gms | German Medical Science

Einleitung: Trotz der jüngsten Neugestaltung des Prüfverfahrens nach §275 SGB V durch den Gesetzgeber ist die - mit Einführung des DRG-Systems einsetzende - Flut an MDK-Anfragen [1] in den Krankenhäusern z.T. dramatisch gestiegen, wobei Prüfquoten von mehr als 20% der stationären Fälle inzwischen keine Seltenheit mehr sind [2]. Um die ansteigenden Verluste durch erfolgreiche MDK-Prüfanfragen einzudämmen, müssen immer größere Anstrengungen in Verwaltung und Klinik unternommen werden. Die gängige Praxis ist dabei, durch den zunehmenden Einsatz von Dokumentationsassistenten, MedControllern sowie IT-Dokumentations- und Kodierunterstützungssystemen eine möglichst genaue und damit MDK-sichere Dokumentation und Kodierung im Sinne der DKR zu gewährleisten. Einen Weg aus dieser Kostenspirale zu finden ist Ziel des hier vorgestellten Forschungsprojekts: Durch den gezielten Einsatz von Methoden des Maschinellen Lernens bzw. von KI im Bereich der Krankenhausabrechnung soll gezeigt werden, ob sich Muster erkennen lassen, die eine verlässliche Vorhersage gestatten, welche abgerechneten Fälle eines Krankenhauses mit hoher Wahrscheinlichkeit MDK-Prüffälle werden.

Material und Methoden: Die Basis für den beschriebenen KI-Ansatz stellen die Abrechnungsdaten eines Krankenhauses der Maximalversorgung aus Westdeutschland mit einer MDK-Prüfquote von 30% dar. Die anonymisierten Daten, die den Firmen conGane (Berlin, Medizincontrolling-Beratung) und Dr. Hornecker Softwareentwicklung (Freiburg) für den Forschungsansatz zur Verfügung stehen, umfassen die anonymisierten §21-Datensätze der Jahre 2016-2018, Detaildaten zu den MDK-Anfragen des gleichen Zeitraums sowie ergänzende Kodieränderungsdaten. Die Daten wurden über einen Zeitraum von 6 Wochen bereinigt und konsolidiert und anschließend unterschiedlichen Methoden des maschinellen Lernens unterworfen (u.a. support-vektor-machines, n-nearest-neighbours, logistische Regression, random forest, decision-trees).

Ergebnisse: Die erzielten Ergebnisse mit Methoden maschinellen Lernens fielen je nach gewählter Prüfkategorie hinsichtlich der falsch negativen Fälle unterschiedlich aus, während der Anteil der falsch-positiven Vorhersagen über alle Kategorien/Subkategorien bei ca. 5% lag. Für die Kategorie "Primäre Fehlbelegung" konnten 92,5% der MDK-Prüffälle vorhergesagt werden, in der Kategorie "Sekundäre Fehlbelegung" sogar 95% (Subkategorie "ObereGrenzverweildauer (OGVD)" bzw. 94% (Subkategorie "Untere Grenzverweildauer (UGVD)". Das jeweils ermittelte Gütemaß (Cohen's Kappa) von 0,7 bei der primären bzw. 0,9 bei der sekundären Fehlbelegung wies dabei einen starken bis sehr starken statischen Zusammenhang aus. Die Ergebnisse in der Kategorie "Kodierung" fielen mit 80% für die Subkategorie "Prozeduren" und 60% für die Subkategorie "Hauptdiagnose" geringer aus (Cohen's Kappa 0,6 bzw. 0,4).

Diskussion: Die Hypothese dieser Arbeit, dass sich MDK-Prüffälle mit Hilfe von Methoden des maschinellen Lernens bei geeigneter Datengrundlage mit hoher Wahrscheinlichkeit vorhersagen lassen, konnte für die Kategorien primäre und sekundäre Fehlbelegung vollumfänglich bestätigt werden, während die Ergebnisse in der Kategorie Kodierung noch nicht so überzeugend ausfielen. Grund für die vergleichsweise schwächeren Resultate ist die hohe Diversität bei Prozeduren und Diagnosen, die ein sinnvolles Clustering oder Binning erfordern, um ausreichend viele Beispiele pro Subkategorie für den Algorithmus zum Lernen zur Verfügung zu stellen. Hier ist weitere Forschung im geplanten Folgeprojekt notwendig, welches auch die Anwendung von "deep-learning" einschließt, das als Verfahren aus Zeitgründen bisher nicht zum Einsatz kam. Im Rahmen des Folgeprojekts werden dann auch Vorhersagen zu den Subkategorien "Nebendiagnosen" und "Fallzusammenführungen" untersucht. Weiteres Ziel des Folgeprojekts ist die Überprüfung der These, ob sich durch Anpassungen im Kodier-und Dokumentations-Workflow im Hinblick auf die Nutzung der Vorhersagen finanzielle Vorteile erwirtschaften lassen.

Die Autoren geben an, dass kein Interessenkonflikt besteht.

Die Autoren geben an, dass kein Ethikvotum erforderlich ist.