Seit 2019 betreibt Tiplu das mit über 130 Partnerkrankenhäusern heute größte medizinische Machine Learning-Netzwerk Deutschlands. Über dieses stehen mehr als 10 Mio. strukturierte, interoperable Patientenakten zur Verfügung – und damit das gesammelte Wissen zahlreicher Fallkonstellationen sämtlicher Fachdisziplinen. Daraus ergeben sich, stets unter strikter Einhaltung datenschutzrechtlicher Vorgaben, enorme Chancen für medizinische und gesundheitsökomische Innovationen.
Eine sehr hohe Qualität der KI, die in der Kodiersoftware MOMO in über 400 Krankenhäusern zum Einsatz kommt, wird bereits jetzt durch Entwicklungen aus dem ML-Netzwerk ermöglicht: In MOMO implementiert ist eine KI in Form von Machine Learning-Modellen, die die Kode-Detektion bedeutend verbessert. Eine semantische Search-Engine durchsucht jede Art von maschinenlesbaren Dokumenten (z. B. Arztbriefe, OP-Berichte, Radiologiebefunde, Visiten- und Pflegedokumentation, Laborwerte etc.) nach kodierrelevanten Informationen. Auf dieser Basis liefert ein umfangreiches Regelwerk fallindividuelle Kodiervorschläge, die durch die KI ergänzt werden – etwa bei der Kode-Detektion, der Ermittlung der Hauptdiagnose sowie der Detektion einer Unterkodierung, MD-Warnung u. v. m.
Das funktioniert so: ML-Systeme können Muster aus vorliegenden Datensätzen lernen („Modelltraining“) und in der Anwendung dann in Datenbeständen wiedererkennen. Auf diese Weise haben sie das Potenzial, aus Datenbeständen relevante Informationen zu erkennen, Vorhersagen zu treffen oder Wahrscheinlichkeiten für bestimmte Ereignisse zu berechnen.
Im Bereich der Kodierung bedeutet das beispielsweise: Eine ML-gestützte Kodiersoftware wie MOMO lernt aus im KIS vorliegenden OP-Berichten, welche Muster (bspw. Formulierungen, Textstruktur, Wortwahl) im Zusammenhang mit welchen OPS-Kodes stehen. In der Folge kann sie OP-Berichte deuten und die zugehörigen Prozeduren-Kodes identifizieren und vorschlagen.
Das heißt: Die Datengrundlage, auf der ein Modell trainiert wird, ist entscheidend für die Qualität der Kodiervorschläge. Idealerweise braucht es also eine große und diversifizierte Datenbasis: Für eine hohe Trefferquote und Präzision im Bereich der Kode-Detektion ist die Fallvielfalt innerhalb der vorliegenden Daten entscheidend.
Das diversifizierte Spektrum an Partnerkliniken stellt in dieser Hinsicht eine besondere Stärke des ML-Netzes Tiplus dar: Durch die Zusammenarbeit mit Maximalversorgern und großen Krankenhausketten, aber auch Grund- und Regelversorgern sowie kleineren Spezialkliniken, kann das Wissen aus zahlreichen Fallkonstellationen und Fachdisziplinen für das Modelltraining genutzt werden. Mit jedem neu integrierten Krankenhausbett fließen weitere Fallkonstellationen in das Training ein, die die Qualität der ML-Modelle verbessern können.
Besonders interessant ist daher die Kooperation mit mittlerweile 11 Universitätskliniken: Sie weisen eine besonders große medizinische Bandbreite auf, wodurch neue, teilweise sehr spezifische Fallkonstellationen im ML-Training berücksichtigt werden können. Zuletzt wurde das Universitätsklinikum Heidelberg an das ML-Netz angebunden. Es gehört zu den größten und renommiertesten medizinischen Zentren in Deutschland, rund 85.600 Patient:innen aus aller Welt werden dort jedes Jahr in den Fachkliniken voll- und teilstationär betreut.
Von den Daten, die durch die ML-Partner in das Modelltraining für zukünftige MOMO-Versionen aufgenommen werden, profitieren alle MOMO-Nutzenden: Die ML-gestützte Kode-Detektion wird insgesamt besser, da die Lerndatenbasis für neue Modelle mit jeder neuen Partnerklinik weiter vergrößert und spezifiziert wird.
Insbesondere steigt die Qualität aber auch für die ML-Partner: Die „hauseigenen“ Daten fließen in das Modelltraining ein, sodass die Modelle individuelle Muster der Klinik erlernen können: Besonderheiten und hausspezifische Formulierungen (bspw. in OP-Berichten, Arztbriefen etc.) werden gesehen und in der Mustererlernung berücksichtigt. Die ML-Perfomance sowie die daraus resultierende Gesamtperformance von MOMO kann auf diese Weise im eigenen Haus nochmal gesteigert werden – etwa in der automatisierten Detektion von OPS-Kodes aus Entlassbriefen, Diagnostik- oder Herzkatheter-Befunden.
Sie haben Interesse an MOMO? Dann melden Sie sich gern unter: sales@tiplu.de
Sie nutzen bereits MOMO und haben Interesse, ML-Partner zu werden? Kontaktieren Sie gern Sales- & Projektmanager Kenny Hospach: k.hospach@tiplu.de