MDK-Prüfung: So reduziert Künstliche Intelligenz die Erlösverluste

MDK-Prüfquoten von mehr als 20 % der stationären Fälle sind inzwischen keine Seltenheit mehr. Für das einzelne Krankenhaus ergeben sich dadurch Erlösverluste in Millionenhöhe. Mit Methoden der Künstlichen Intelligenz (KI) können unsichere Kodierungen schon im Vorfeld erkannt und nachbearbeitet werden.

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.

Jährlich verlieren die Krankenhäuser bundesweit geschätzte 2,2 Milliarden Euro durch MDK-Prüfungen. Die Prüfquoten steigen von Jahr zu Jahr. Während der Wert 2010 noch bei 7,7 % lag, waren es 2017 bereits 17 %. Viele Krankenhäuser berichten mittlerweile von Prüfquoten zwischen 20 und 25 %. (2)

[!] Die MDK-Prüfung ist mittlerweile zu einem lukrativen Geschäft für die Kostenträger geworden. Wenn man die Prüfquote von 17 % um nur einen Prozentpunkt nach oben setzt, erhalten die Krankenkassen 132 Millionen Euro mehr Geld durch den MDK zurück. (2)

Eine Kosten- und Administrationsspirale

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, Medizincontrollern sowie IT-Dokumentations- und Kodierunterstützungssystemen eine möglichst genaue und damit MDK-sichere Dokumentation und Kodierung im Sinne der DKR zu gewährleisten.

[!] Durch die Erfolge des MDK in den Abrechnungsprüfungen verlieren die Krankenhäuser mittlerweile bis zu 5 % Ihres jährlichen Budgets. Zur Abwehr der MDK-Forderungen entstehen stetig zusätzliche Aufgaben in Klinik und Administration.

Einen Weg aus dieser Kosten- und Administrationsspirale zu finden ist das Ziel des vollkommen neuen Ansatzes der Firma sanAIntelligence: Durch den gezielten Einsatz von Methoden der Künstlichen Intelligenz (KI) im Bereich der Krankenhausabrechnung lassen sich klinik-individuelle Muster erkennen, die eine verlässliche Vorhersage gestatten, welche neu abgerechneten Fälle eines Krankenhauses mit hoher Wahrscheinlichkeit MDK-Prüffälle werden.

Die Vorhersagewahrscheinlichkeit erreicht dabei für die meisten Prüfkategorien Werte von über 90%, so dass sich mit anderen Worten nahezu alle MDK-Prüffälle schon bei medizinischer Freigabe detektieren lassen – also schon dann, wenn weder die Krankenkasse noch der MDK den Fall überhaupt zu Gesicht bekommen haben.

Dies ermöglicht es den Kliniken, diese Fälle gezielt noch einmal hinsichtlich einer „wasserdichten Dokumentation“ zu überprüfen. Da diese interne Überprüfung aber nur für sehr wahrscheinliche MDK-Prüffälle anfällt, können die vorhandenen Ressourcen wesentlich effizienter eingesetzt werden.

Durch die Künstliche Intelligenz verändert sich der MDK-Prozess von einem reaktiven und verlustreichen zu einem aktiven und verlustarmen Geschehen.

Ein Beispiel aus der Praxis

Auf Basis des beschriebenen KI-Ansatzes wurden Abrechnungsdaten eines Krankenhauses der Maximalversorgung aus Westdeutschland untersucht – mit einer MDK-Prüfquote von 30% und einem MDK-bedingten Erlösverlust von 7 Mio. Euro pro Jahr.

Bereitgestellt seitens der Klinik wurden die anonymisierten § 21-Datensätze der Jahre 2016-2018, Detaildaten zu den MDK-Anfragen des gleichen Zeitraums sowie ergänzende Kodieränderungsdaten. Nach Konsolidierung und Bereinigung der Daten wurden diese dem KI-Algorithmus von sanAIntelligence unterworfen.

Erste Ergebnisse

Angelehnt an die typischen MDK-Prüfkategorien ergaben sich nach dem KI-Algorithmus-„Training“ folgende Vorhersage-Werte:

• Für die Kategorie „Primäre Fehlbelegung“ konnten 92,5 % der MDK-Prüffälle vorhergesagt werden, in der Kategorie „Sekundäre Fehlbelegung“ sogar 95 % für die Subkategorie „Obere Grenzverweildauer (OGVD)“ bzw. 94% für die Subkategorie „Untere Grenzverweildauer (UGVD)“.
• Die Ergebnisse in der Kategorie „Kodierung“ (Prozeduren, Hauptdiagnosen) fielen mit 80 % hingegen etwas geringer aus. Grund für die vergleichsweise schwächeren Resultate ist die hohe Diversität bei Prozeduren und Diagnosen, die ein aufwändiges Clustering erfordern, um ausreichend viele Beispiele pro Subkategorie für den Algorithmus zum Lernen zur Verfügung zu stellen.

Da der Algorithmus aber im laufenden Betrieb dauernd neue Daten erhält – und damit fortlaufend weiter trainiert wird – ist auch in der Kategorie „Kodierung“ mittelfristig mit Vorhersagewerten von über 90 % zu rechnen.

Wirtschaftlichkeit der KI im Bereich der Erlössicherung

Durch die Vorhersage der zukünftig geprüften Fälle ist noch kein MDK-Fall gewonnen. Doch erlaubt die präzise tägliche Hervorhebung der wahrscheinlichen Prüffälle unter den neu abgerechneten DRG-Fällen eine gezielte Überprüfung der durchgehenden Dokumentation aller abgerechneten DRG-relevanten Diagnosen und Prozeduren sowie einen lückenlosen Nachweis aller Aufenthaltstage eines Patienten.

[!] In der oben genannten Klinik wird eine konservativ geschätzte „Rettungsquote“ von 10 bis 20 % der MDK-Fälle eine Ersparnis von 0,7 bis 1,4 Mio. Euro jährlich einbringen, was nicht nur die Anschaffungskosten für die Software um eine Größenordnung übersteigt, sondern auch die Investition in neue Dokumentations­assistenten erlaubt. In diesem Sinne schafft KI Erlössicherung und neue Arbeitsplätze.

Weitere Informationen unter
https://sanAIntelligence.de

(1) Vetter S, Studier-Fischer S, Wentzensen A, Frank C. Herausforderung: MDK-Prüfung: Entwicklung der Einzelfallprüfungen gemäss 275ff SGB V. Der Unfallchirurg 2009 Volume 112, Issue 8, Page(s) 756–758.

(2) Albert F. Wie viel Kliniken durch den MDK verlieren. BibliomedManager vom 15.03.2019; https://www.bibliomedmanager.de/news-des-tages/detailansicht/37687-wie-viel-kliniken-durch-den-mdk-verlieren/

(3) Thieme M, Thieme B. Rechnungsprüfung 2017 in deutschen Krankenhäusern. https://medinfoweb.de/data/CMM_Multicontents/files/PM/medinfoweb_de_herbstumfrage_2018_krankenhausrechnungspruefung_2017.pdf