In der heutigen Zeit, in der immer mehr Daten während eines stationären Krankenhausaufenthalts gesammelt werden, gibt es einerseits ein – zumindest gefühltes – Zuviel an Daten, andererseits können Lücken in der Dokumentation nicht immer ausgeschlossen werden. Fehlende Daten hätten jedoch Nachteile fürs Klinikum, da die gesamte Fall-Dokumentation für die spätere Kodierung und Abrechnung relevant ist. Der Spruch ‚Wer schreibt, der bleibt.‘ ist aktueller denn je.
Eine Möglichkeit, eventuell vorhandene Dokumentationslücken zu reduzieren, ist die maschinelle Überprüfung der Abrechnungen. Dies kann auf Basis vorgegebener Regelwerke basieren oder mittels Methoden des Maschinellen Lernens. Übersetzt heißt dies, dass man versucht, aus den bekannten Abrechnungen die neuen Abrechnungen ‚vorherzusagen‘. Eine Form der modernen Glaskugel sozusagen.
Im Rahmen einer Masterarbeit an der TU Chemnitz und in Zusammenarbeit mit zwei Krankenhäusern aus Deutschland erfolgte die Evaluierung verschiedener Algorithmen des Maschinellen Lernens hinsichtlich der Überprüfung der Dokumentationsqualität. Dazu wurden selektive Fälle aus der historischen Abrechnung genutzt, um Dokumentationslücken und -fehler in aktuellen Kodierungen aufzuzeigen.
Doch bis zur ersten echten Erprobung war es ein langer Weg und brauchte es viel menschliche Intelligenz. Zuerst musste eine effektive Möglichkeit zur Aufbereitung der Trainingsdaten gefunden werden, danach galt es, einen geeigneten Algorithmus zu identifizieren. Im Anschluss erfolgte die Validierung des Algorithmus auf Basis einer fehlenden Diagnose. Bei 9 von 10 im Nachgang durch Fachpersonal überprüften Fällen konnte eine Dokumentationslücke und dabei ein fehlerhaftes Ausbleiben der Diagnose nachgewiesen werden.
Letztlich konnte gezeigt werden, dass Algorithmen des Maschinellen Lernens zur Verbesserung der Dokumentationsqualität beitragen können. Um die gefundenen Lücken dauerhaft zu schließen, bedarf es aber gemeinsamer Anstrengungen von Mensch und Maschine(n). Schlussendlich sind eine umfangreiche Aufbereitung und gute Datenqualität Voraussetzung, um mit solchen Methoden nutzbare Ergebnisse erzielen zu können.