsrückerstattung mithilfe fortschrittlicher Sprachmodelle und Retrieval-Augmented Generation (RAG).

Unser Kunde war mit einem enormen Arbeitsaufwand für die manuelle Kodierung der an Patienten abgegebenen medizinischen Gesten konfrontiert, die für das Erstattungssystem in Belgien obligatorisch ist.

Ein Team von 18 Personen hatte die Aufgabe, jeder Patientenakte die entsprechenden medizinischen Codes zuzuordnen, und das bei einer Liste von 140.000 Codes. Zu diesem Zeitpunkt war dieses Team bereits Monate im Rückstand. Außerdem wurde mit diesem Verfahren nur eine Teilmenge der hochwertigen Kodes erfasst, so dass erhebliche Einnahmen ungenutzt blieben.

Wir haben einen vierstufigen Prozess entwickelt, der mehrere spezialisierte AI umfasst

  • Spezialisierter AI : Ein AI "Schreiber" liest die Patientenakte, fasst die klinische Situation zusammen und segmentiert den Fall, um relevante Kodierungskategorien zu identifizieren
  • RAG-gestützte Kode-Suche: Ein zweiter Agent nutzt die abrufgestützte Generierung, um alle für die dokumentierte klinische Situation relevanten Codes zu finden
  • Code-Validierungsagent: Ein dritter Agent prüft, ob die vorgeschlagenen Codes mit den offiziellen Regeln übereinstimmen, und integriert das Feedback von Codierungsexperten
  • Menschliche Validierung: Schließlich prüft ein medizinischer Kodierer die Empfehlungen der AIund genehmigt sie; basierend auf einer Erklärung des letzten Agenten

Durch die Identifizierung von zuvor übersehenen Codes und die Sicherstellung einer vollständigeren Abrechnung konnte das Krankenhaus neue Einnahmequellen erschließen. Erste Indikatoren deuten darauf hin, dass erhebliche Einnahmen erzielt wurden, die zuvor unbemerkt geblieben waren.

Die AI Pipeline führte zu einer Produktivitätssteigerung von 80 %, beseitigte den Engpass bei der Kodierung und ermöglichte es dem Team, den Rückstand aufzuholen. Die Genauigkeit und Vollständigkeit der Kodierung verbesserte sich, wodurch Fehler reduziert und Ablehnungen von Anträgen minimiert werden konnten. Das Krankenhaus erzielte außerdem erhebliche Kosteneinsparungen, indem es die Kodierer für höherwertige Aufgaben einsetzte und Überstunden abbaute.

Im Großen und Ganzen wurden 80 % der Arbeitslast der 18 Mitarbeiter, die für die Codierung zuständig waren, autonomisiert, was zu einer Einsparung von 14,5 Vollzeitäquivalenten führte. Das Projekt kostete 50 Manntage an externer Beratung und keine zusätzlichen IT-Kosten, was zu einem ROI von ~600 % führte, was eine Größenordnung für das erste Jahr darstellt.

Diese Fallstudie spiegelt die Kernüberzeugung von Artefactwider: AI muss nicht nur Innovation, sondern auch Wirkung bringen.

Was kommt als Nächstes: Skalierung der agentenbasierten AI

Agentische AI bleiben selten bei einem einzigen Anwendungsfall stehen. Sobald der erste Einsatz einen messbaren Nutzen zeigt, ziehen Unternehmen in der Regel drei Hauptrichtungen in Betracht:

  • Ausweitung auf angrenzende Arbeitsabläufe, Anwendung der gleichen agentenbasierten Logik auf andere sich wiederholende Prozesse mit hohem Volumen (z. B. Berichterstattung, Dokumentation, Konformitätsprüfungen).
  • Vorbereitung auf gesteuerte autonome Operationen, in Bereichen mit klaren Regeln und messbaren Ergebnissen, die es den Agenten ermöglichen, mit minimalen menschlichen Eingriffen unter strengen Kontroll- und Überwachungsbedingungen zu arbeiten.
  • Aufbau miteinander verbundener Agenten-Ökosysteme, Entwicklung von Multi-Agenten-Systemen, die funktionsübergreifend zusammenarbeiten und so prozessübergreifende Effizienzgewinne ermöglichen.

Diese Entwicklung spiegelt wider, wie Unternehmen Agentic AI schrittweise von Pilotanwendungen bis hin zu unternehmensweiten Auswirkungen skalieren und dabei durch eine solide Governance sowohl Effizienz als auch Vertrauen sicherstellen können.