Medische codering vandaag: een handmatige workflow

Medische codering is de spil van het vergoedingsproces. 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 installatie 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 AI als agent

In deze context vertegenwoordigt Agentic AI een transformatieve mogelijkheid: niet alleen het genereren van tekst, maar het orkestreren van doelgedreven, autonome workflows waarbij meerdere gespecialiseerde AI 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.

Klantcase: 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 voor het automatiseren van medische codering, facturering en terugbetaling aan de sociale zekerheid 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 deel van de hoogwaardige codes op, waardoor aanzienlijke inkomsten onbenut bleven.

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

  • Gespecialiseerde AI : Een AI "scribent" leest het patiëntendossier, vat de klinische situatie samen en segmenteert de casus om relevante coderingscategorieën te identificeren.
  • RAG-aangedreven ophalen van codes: Een tweede agent gebruikt retrieval-augmented generation 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 feedback van deskundige codeurs
  • Menselijke validatie: Tot slot bekijkt een medische codeur de aanbevelingen van de AIen keurt deze goed; op basis van een uitleg van de laatste agent.

Door codes te identificeren die voorheen over het hoofd werden gezien en te zorgen voor completere facturering, heeft het ziekenhuis nieuwe inkomstenbronnen aangeboord. De eerste indicatoren wijzen op een aanzienlijke inkomstenstroom die voorheen onopgemerkt was gebleven.

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

Over het algemeen 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%, in 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 de volgende stap: Agentic AI opschalen?

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

  • Uitbreiden naar aangrenzende workflows, Pas dezelfde agentlogica toe op andere repetitieve processen met hoge volumes (bijv. rapportage, documentatie, nalevingscontroles).
  • Voorbereiden op bestuurde autonome operaties, in domeinen met duidelijke regels en meetbare resultaten, waardoor agenten kunnen opereren met minimale menselijke tussenkomst onder sterke bestuurs- en controlekaders.
  • Verbonden agent-ecosystemen bouwen, multi-agent systemen ontwerpen die samenwerken tussen verschillende functies, waardoor procesoverstijgende efficiëntievoordelen worden ontsloten.

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