MomoTiplu

Digitale Krankenhauszukunft – Worauf kommt es bei der Toolauswahl an?

By Februar 2, 2021Februar 4th, 2021No Comments

Auf jedes Unternehmen wartet zu Beginn eines neuen Jahres bereits die erste Herausforderung:

Zunehmend gilt es Bilanz zu ziehen, in welchen Bereichen das Unternehmen gut auf Kurs ist und wo gegebenenfalls noch nachjustiert werden muss.
Auch für Krankenhäuser und Unternehmen des Healthcare-Sektors sind solche wirtschaftlichen Überlegungen unumgänglich. Insbesondere wenn es um kostenintensive Investitionen, wie die Anschaffung einer neuen Software geht, will eine Entscheidung wohl überlegt sein. Doch die Flut an unterschiedlichsten Programmen, macht es Entscheidern nicht leicht den Überblick zu behalten und vor allem die, für das eigene Unternehmen am besten geeignete Lösung zu finden. Tools, die bei der Krankenhausabrechnung unterstützen, gibt es wie Sand am Meer.

Daher haben wir Ihnen im Folgenden einige Schlüsselaspekte zusammengestellt, die Sie bei der Tool-Auswahl unbedingt beachten sollten.

Datensicherheit

Gerade im Falle sensibler Patientendaten sollte deren Sicherheit die oberste Priorität haben. Daher gilt für jede Software: die Datenhoheit muss stets im Krankenhaus verbleiben!

Integrationsfähigkeit

Um den Aufwand bei der Implementierung eines neuen Systems möglichst gering zu halten, sollten Sie bei der Auswahl auf die Integrationsfähigkeit des Produkts achten. Sowohl eine Anbindbarkeit an Ihr KIS als auch die flexible Integration beliebiger Subsysteme sind Voraussetzung für eine reibungslose Implementierung und die spätere Nutzung. Nur so kann gewährleistet werden, dass alle abrechnungsrelevanten Daten durch die Software berücksichtigt werden.

Nutzung fortschrittlicher Technologien

Unter all den Software-Angeboten auf dem Markt, gibt es kaum eine Hand voll, die wirklich neueste Technologien, wie z.B. Machine Learning (kurz: ML), nutzen. ML-Modelle, wie künstliche neuronale Netze oder Entscheidungswälder ermöglichen eine Unterstützung bei der Wahl der korrekten Hauptdiagnose und können in vielen Fällen deutlich besser als herkömmliche Natural Language-Prozesse, Diagnosen und Prozeduren in Fließtexten identifizieren. Viele Hersteller werben mit Künstlicher Intelligenz und meinen damit z.B. lediglich Benchmark-Analysen.

Wird Ihnen eine Software angeboten, die mit Machine Learning oder Künstlicher Intelligenz beworben wird, stellen Sie folgende Fragen:

Was kann das Modell wirklich vorhersagen?

Wie hoch sind Trefferquote und – ganz wichtig dazu ebenfalls, Präzision des ML-Modells?

Die Trefferquote (auch Sensitivität genannt) beschreibt den Anteil der Kodierungen, welche vom ML-Modell gefunden werden. Gibt es beispielsweise 1000 Operationsberichte, in denen eine “laparoskopische Adhäsiolyse am Darm” im Berichtstext dokumentiert ist, und findet das ML-Modell davon 800-mal den zugehörigen OPS-Code (5-469.21), dann hat die Trefferquote für den OPS-Code 5-469.21 den Wert 80%.

Eine Trefferquote ist allerdings nur aussagekräftig bei gleichzeitiger Angabe der Präzision des ML-Modells. Denn eine Trefferquote von 100% kann trivial erreicht werden durch den (nicht nützlichen) Hinweis, dass in jedem OP-Bericht der entsprechende OPS-Code (5-469.21) vorliegen würde. Die Präzision beschreibt den korrekten Anteil der ML-Hinweise. Hat die Präzision für den Kode 5-469.21 beispielsweise einen Wert von 90%, bedeutet dies, dass von 1000 ML-Hinweisen 900 korrekt und 100 falsch sind.
Hinweis: Anstelle der Präzision kann auch die Spezifität als Maß für die Güte von ML-Ergebnissen angegeben werden. Präzision und Spezifität sind jedoch nicht gleichzusetzen. Es gilt zu beachten, dass eine Präzision von 90% durchaus einer Spezifität von 99,9% oder mehr entsprechen kann.

Welche Daten werden herangezogen?

Werden für die Ermittlung der Hauptdiagnose beispielsweise §21-Daten – also Daten ohne Laborbefunde und Dokumente – genutzt, sollte Sie das stutzig machen.
Ohne Laborwerte und schriftliche Dokumentation ist es auch für einen Menschen in vielen Fällen nicht möglich, die richtige Hauptdiagnose zu ermitteln. Sind beispielsweise eine Pneumonie und eine Herzinsuffizienz gleichzeitig verschlüsselt, kann ohne den zeitlichen Zusammenhang aus abgenommenen Laborwerten (z.B. Entzündungsparameter) oder in der Anamnese erhobenen Informationen über die, bei Aufnahme bestehenden Beschwerden, kein Rückschluss darauf gezogen werden, welche Erkrankung primär zur Aufnahme geführt hat und somit die Hauptdiagnose darstellt. Grundsätzlich gilt: Wenn es für einen Menschen aufgrund fehlender Daten nicht möglich ist, eine richtige Entscheidung zu treffen, so kann dies auch keine Maschine.

Wie viele Daten standen zum Training zur Verfügung?

Aussagen über 100.000 Falldaten hören sich möglicherweise erstmal beträchtlich an. Sollte auf Basis dieser Datenmenge jedoch z.B. ein Modell trainiert werden, das OPS-Kodes aus OP-Berichten lernt, reduziert sich die Menge der verwendbaren Falldaten bereits auf einzig die Fälle, die einen OP-Bericht beinhalten. Im Allgemeinen gilt, dass taugliche Ergebnisse nur unter der Voraussetzung erzielt werden können, dass es von jeder Konstellation eine ausreichende Menge an Lerndaten gibt. Im Gesundheitswesen sind dazu in der Regel Millionen von Daten nötig.

Nutzerfreundlichkeit

Zur Vermeidung zeitaufwändiger Clientinstallationen sollte die Software Ihrer Wahl webbasiert sein. Um sie flexibel im Klinikalltag einsetzen zu können, sollte sie als App für Tablets und Handhelds verfügbar sein.
Auch nutzerspezifische Ansichten – wie z.B. eine Abteilungsansicht, die insbesondere für die fallbegleitende Kodierung auf Station nützlich ist – tragen maßgeblich zur Praktikabilität einer Software bei.

Praxisnähe

Die Tauglichkeit einer Rightcoding-Lösung steht oder fällt mit den Ergebnissen. Es ist darauf zu achten, dass der Nutzer nicht mit Vorschlägen überschwemmt wird. Um eine uneingeschränkte Funktionalität im Klinikalltag zu ermöglichen, muss außerdem gewährleistet sein, dass die zum Jahreswechsel erfolgten Änderungen in den deutschen Kodierrichtlinien, sowie den Katalogen ICD-10 und OPS-301 berücksichtigt werden.
Da es im Hinblick auf solche Veränderungen zunächst noch keine Daten gibt, mit denen Machine Learning-Algorithmen trainiert werden können, sollte die Software auch eine regelbasierte Einflussnahme auf die Kodiervorschläge zulassen. Auch sollte es möglich sein, eigene krankenhausindividuelle Regeln anzulegen, damit die Software Ihren spezifischen Bedarfen gerecht wird.

Transparentes Lizenzmodell

Bei der Software Ihrer Wahl sollte es sich um eine Komplettlösung mit unbegrenzter Nutzerzahl handeln, sodass keine Anschaffung ergänzender Module, zusätzlicher Accounts oder gar eine Inanspruchnahme von Beratungsstunden nötig wird.
In der Lizenz inbegriffen sollte zudem eine proaktive Beaufsichtigung des Systems durch den Hersteller selbst sein, sodass stets eine vollständige Datenbasis gewährleistet werden kann. Sollten Sie beispielsweise die Struktur bestehender Dokumente ändern oder neue Dokumente anlegen, oder sollte sich die Aufbereitung Ihrer Laborwerte, Vitalparameter oder anderer Daten ändern, muss dies auch in der Software angepasst werden. Ansonsten arbeiten Sie auf einer unvollständigen Datengrundlage. Ein zunächst sehr günstiges Angebot kann schnell zur Preisfalle werden, wenn solche Anpassungen nicht als Serviceleistung inbegriffen sind.

Unverbindliche Teststellung

Eine unverbindliche Teststellung ermöglicht Ihnen, die Software ausgiebig zu erproben und mit Ihren Erwartungen an das Produkt abzugleichen. Jedes Krankenhaus ist anders – daher ist es wichtig, sich im Rahmen einer Teststellung einen Eindruck davon zu verschaffen, wie schnell auf die spezifischen Anforderungen Ihres Hauses reagiert werden kann.

Kaufen Sie keine Software, ohne sich diese zumindest vorab bei einem Referenzhaus mit gleichem KIS angesehen zu haben. Software-Anbieter versprechen viel, doch vergewissern Sie sich, ob diese Versprechen auch gehalten werden können.

Peter Molitor
Head of Sales DACH
Tel.: +49 40 2286100 – 34
p.molitor@tiplu.de