Eine von Tiplu eigens entwickelte leistungsstarke semantische Search-Engine durchsucht jede Art maschinenlesbarer Dokumente (z.B. Arztbriefe, OP-Berichte, Radiologiebefunde, Visiten- und Pflegedokumentation) nach kodierrelevanten Informationen. Auch Laborwerte, Medikamente und Altfälle werden berücksichtigt. Die hochspezialisierte semantische Suche erkennt auch negierte Sätze und kann zwischen Textpassagen unterscheiden (z.B. Anamnese vs. Verlauf/Epikrise).

Herzstück der Software ist ein umfangreiches, täglich gepflegtes Regelwerk, das fallindividuelle Vorschläge liefert. Es basiert nicht auf Durchschnittswerten und Vergleichsdaten (Benchmark), sondern bezieht sich immer auf den individuellen Fall. Dadurch wird die Anzahl der falsch positiven Ergebnisse (Kodiervorschläge, die nicht umgesetzt werden können) im Vergleich zu anderen Softwarelösungen massiv reduziert. Das Regelwerk wird stetig durch die Expert:innen von Tiplu, auch auf Basis von Nutzerrückmeldungen, weiterentwickelt.

Komplementiert werden die Kodiervorschläge durch den Einsatz Künstlicher Intelligenz. Hierbei handelt es sich um Machine Learning-Modelle, die etwa aus im KIS vorliegenden OP-Berichten gelernt haben, welche Muster (bspw. Formulierungen, Textstruktur, Wortwahl) im Zusammenhang mit welchen OPS-Kodes stehen. In der Folge können sie bspw. OP-Berichte deuten und zugehörige Prozeduren-Kodes identifizieren oder die korrekte Hauptdiagnose in einer Fallkonstellation erkennen.

Im Ergebnis generiert MOMO, basierend auf der bestehenden, fallindividuellen Datenbasis, Abrechnungskodes in Form von ICD-10- und OPS-Schlüsseln. Außerdem schlägt die KI auf Basis aller eines Falls kodierten ICD-Kodes dessen Hauptdiagnose vor. Kodes und HD-Kennzeichen können mittels bidirektionaler Schnittstelle direkt in das Krankenhausinformationssystem (KIS) übertragen werden.