Medische codering vandaag de dag: een handmatige werkwijze

Medische codering vormt de spil van het vergoedingsproces. Elke klinische handeling – of het nu gaat om een diagnose, een ingreep of een behandeling – moet worden omgezet in een gestandaardiseerde code om te kunnen worden gedeclareerd.

Bij een handmatige installatie verloopt het proces doorgaans als volgt:

  • Het doornemen van patiëntendossiers: Menselijke codeurs nemen gedetailleerde klinische aantekeningen door om relevante medische informatie te verzamelen.
  • Zoeken in taxonomieën: ze doorzoeken uitgebreide codelijsten (vaak met meer dan 100.000 vermeldingen) om de bijbehorende facturatiecodes te vinden.
  • Toewijzen en controleren: codes worden handmatig in de factureringssystemen ingevoerd en getoetst aan de nalevingsregels.
  • Controle en correctie: Ervaren codeurs of controleurs beoordelen de ingevoerde gegevens, corrigeren fouten en lossen eventuele discrepanties op in overleg met de artsen.

Deze volledige workflow is zeer repetitief, tijdrovend en foutgevoelig. Vertragingen stapelen zich al snel op tot achterstanden, en onvolledige of onjuiste codering leidt vaak tot gemiste vergoedingen en financiële verliezen.

De rol van agentieke AI

In dit verband AI Agentic AI een kans op ingrijpende verandering: het gaat niet alleen om het genereren van tekst, maar ook om het opzetten van doelgerichte, autonome workflows waarin meerdere gespecialiseerde AI naadloos samenwerken met menselijke experts.

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

  • Het lezen en samenvatten van patiëntendossiers.
  • Het opzoeken van relevante codes in uitgebreide taxonomieën.
  • Controleren of aan de vergoedingsregels wordt voldaan.
  • Menselijk toezicht ondersteunen met transparante uitleg.

Klantcase: Automatisering van medische codering in een Belgisch ziekenhuis

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

Bij Artefact zijn we ervan overtuigd dat zorgcontacten ‘levensmomenten’ zijn die in wezen menselijke interactie vereisen. Ons doel is om zorgteams te ondersteunen en klinische processen te stroomlijnen met behulp van AI, niet om ze te vervangen. Deze filosofie stond aan de basis van onze recente samenwerking met een ziekenhuis in België om medische codering, facturering en terugbetalingen door de sociale zekerheid te automatiseren met behulp van geavanceerde taalmodellen en Retrieval-Augmented Generation (RAG).

Onze klant had te maken met een enorme werkdruk door het handmatig registreren van de aan patiënten voorgeschreven medische handelingen, wat verplicht is voor het vergoedingssysteem in België.

Een team van 18 fulltime medewerkers had tot taak om aan elk patiëntendossier de juiste medische codes toe te wijzen uit een lijst van 140.000 codes. Op dat moment liep dit team al maanden achter op schema. Bovendien werden bij dit proces slechts een deel van de codes met een hoge vergoedingswaarde vastgelegd, waardoor er aanzienlijke inkomsten onbenut bleven.

We hebben een proces in vier fasen ontworpen, waarbij gebruik wordt gemaakt van verschillende gespecialiseerde AI

  • Gespecialiseerde AI : een AI leest het patiëntendossier, vat de klinische situatie samen en deelt de casus in categorieën in om relevante coderingscategorieën te identificeren
  • Code-opvraging op basis van RAG: een tweede agent maakt gebruik van ‘retrieval-augmented generation’ om alle codes te vinden die relevant zijn voor de gedocumenteerde klinische situatie
  • Code-validatieagent: Een derde agent controleert of de voorgestelde codes voldoen aan de officiële regels en verwerkt de feedback van deskundige codeurs
  • Menselijke controle: Tot slot controleert en keurt een medisch codeur de aanbevelingen AIgoed; op basis van een toelichting van de laatste medewerker

Door eerder over het hoofd geziene codes te identificeren en te zorgen voor een vollediger facturering, heeft het ziekenhuis nieuwe inkomstenbronnen aangeboord. De eerste indicaties wijzen op aanzienlijke inkomsten die voorheen onopgemerkt bleven.

De AI werkstroom zorgde voor een productiviteitsstijging van 80%, waardoor de knelpunt bij het coderen werd weggenomen en het team de achterstand kon wegwerken. De nauwkeurigheid en volledigheid van de codering verbeterden, waardoor het aantal fouten afnam en het aantal afgewezen declaraties tot een minimum werd beperkt. Het ziekenhuis realiseerde bovendien aanzienlijke kostenbesparingen door codeurs in te zetten voor taken met een hogere toegevoegde waarde en door het aantal overuren te verminderen.

In grote lijnen is 80% van de werklast van de 18 programmeurs geautomatiseerd, wat een besparing van 14,5 fte heeft opgeleverd. Het project kostte 50 mandagen aan externe consultancy en geen extra IT-kosten, wat leidde tot een ROI van ongeveer 600% – als schatting voor het eerste jaar.

Deze casestudy weerspiegelt de kernopvatting Artefact: AI niet alleen innovatie opleveren, maar ook daadwerkelijk effect sorteren.

Wat nu: Agentic AI opschalen

AI op het gebied van agentgebaseerde AI blijven zelden beperkt tot één enkel toepassingsgebied. Zodra de eerste implementatie meetbare waarde heeft aangetoond, overwegen organisaties doorgaans drie belangrijke richtingen:

  • Uitbreiden naar aanverwante workflows, en pas dezelfde agentlogica toe op andere repetitieve processen met grote volumes (bijv. rapportage, documentatie, nalevingscontroles).
  • Bereid u voor op gereguleerde autonome activiteiten, in domeinen met duidelijke regels en meetbare resultaten, waardoor agents met minimale menselijke tussenkomst kunnen opereren binnen sterke governance- en monitoringkaders.
  • Bouw onderling verbonden agent-ecosystemen, ontwerp multi-agent-systemen die functieoverschrijdend samenwerken, waardoor efficiëntiewinst tussen processen wordt gerealiseerd.

Dit traject laat zien hoe organisaties Agentic AI stapsgewijs kunnen opschalen, AI proefprojecten tot bedrijfsbrede impact, waarbij zowel efficiëntie als vertrouwen worden gewaarborgd door middel van robuust beheer.