Die Anwendung von Large Language Models (LLMs) im Klinikalltag bietet das Potenzial, organisatorische Prozesse wie die OPS-Kodierung zu automatisieren. In diesem Artikel wird der Einsatz von generativen KI-Modellen zur effizienten Kodierung von Operationen und Prozeduren anhand eines praktischen Use-Cases erläutert.
Die gängigen organisatorischen Prozesse könnten sein z.B. für Assistenzärzte Dokumentation in Form von Arztbriefen, für Fachärzte Abrechnung in Form von OPS-Kodierung, für MFA oder gar ärztliches Personal die Aufsuchung vom Betreuungsplatz in einer sozialen Einrichtung für multimorbiden Patienten.
In meiner beruflichen Laufbahn als Medizinstudent und später leitender Architekt von großen GenAI-Projekten ist mir häufig aufgefallen, dass es in Klinikalltag sich wiederholende Aufgaben gibt, deren Automatiserung zu erheblichen Aufwandreduktion führen würde. Solche Aufwandreduktion könnte man primär in finanziellen Metriken messen aber auch gibt es eine soziale Kompetenz, wie z.B. Zufriedenheit vom ärztlichen Personal, sich mehr Medizin widmen zu dürfen.
In diesem Artikel möchte ich mich an das Thema OPS-Kodierung mittels Large-Language-Models (LLM) widmen. Der Operationen- und Prozedurenschlüssel (OPS) ist die amtliche Klassifikation zum Verschlüsseln von Operationen, Prozeduren und allgemein medizinischen Maßnahmen. Mehr über OPS kann man hier nachlesen. Bereits mit Cody (Demo-Version hier verfügbar) haben wir zeigen können, dass das richtige Auffinden und Kodieren von anerkannten Therapieansätzen einfach und schnell gehen kann. Nun geht es darum, so ein Verfahren auf Edge-Geräten zu bringen, um eventuell solche Kodierung direkt am Gerät wie Smartphone durchzuführen.
Architektur
1. Der Anwender liefert dem Kodierungsdienst die Anweisung bei Patient X zu einem bestimmten Krankenhausaufenthalt die Kodierung vorzunehmen. Da dieser Schritt vom Krankenhausinformationssystem stark abhängt, könnte das bei verschiedenen Systemen stark unterscheiden.
2. In Pre-Processing-Schritt werden aus Epikrise therapierelevante Informationen extrahiert. Dies geschieht durch einem LLM, welches basiert auf Trainingsdaten und Anweisungen gezielt Informationen filtert, transformiert und zusammenfasst.
3. Diese Liste an möglichen Codes wird zunächst an Augmentationsalgorithmus weitergegeben.
4. Nun werden aus der Liste an relevanten OPS-Codes die richtigen Codes mittels Nearest-Neighbour-Algorithmus herausgesucht. Das geschieht hochperformant mithilfe einer Vektor-Datenbank, welche für solche Anfragen spezialisert ist. So eine Datenbank aufzubauen ist schwer. Daher habe ich hier die nötigen Tabellen zum Scrapen bereitgestellt.
5. In diesem Schritt liegen dem System alle Informationen vor. Das System gestaltet die Ausgaben dann an das vom Anwender erwünschte Format.
6. Die Ausgabe wird an Anwender gemacht.
Analyse aus Produktion
Aus unseren Daten aus der Produktion der Cody Demo hat Cody uns gezeigt, dass die allgemeine Bereitschaft sehr hoch war, so eine technologie im Alltag zu benutzen. Insgesamt haben wir im Zeitraum von 3 Monaten im Schnitt 22 Kodierungen/Tag verzeichnet. Die Zahl an sich mag nicht allzuhoch scheinen, aber im Demo-Pool von ca. 4 Krankenhäusern in dieser Instanz waren ca 20 Leute für die Demo freigeschaltet. Allerdings waren in der Eingabe nicht immer vollständige Epikrisen sondern auch kürzere Fallbeispiele. Diese wurden in der nachfolgenden Analyse nicht berücksichtigt.
OPS-Codes
Response Time
Schwierigkeiten
LLM-Limits
Außerdem kommt es immer wieder zu LLM-Content Moderation, weil zum Teil medizinische Texte durch Sicherheitsmechanismen falsch-positiv als anstößig oder sogar als Körperverletzung erkannt werden. Das hängt sehr vom LLM ab und erfordert meist Prompt Tuning.
Token/Rate Limits sind zwar immer weniger das Problem aber je nach Betrieber und Nutzeranzahl auch wichtig für Nutzerzufriedenheit.
Evaluation der Ergebnisse
Kurzgefasst: Die Algorithmen können entweder auch Näherungs- oder unabhängigen LLM-Backends können den Therapieansatz und den Erklärungstext zu OPS-Code überprüfen und ablehnen. Somit kann eine falsche Ausgabe vermieden werden.
Vorteile von LLMs im Klinikalltag
Standards
Plattform
Zusammenfassung
Ich bedanke mich, dass ihr euch Zeit genommen habt, diesen Blogpost zu lesen. Bei Fragen und Anregungen bin ich jederzeit per E-Mail an bijay.regmi@pexon-consulting.de erreichbar.
Author: Bijay Regmi – AI Lead Consultant
