Medische codering vandaag de dag: een handmatige workflow

Medische codering is de spil van het terugbetalingsproces. Elke klinische handeling, of het nu een diagnose, procedure of behandeling is, moet worden vertaald naar een gestandaardiseerde code om te kunnen worden gefactureerd.

Bij een handmatige instelling verloopt het proces meestal als volgt:

  • Patiëntendossiers doornemen: Menselijke codeurs lezen gedetailleerde klinische notities door om er relevante medische informatie uit te halen.
  • Taxonomieën doorzoeken: Ze navigeren door uitgebreide codewoordenboeken (vaak >100.000 vermeldingen) om de bijbehorende factuurcodes te identificeren.
  • Toewijzen en kruiscontroles: Codes worden handmatig ingevoerd in facturatiesystemen en gecontroleerd aan de hand van complianceregels.
  • Validatie en correctie: Senior codeurs of auditors controleren boekingen, corrigeren fouten en lossen discrepanties op met artsen.

Deze end-to-end workflow is zeer repetitief, tijdrovend en foutgevoelig. Vertragingen lopen snel op tot achterstanden, en onvolledige of onnauwkeurige codering leidt vaak tot gemiste vergoedingen en financiële lekkage.

De rol van Agentic AI

In deze context biedt Agentic AI een transformatieve mogelijkheid: niet alleen tekst genereren, maar doelgerichte, autonome workflows orkestreren waarbij meerdere gespecialiseerde AI-agenten naadloos samenwerken met menselijke experts.

Toegepast op medische codering kan Agentic AI het handmatige proces weerspiegelen en tegelijkertijd versnellen en beveiligen:

  • Patiëntendossiers lezen en samenvatten.
  • Relevante codes ophalen in uitgebreide taxonomieën.
  • Valideren van naleving van vergoedingskaders.
  • Menselijk toezicht ondersteunen met transparante uitleg.

Casus klant: Medische codering automatiseren in een Belgisch ziekenhuis

Met Eliott BERTRAND & Robin VERSCHUREN, van het kantoor in België.

Bij Artefact geloven we dat ontmoetingen in de gezondheidszorg “momenten in het leven” zijn die fundamenteel menselijke interactie vereisen. Ons doel is om zorgteams te versterken en klinische processen te stroomlijnen met behulp van AI, niet om ze te vervangen. Deze filosofie lag aan de basis van onze recente samenwerking met een ziekenhuis in België om medische codering, facturering en terugbetaling aan de sociale zekerheid te automatiseren met behulp van geavanceerde taalmodellen en Retrieval-Augmented Generation (RAG).

Onze klant werd geconfronteerd met een enorme werklast voor het handmatig coderen van de medische gebaren die aan patiënten werden verstrekt, wat verplicht is voor het terugbetalingssysteem in België.

Een team van 18 mensen had de fulltime taak om aan elk patiëntendossier zijn medische codes toe te wijzen, op een lijst van 140.000 codes. Op dat moment liep dit team al maanden achter. Bovendien ving dit proces slechts een subset van hoogwaardige codes op, waardoor aanzienlijke inkomsten onbenut bleven.

We hebben een proces in vier fasen ontworpen, rond meerdere gespecialiseerde AI-agenten

  • Gespecialiseerde AI-agent: Een AI “scribent” leest het patiëntendossier, vat de klinische situatie samen en segmenteert de casus om relevante coderingscategorieën te identificeren.
  • RAG-aangedreven code zoeken: Een tweede agent gebruikt retrieval-augmented generatie om alle codes te vinden die relevant zijn voor de gedocumenteerde klinische situatie
  • Codevalidatieagent: Een derde agent controleert of de voorgestelde codes voldoen aan de officiële regels en integreert de feedback van deskundige codeurs
  • Menselijke validatie: Tot slot bekijkt een medische codeur de aanbevelingen van de AI en keurt deze goed; op basis van een uitleg van de laatste agent.

Door eerder gemiste codes te identificeren en een completere facturering te garanderen, heeft het ziekenhuis nieuwe inkomstenbronnen aangeboord. De eerste indicatoren duiden op aanzienlijke inkomsten die voorheen onopgemerkt waren gebleven.

De AI-gestuurde pijplijn leverde een productiviteitswinst op van 80%, waardoor het coderingsprobleem werd opgelost en het team achterstanden kon inlopen. De nauwkeurigheid en volledigheid van de codering verbeterden, waardoor het aantal fouten afnam en het aantal geweigerde declaraties tot een minimum beperkt bleef. Het ziekenhuis realiseerde ook aanzienlijke kostenbesparingen door codeurs toe te wijzen aan taken met een hogere waarde en overuren te verminderen.

Globaal gezien is 80% van de werklast van de 18 mensen die coderen, geautomatiseerd, wat leidt tot een besparing van 14,5 FTE. Het project kostte 50 mandagen aan externe consulting en geen extra IT-kosten, wat leidde tot een ROI van ~600%, een orde van grootte voor het eerste jaar.

Deze casestudy weerspiegelt de kernovertuiging van Artefact: AI moet niet alleen innovatie, maar ook impact opleveren.

Wat is het volgende: Agentic AI schalen

Agentic AI-initiatieven stoppen zelden bij één use case. Zodra de eerste implementatie meetbare waarde aantoont, overwegen organisaties doorgaans drie hoofdrichtingen:

  • Uitbreiden naar aangrenzende workflows, dezelfde agentlogica toepassen op andere repetitieve processen met hoge volumes (bijv. rapportage, documentatie, nalevingscontroles).
  • Bereid u voor op bestuurde autonome operaties, in domeinen met duidelijke regels en meetbare resultaten, zodat agenten kunnen werken met minimale menselijke tussenkomst binnen sterke bestuurs- en controlekaders.
  • Bouw onderling verbonden agent-ecosystemen, het ontwerpen van multi-agent systemen die over functies heen samenwerken en zo procesoverschrijdende efficiëntievoordelen ontsluiten.

Dit traject weerspiegelt hoe organisaties Agentic AI geleidelijk kunnen schalen van pilot use cases naar bedrijfsbrede impact, waarbij zowel efficiëntie als vertrouwen gewaarborgd worden door robuuste governance.