Abstracts by keywords: SHI-billing data
Abrechnungsdaten der gesetzlichen Krankenkassen bilden eine essenzielle Ressource für die Versorgungsforschung, da sie anonymisiert, sektorenübergreifend und standardisiert vorliegen. Traditionelle statistische Analyseverfahren bieten bei steigender Komplexität und Umfang der Daten Vorteile bei der Exploration der Daten. Allein in Deutschland werden jährlich etwa 3,17 Milliarden Diagnosen dokumentiert (Barmer 2024), ergänzt durch weitere umfangreiche Gesundheitsdaten wie Medikations-, Operations- und Abrechnungsinformationen. Künstliche Intelligenz (KI) erweitert – im maschinellen Lernen und mit etablierten statistischen Verfahren – die Analysemöglichkeiten, indem sie nichtlineare Zusammenhänge in großen, vielfältigen Daten erfasst. Praktisch zeigt sich das bei ICD-/ATC-Codes mit sehr vielen Ausprägungen: kompakte, gelernte Zahlenrepräsentationen (Embeddings) verdichten die Kataloge bzw. Codes zu aussagekräftigen Merkmalen und nutzen Ähnlichkeiten sowie Verlaufsinformation. Klassische Alternativen existieren, verlangen jedoch mehr explizite Strukturannahmen und Implementationsaufwand. KI-gestützte Modelle können dadurch eine höhere Prognosegüte erzielen und zusätzliche Perspektiven, z. B. für gezielte Interventionsprogramme zur Vermeidung unnötiger Gesundheitsausgaben, eröffnen. Dabei ersetzt KI keineswegs medizinische Expertise, sondern erweitert diese gezielt um datengetriebene Erkenntnisse und Hypothesengenerierung. Ziel dieses Projektes war es, mithilfe moderner KI-Methoden multimorbide Versicherte systematisch zu identifizieren, bei denen die eigentliche Grunderkrankung durch weitere Erkrankungen oder komplexe Krankheitskombinationen überlagert wird. Durch die longitudinale Kombination von Kosten und Daten zu Inanspruchnahmen sollen Ausreißer erkannt und differenzierte Krankheitsprofile erstellt werden.