Wie gut kann KI im Medizincontrolling unterstützen? - mit Mark Zluhan (Logex) und Lukas Aschenberg (Tiplu)

0:04 Im Frühjahr haben wir mit Logix-Vorstand Marc Zluhan darüber gesprochen, wie wichtig verknüpfte Daten für das Medizin-Controlling der Kliniken sind. Seitdem hat sich einiges getan. Logix hat das KI-Software-Haus T-Blue übernommen und dringt nun noch weiter in diesen Markt vor. Ab diesem Jahr, spätestens im nächsten Jahr, muss jedes Krankenhaus eine Datenpipeline aufbauen, um große Sprachmodelle für verschiedene Use Cases zu nutzen.

0:35 Wer das im nächsten Jahr nicht hat, wird hinten unterfallen. Zusammen mit Marc und Dr. Lukas Aschenberg, Mitgründer und Geschäftsführer von TPLU, sprechen wir über drei konkrete Use Cases aus dem Bereich Kodierung und Dokumentation, die heute schon Mitarbeitende entlasten und über die Frage, warum der Zugriff auf die eigenen Daten für Kliniken so wichtig ist.

0:58 Das Krankenhaus der Zukunft, der KMA-Podcast mit Dr. Tobias Krick. Diese Episode ist eine exklusive Kooperationsfolge mit unseren Partnern Logix und T-Blue, a Logix Company. Lieber Marc, lieber Lukas, schön, dass ihr beide da seid beziehungsweise wieder da seid. Mit dir, Marc, haben wir ja im Frühjahr schon eine Podcast-Folge aufgenommen.

1:23 Da ging es primär um verknüpfte Daten. Heute schauen wir uns dazu ganz konkrete Anwendungsfälle an. Vielleicht nochmal kurz der Blick zurück. Marc, du hast ja in der ersten Folge gesagt, das Problem ist nicht der Mangel an Daten, sondern der Mangel an verknüpften Daten. Kliniken haben KISS, Codier Tools, Controlling Software, Laborsysteme Und trotzdem steuern viele sehr zeitverzögert oder ungenau.

1:48 Wenn man sich das dann nochmal das große Bild anguckt, dann stellt man fest, die Krankenhausreform wird noch Jahre dauern. Die Planungsunsicherheit und der wirtschaftliche Druck, der bleibt auch hoch. Was muss sich an der Art, wie Kliniken mit ihren Daten arbeiten, grundlegend ändern, damit in dieser Situation wir handlungsfähig bleiben?

2:08 Ja, ich glaube, es hat sich nicht so viel verändert zu den Aussagen, die wir letztes Mal schon diskutiert haben. Unser Motto ist ja, bessere Entscheidungen durch vernetzte Daten zu treffen. Und wenn man sich jetzt, ich weiß gar nicht, ob das letzte Mal schon das GKV-Beitragsstabilisierungsgesetz draußen war, muss man ganz klar sagen, die Situation für die Krankenhäuser, die wird ja nicht besser.

2:28 Und jetzt tagt die Reformkommission, da sollen nochmal strukturelle Maßnahmen auf den Weg gebracht werden. Aber die Botschaft an die Krankenhäuser ist ja, dass eigentlich der Regulierungswahnsinn nicht weniger wird. Und insofern muss sich jedes Krankenhaus nach wie vor aufstellen im regionalen Markt. Wir müssen genau wissen, wo sind die Einweiser, wie ist das ambulante Setting, was wird da perspektivisch auch wegbrechen.

2:51 Und natürlich geht es auch darum, wirklich zu erkennen, wo sind die Schwachstellen in der Kostenstruktur, sei es im Primärbereich, im Sekundärbereich oder auch im tertiär Bereich, wo natürlich auch unsere Tools entsprechend mit Benchmarks und Potenzialanalysen helfen. Und ich bin nach wovor da überzeugt, dass man im Grunde genommen, wenn man ein Krankenhaus gut führen will, einfach natürlich auch ein holistisches Datenmodell verfolgt, dass man im Grunde genommen eben Effizienz, Prozessqualität und auch Ergebnisqualität zueinanderbringt.

3:20 Das wird in den nächsten Jahren weiterhin im Grunde genommen das große Primat sein, nachdem sich auch die Krankenhäuser entsprechend ausrichten werden. Okay, jetzt gab es ja, Lukas, du bist ja quasi neu hier mit in unserer Runde. Marc hat beim letzten Mal das Ganze schon eingeordnet. Dann doch auch einige Veränderungen im nächsten Jahr wird es geben.

3:38 Nämlich ab 2027 kommen mit den Einführungen der Leistungsgruppenänderungen auf uns zu neue Prüfebenen, kommen auch auf die Kliniken zu. Neben der klassischen Abrechnungsprüfung durch den medizinischen Dienst müssen Häuser dann auch nachweisen, dass sie bestimmte Qualitätsvorgaben tatsächlich erfüllen und Leistungen korrekt den Gruppen zu ordnen.

3:57 Gleichzeitig wird dann auch diskutiert, dass die bisherige Prüfquoten-Obergrenze gelockert werden soll. Das heißt, deutlich mehr Fälle werden geprüft, aber die Kliniken können sich nicht einfach mehr Leute im Controlling leisten. Das ist ja einfach Fakt. Wie löst man jetzt dieses Dilemma und was passiert mit den Häusern, die das nicht in den Griff bekommen?

4:14 Ja, also die Grundproblematik, finde ich, hast du eigentlich schon sehr gut beschrieben. Das sind nämlich Menschen, die im Moment diese Arbeiten machen. Und die Menschen wird man nicht einfach verdoppeln können. Die werden ja auch nicht einfach viermal so viel arbeiten können. Deswegen wird überhaupt gar kein Weg daran vorbeiführen, dass man hier mit Software-Tools gegen ansteuert.

4:33 Es gibt noch ein paar Leute, wir haben jetzt auf verschiedenen Kongressen, auf verschiedenen Veranstaltungen gesprochen, die sagen, also das Gesetz kann so eigentlich gar nicht durchkommen. Da wird es nochmal Änderungen geben und möglicherweise wird es ja alles gar nicht so schlimm. Und möglicherweise kommen ja diese angedrohten neuen Prüfquoten überhaupt nicht.

4:50 Kann man sich probieren, darauf zu verlassen, dass das so kommt. Und ich will es auch gar nicht ausschließen, dass vielleicht es nochmal ein bisschen nachgebessert wird, weil so ist es ehrlich gesagt absoluter Wahnsinn für die Krankenhäuser. Aber hin wie her, ich glaube, man wird sich die Leute nicht aus den Rippen schneiden können und man wird über Software Probleme lösen müssen.

5:07 Und zwar Probleme in der Effizienz. Wenn ich im Vorfeld eine Anzahl x Fälle bearbeiten konnte und ich jetzt einfach x mal 4 an Fällen bearbeiten muss, dann kann ich das nur schaffen, wenn ich in der einzelnen Bearbeitung schneller werde. Und das geht nur über Software und das geht auch nur, wenn diese Software auf die Daten zugreifen kann, auf die ich als Mensch bisher zugegriffen habe, um es manuell zu bearbeiten.

5:29 Ja, finde ich nachvollziehbar. Also menschliche Effizienz nur über menschliches Besserarbeiten zu erhöhen ist in meinen Augen jetzt. Die Grenzen sind erreicht im Krankenhaus. Software muss ja letztendlich die Lösung sein. Ganz interessant, Marc, du hattest im Vorgespräch gesagt, die Entscheidungen im Krankenhaus sind ja grundsätzlich erstmal miteinander verknüpft.

5:47 Klinik, Codierungen, Kosten. Aber das große Problem ist, dass die Daten, die zu diesen einzelnen Entscheidungen gehören, nicht miteinander verknüpft sind. Vielleicht könnt ihr das nochmal an einem ganz konkreten Fall greifbar machen, was damit gemeint ist. Also wenn wir uns das Produktportfolio von Logix anschauen, dann ist es ja schon so, dass wir jetzt eher von der strategischen Seite kommen.

6:08 Dass wir im Grunde genommen die Transparenz zum Medizinportfolio, zur Effizienz in den einzelnen DRGs auch herstellen. Und natürlich würde man erwarten, dass man dann eigentlich mehr oder weniger auf Knopfdruck auch erkennen kann, was sind die eigentlichen Zusammenhänge in den Prozessen, was passiert eigentlich in den einzelnen Bereichen, Sei es jetzt Labor, Radiologie, OP etc.

6:33 Aber de facto hat man diese Transparenz und diese Vernetzung in den Krankenhäusern nicht. Das Gegenteil ist der Fall. Wenn man mit Krankenhauskontrollern spricht, dann ist immer noch viel händische Arbeit dabei, X-Medienbrüche. Man hat verschiedene Subsysteme, die nicht optimal an die KISS-Strukturen angepasst sind, trotz FIRE etc.

6:54 Und das ist eigentlich auch genau die Rationale, warum es so wahnsinnig viel Sinn macht, dass Tiplu und Lodget zusammengekommen sind, weil Tiplu natürlich diese Konnektivität hat, um tatsächlich diese Heterogenität in den digitalen Strukturen der Krankenhäuser auch entsprechend zu kompensieren. Und der zweite Riesenvorteil von Tiblo ist natürlich, dass sie extrem viel Erfahrung haben, auch jetzt mit KI-gestützten Tools.

7:19 Wie kann man eigentlich dann tatsächlich vor Ort die Workflows direkt optimieren? Also ich finde, das ist wirklich eine perfekte Synergie, dass wir, von den strategischen Potenzialtools hören so will, das dann entsprechend verknüpfen mit operativen Tools, die sofort auch das Controlling, die Codierer oder eben auch die Ärzte entlasten und ich glaube, das ist eine Riesenperspektive.

7:45 Wo wir natürlich auch entsprechend weiter daran arbeiten, dass diese Konnektivität und die KI-Fähigkeiten von TipBlue dann auch auf die Produkte von Logix entsprechend angewendet werden. Und da entsteht, glaube ich, ein unheimlich reichhaltiges Portfolio, was den Krankenhäuser dann auch wirklich hilft, durch die nächsten Jahre zu kommen.

8:05 Ich finde das schon sehr treffend, wie ihr das beschreibt. Ich war letzte Woche auf einem Krankenhauskongress und habe mich noch mal mit den Teilnehmern dort unterhalten. Und letztendlich war eine der Kernaussagen, ja, wir machen es eigentlich noch alles fast wie vor zehn Jahren, also mindestens mal zehn Jahre.

8:18 Es hat sich gar nicht so viel verändert. Jetzt sind wir im Jahr 2026. KI ist in aller Munde. Es gibt so viele Möglichkeiten. Ihr bietet verschiedene Unterstützungsmöglichkeiten an. Das bringt uns auch direkt zum Thema. Lass uns doch mal in konkrete Anwendungsfälle schauen. Also lasst uns mal gucken, was geht heute schon mit KI, mit Technologie und dafür haben wir uns ja vorgenommen, dass wir mal mit dem Thema Codierung anfangen, und Lukas ist da auf jeden Fall der Richtige, um zu beschreiben, ihr habt ja vor einigen Monaten den MOMO-Codieragenten gelauncht, dazu den MBEG-Assistenten.

8:52 Erklär einfach mal, wenn ich jetzt ein Geschäftsführer, Geschäftsführerin von der Klinik bin, was genau macht das Tool und wie verändert das den Arbeitsalltag im Medizincontrolling? Es ist so, dass die, dass Mehraufwände, die gerade durch die Prüfquoten entstehen, grundsätzlich im Medizinkontrolling angesiedelt werden. Das heißt, die Leitungen im Medizinkontrolling sind vor allem diejenigen, das sind natürlich auch die, mit denen wir am meisten Kontakt haben, die uns jetzt fragen, wie können wir damit umgehen?

9:20 Unsere Leute haben zukünftig Mehrarbeit. Und diese Mehrarbeit kann man in verschiedene Bereiche aufteilen und es sind auch genau diese beiden Tools, die du angesprochen hast. Das ist zum einen natürlich die Primärkodierung, da kommt der Momo-Codier-Agent ins Spiel. Aber es ist dann auch nachgelagert die Kommunikation und letztlich die Verteidigung der Fälle, wenn die Kasse oder möglicherweise später der MD dann kommt und sagt, so wie der Fall abgerechnet ist, sehe ich das aber nicht und hier möchte ich nochmal rangehen.

9:48 Und ich fange mal mit dem MBAC-Assistenten an, auch wenn der quasi am hinteren Teil dieser Kette ist, der ist schön leicht zu verstehen. Das, was heutzutage passiert, wenn ein Fall kodiert wurde und an die Kasse geschickt wurde, dann kann die Kasse verschiedene Fragen zu diesem Fall stellen. Und eine ganz wichtige Frage, die auch sehr häufig gestellt wird, ist, musste dieser Fall überhaupt im Krankenhaus behandelt werden?

10:13 Und ich kenne das noch aus meiner ärztlichen Tätigkeit von früher. Das geht dann ans Medizinkontrolling. Und die haben dann häufig, das ist nicht in allen Häusern so, aber auch bis heute in vielen Häusern, haben dann einen kleinen Zettel, eine E-Mail, wie auch immer, an die behandelnden Ärzte und Ärztinnen geschickt, haben gesagt, bitte einmal begründen, das ist nämlich dieses M-BEC, das ist die Begründung, M-medizinische, B-BEC, Begründung, dafür, dass dieser Patient tatsächlich, diese Patientin im Krankenhaus behandelt wurde.

10:38 Da muss man dann ewig drauf warten, dass sich vielleicht mal Arzt oder Ärztin dazu meldet, Vielleicht schreibt das Medizinkontrolling das auch selbst. In jedem Fall muss man die Patientendaten zu diesem individuellen Patienten prüfen. Auch diejenigen, die den Patienten vielleicht irgendwann mal behandelt haben, müssen nochmal nachgucken. Das heißt, was tue ich? Ich schaue in die Patientenakte.

10:56 Ich probiere zusammenzufassen, was dort passiert ist und schreibe daraus semantisch einen Text, der explizit beschreibt, warum dieser Patient im Krankenhaus behandelt wurde. Und das, dieses Daten analysieren und daraus einen semantischen Text zu schreiben, ist nun mal die Paradedisziplin von den großen Sprachmodellen.

11:16 Das, was heutzutage die meisten Leute ja kennen aus dem privaten Nutzen, ist ChatGPT, da gibt es noch viele andere. Aber letztlich ist das Konzept überall das gleiche. Ich gebe die Daten rein, ich stelle eine Frage über ein Prompt. Es kann auch ein komplexer Prompt sein, wo verschiedenste Anfragen mit drin sind und dann kriege ich ein Ergebnis.

11:33 Und das ist etwas, was die Systeme sehr, sehr gut können, vorausgesetzt, sie bekommen die vollständigen Patientendaten. Und das ist, ich will jetzt nicht sagen Abfallprodukt, aber das ist etwas, was wir bei TIPLO ja schon seit vielen, vielen Jahren machen, weil wir diese Daten immer schon für die Abrechnung nutzen mussten.

11:49 Das heißt, diese Daten kann man mittlerweile per Knopfdruck einfach kurz an ein Sprachmodell schicken und vereinfacht gesagt sagen, schreib mir daraus die M-Bag. Ich muss nicht mehr irgendjemand anders ansprechen, ich muss auch nicht mehr händisch die Patientenakte durchsuchen, sondern ich drücke auf den Knopf und kriege die Beschreibung.

12:04 Und das haben wir auch schon seit, wir haben im März mit dem ersten Haus angefangen, das zu testen. Wir haben das hoch und runter getestet und wir haben das auch schon im Live-Betrieb an die Rückmeldung, an die Kassen zurückgeschickt und haben auch die Rückmeldung gekriegt. Er hat zum Beispiel eine Kasse bei einem der Testhäuser angerufen und hat gesagt, was ist denn bei euch los?

12:18 Warum sind eure M-Bags auf einmal so gut geworden? Denn es ist nicht nur so, dass die das gut können, die können das ehrlicherweise im Schnitt auch besser als der Mensch. Das ist eben einfach die Paradedisziplin dieser Tools. Genau dafür sind die da. Und das ist der M-Bag-Assistent. Das heißt, darüber hat man schon mal in dieser Kommunikation einen erheblichen Effizienzgewinn.

12:39 Den man übrigens auch noch weiterdenken kann. Das machen wir auch und das entwickeln wir gerade. Das geht natürlich auch dann später darum, wenn man dann irgendwelche Gutachten, die vielleicht dann vom MD kommen oder ähnliches, die man auch darüber bearbeiten kann. Nur für mein Verständnis bzw. für meine Vorstellung, ist es irgendwie logisch, wenn ich ein Sprachmodell einsetze, um einen manuellen Schritt effizienter zu gestalten, dann hat man eine Zeitersparnis. Wäre jetzt eigentlich die logische Argumentation.

13:03 Meine Frage, wenn wir bei MBEG schon sind, gibt es da auch irgendwie Grenzen? Gibt es etwas, was das Modell noch nicht kann? Es gibt spannende Themen, die wir da jetzt in dem Rahmen, wo wir das ausprobiert haben, gelernt haben. Das eine war zum Beispiel, dass unser Einback-Assistent am Anfang nie zugeben wollte, wenn es keine Begründung für einen stationären Aufenthalt gab.

13:20 Denn, das muss man ja auch ganz ehrlich sagen, es gibt auch heute noch Patienten, die werden aufgenommen und die hätten nicht aufgenommen werden müssen. Und das System hat immer irgendeine Begründung, probiert sich aus den Fingern zu saugen. Das heißt, das haben wir dem erstmal beibringen müssen, dass es dann auch ehrlich sagt, wenn du keine Begründung findest, dann gib uns bitte auch die Rückmeldung.

13:37 Das heißt, das waren Themen, wo wir so ein bisschen austarieren mussten. Und dann ist es auch so, dass die Häuser durchaus unterschiedliche Strategien fahren, wie sie ihre M-Bag an die Kassen schicken. Ob sie sie entweder sehr ausführlich machen oder ganz bewusst sehr wenig. Und das sind dann nicht wirklich Grenzen, sondern das sind dann eben Einstellungen, die man pro Haus vornehmen muss und auch vornehmen kann.

13:54 Die Frage, die ich mir noch gestellt habe, ist, wenn ihr das jetzt so ausgiebig getestet habt, dann wisst ihr ja wahrscheinlich auch, wie viel Zeit damit gespart werden kann. Oder gibt es da Berechnungen? Gibt es da Zahlen zu? Ja, das ist total unterschiedlich. Es ist so, dass für einen durchschnittlichen Fall, zumindest in einem Haus, wo wir das Ganze am Anfang mal aufgenommen haben, haben die im Schnitt etwa so um die zehn Minuten gebraucht für eine M-Bag.

14:17 Das ist total unterschiedlich. Es gibt Fälle, da geht es mal schneller. Es gibt Fälle, da geht es nicht ganz so schnell. Und dann gibt es natürlich auch noch die Zeiten, wenn ich einfach darauf warten muss und immer nachhaken muss, wenn ich jetzt zum Beispiel bei einem Arzt oder Ärztin immer keine Rückmeldung kriege, dann ist das natürlich auch Zeit, die noch obendrauf kommt.

14:32 Aber die reine Bearbeitungszeit bei denen war um und bei 10 Minuten. Und das ist auf wenige Sekunden gekürzt worden. Pro Fall. Pro Fall, ja. Das ist schon ein erheblicher Zeitgewinn. Bevor wir Momo-Codier-Agenten noch besprechen, das hattest du jetzt noch nicht im Detail erklärt, es gibt aber schon ein Human in the Loop, also gerade bei diesem Problem, was du am Anfang beschrieben hast, dass quasi die KI was erfunden hat, eine Begründung erfunden hat.

14:56 Gibt es da einen Prüfprozess? Wie garantiert ihr, dass dann am Ende auch das Ergebnis stimmt? Ja, wir können das nicht garantieren. Das muss man ganz klar so sagen. Das heißt, das, was dabei rauskommt, ist ein fertig formulierter Text, den man in der Software auch, wenn man möchte, in der echten Patientenakte gegenprüfen kann.

15:16 Es ist aber so, dass dieser Text dann von den Menschen an die Kasse geschickt wird. Und im Rahmen dieses Schickens durch einen Menschen übernimmt der Mensch auch die Verantwortung für den Inhalt. Das bedeutet, wir helfen hier etwas vorzuformulieren. Und der Mensch ist aber verantwortlich dafür, dass das im Detail auch am Ende korrekt ist.

15:35 Das heißt aber auch die Person muss es ja nochmal lesen. Und dementsprechend, da würde man jetzt auch noch ein bisschen Zeit für aufwenden. Wenn man jetzt den Prozess in Sekunden berechnet, die Zeit zur Prüfung müsste man fairerweise mit einrechnen. Ja, genau. Es ist aber so, dass es eine gewisse vorgefertigte maximale Zeichenanzahl gibt. Ich bin mir ehrlich gesagt gar nicht ganz sicher, ob es 500 oder 700 Zeichen sind.

15:53 Aber alleine durch die Definition ist es so, dass die M-Bec überhaupt gar nicht lang sein kann. Das heißt, die liest man schon in wenigen Sekunden durch. Das ist jetzt kein Gutachten, was man da schreibt. Und in der Regel ist es ja auch so, die Patienten, die hier angefragt werden, sind jetzt nicht die komplexen Patienten, die viele, viele Wochen im Krankenhaus lagen, sondern das sind Patienten, die man relativ schnell durchschauen kann.

16:13 Das heißt, ich lese es mir durch, ich sehe, ob es plausibel ist, vielleicht klicke ich noch einmal in die Patientenakte, um einen Punkt nachzuvollziehen, aber dann bleibe ich bei, am Ende sind es dann vielleicht 30 bis 45 Sekunden. Okay, stell uns doch nochmal eben den Codieragenten vor im Verhältnis zu MBEG.

16:27 Ja, was haben wir dann gemacht? Wir haben uns dann überlegt, mit MBEG haben wir angefangen, das lag auch nahe, da kam ein semantischer Text raus. Wir haben aber dann auch gesagt, kann man diese Power der großen Sprachmodelle nicht vielleicht auch für den anderen Bereich der Medizinkontrolling natürlich viel Zeit frisst, nämlich das Primärcodieren von Fällen.

16:46 Für diejenigen, die sich da nicht so gut auskennen, ist es so, wenn man einen Fall im Krankenhaus behandelt hat, dann gibt es Menschen, die diesen Fall überprüfen. Und das, was dort getan wurde, die Leistung, die erbracht wurde, die werden übersetzt in Abrechnungscodes. Das sind ICD- und OPS-Codes. Und diese Codes bilden dann eine DRG.

17:05 Und die ist wiederum dann bewertet. Das heißt, dafür gibt es dann Geld von der Kasse. Das heißt, das, was an die Kasse geht, sind letztlich diese Codes. Und dieser Übersetzungsprozess von einer Patientenakte in diese Codes, das ist das, was wir schon seit vielen, vielen Jahren machen. Und da haben wir uns gefragt, können wir nicht auch diese Übersetzung beschleunigen durch die großen Sprachmodelle.

17:24 Und das ist nicht die Paradedisziplin, das muss man sagen, weil da kommen am Ende Codes raus und es sind auch andere Logiken, die dahinter liegt, da kommt kein Freitext am Ende raus. Und es gibt viele, die auch das schon selber probiert haben, gerade Medizinkontrolling, die dann mal einen Arztbrief händisch anonymisiert haben, die in den Chat GPT kopiert haben und geguckt haben, was da rauskommt.

17:40 Das sieht auf den ersten Blick immer ganz okay aus, ist aber tatsächlich nicht so gut, weil das Codieren sehr komplex ist. Es gibt Abhängigkeiten. Welche Codes kann man gleichzeitig codieren? Welche nicht? Was sind Codierempfehlungen von bestimmten Fachgesellschaften? Wie muss ich damit umgehen? Was gibt es gegebenenfalls sogar für Codes, also welche Codes tatsächlich endständig existieren, die sich JGPT nicht ausgedacht hat? Denn auch das kann man bei solchen Dingen sehen.

18:04 Und da haben wir ein recht komplexes Agentensystem aufgebaut, was eben genau diese Information dem System zuliefert. Was darf ich, was darf ich nicht, was sind die deutschen Codierrichtlinien, wo muss ich mich danach verhalten? Und haben dann geguckt, ob wir mit dem Ergebnis der großen Sprachmodelle, mit den bisherigen Ergebnissen unserer Momo-Logik, die viel auf Regeln, aber auch auf Freitextanalysen basierte, ob das da mithalten kann.

18:28 Damit tatsächlich sehr schnell festgestellt, dass es mithalten kann und dass es in einigen Szenarien sogar dem deutlich überlegen ist. Es ist so, dass wir durch diese Technologie, mittlerweile sehen können, dass wir in einem Durchschnittskrankenhaus über 80 Prozent der DRGs, also des Ergebnisses, was letztlich dafür verantwortlich ist, wie viel Geld das Krankenhaus für die erbrachte Leistung von der Kasse kriegt, in über 80 Prozent exakt so liegt wie der Mensch.

18:57 Bei den anderen 20 Prozent sind wir uns noch nicht sicher, ob es vielleicht sogar richtiger ist als der Mensch. Da sehen wir erstmal nur Diskrepanz, das haben wir noch nicht ausgewertet. Aber es ist so, dass wir auf dem ersten Schlag gesehen haben, dass wir hier auch sehr, sehr, sehr gute Ergebnisse erzielen, die tatsächlich ein extrem hohes Automatisierungspotenzial haben, was dann natürlich wieder auf die Effizienz einzahlt.

19:18 Das heißt, wenn ich mich selbst mit einem MBEG-Assistenten oder mit anderen Themen um erhöhte Prüfquoten kümmern muss, da das häufig ähnliche Leute, wenn nicht sogar exakt die gleichen Leute, aus dem gleichen Medizinkontrolling sind, kann ich dort wiederum Effizienzen heben, weil ich einfach sehr viel schneller kodiere, sodass ich im Zweifelsfall mich dann auch mit meinen Ressourcen mehr um die Prüfquoten kümmern kann.

19:40 Was ich mich eben noch gefragt habe, ist, wenn ihr den Test gemacht habt und euer Modell gegen ein klassisches Modell wie ChatGPT angetreten ist. Auf was basiert denn euer Modell und wie steht es im Verhältnis zu so einem Chat-GPT? Was macht es besser? Also das, was wir bisher gemacht haben in Momo, sind verschiedene Bereiche.

19:59 Das, was wir über Jahre aufgebaut haben, ist unter anderem ein extrem umfangreiches Regelwerk. Das sind ganz klassische Wenn-Dann-Regeln. Also so ein Beispiel ist, ich habe einen bestimmten Laborparameter, der es erhöht oder erniedrigt. Und wenn das erfolgt, dann kann ich einen entsprechenden Abrechnungscode dafür vorschlagen. Das ist sehr simpel, aber auch häufig sehr korrekt.

20:20 Und da muss man auch sagen, diese Regelwerke sind auch effizienter bei solchen Themen als die großen Sprachmodelle, weil ich kann natürlich auch ganz viele Laborwerte an ein Sprachmodell schicken und sagen, schau bitte nach, was ist hier pathologisch. Ich kann aber auch einfach eine Regel sagen, wenn Wert kleiner als Y, dann ist folgendes.

20:36 Und da sehen wir auch schon, dass wenn man die beiden Sachen kombiniert, dass man sogar noch effizienter wird. Das haben wir noch nicht abschließend getestet. Aber wir haben auf diesen Regeln basierend und auch auf KI-Modellen, die wir selber trainiert haben. Das sind dann aber keine großen Sprachmodelle gewesen, sondern das sind Modelle gewesen, die letztlich eine Mustererkennung machen. Ähnliches Prinzip, aber doch ein bisschen anders.

20:58 Die aber auch auf Semantik bestimmte Formulierungen wiedererkannt haben und gesagt haben, wenn die Formulierung so ist, dann habe ich gelernt aus einem großen Satz von Trainingsdaten, dass ich dann diesen oder jenen Abrechnungscode mit reinnehmen kann. Ein bisschen anderer Approach, aber vom Prinzip ein ähnliches Ergebnis, was auch bisher Goldstandard in Deutschland war und wo wir jetzt einfach selber sehen, dass wir diesen Goldstandard nochmal mit den Sprachmodellen überbieten können.

21:24 Also letztendlich ist ja immer die Basis der Arztbrief und das Tool liest quasi aus, was steht dort und wenn dann die Wenn-Dann-Regel eintritt, dann wird entsprechend etwas kudiert. So habe ich es jetzt verstanden. Ja, es ist aber ganz wichtig, der Arztbrief alleine reicht nicht. Wenn der Arztbrief immer perfekt und vollständig geschrieben wäre, dann würde das stimmen. Das ist aber nie so.

21:43 Das heißt, ich muss mir auch immer die Visiten-Dokumentation angucken, also die ärztliche Dokumentation, die Pflegedokumentation. Ich muss mir die Laborparameter angucken, die Medikamente, die gegeben wurden. All das spielt letztlich zusammen mit der Leistung, die im Krankenhaus erbracht wurde. Und nur wenn ich mir alles angucke, kann ich auch sicherstellen, dass ich am Ende leistungsgerecht abrechne und ich als Haus auch die Vergütung kriege, die ich erbracht habe.

22:04 Okay, das heißt, wir sprechen hier nicht über Theorie. Das ist Praxis, das ist in Anwendung, das funktioniert. Dann lass uns doch weiterspringen, Lukas, zu dem Bereich, der mindestens mal genauso viel Zeit frisst und genauso viel Aufwand verursacht für das Personal in Kliniken, nämlich Dokumentation.

22:21 Vielleicht sogar noch ein bisschen mehr Aufwand, wenn man es mal fairerweise betrachtet. Und der zweite Use Case ist MayaDoc, also auch ein Tool, das du uns gleich nochmal erklären wirst. Das automatisiert unter anderem die Arztbriefschreibung, also eine der Grundlagen für das, was wir vorher besprochen haben.

22:36 Klingt ja eigentlich wie der Traum für jede Ärztin und jeden Arzt, einfach nur noch Briefe diktieren und dann hat man seinen Arztbrief. Wie funktioniert es jetzt in der Praxis? Also die Grundlage ist genau die gleiche, deswegen kann ich mich hier glaube ich auch ein bisschen kürzer fassen. Es ist so, in dem Moment, wo ich Zugriff habe auf Visiten-Doku, Pflegedoku und all die weiteren Informationen in dem Fall, kann ich die natürlich zusammenfassen zu zum Beispiel einem Arztbrief.

23:03 Das ist ja letztlich auch nichts anderes, was ein Arzt oder eine Ärztin macht, setzt sich hin, schaut sich an, was ist passiert und schreibt es eben so zusammen, dass der weiterbehandelnde Kollege, weiterbehandelnde Kollegin danach weiß, was vorgefallen ist. Das ist wiederum, kommen wir wieder zum Begriff Paradedisziplin, von einem großen Sprachmodell, sich genau darum zu kümmern.

23:21 Aber es gibt ja noch unendlich viel mehr Use Cases. Also es ist tatsächlich so, wenn ich Zugriff habe, und das ist eben der Zugriff, den Tipo über viele, viele Jahre aufgebaut habe, auf die Patientenakte, dann kann ich auch eine Zusammenfassung schreiben, was ist denn eigentlich im letzten Wochenende, passiert, wenn ich eine Pflegeübergabe mache.

23:38 Ich kann mir eine kleine Zusammenfassung machen, wenn ich als Arzt oder Ärztin ins Tumorboard gehe und im Tumorboard über einen Patienten berichten muss. Ich kann mir die richtigen, wichtigen Daten rausschreiben für zum Beispiel Registerbefüllung. Und ähnliches. Ich könnte da immer weitermachen. Es ist so, in dem Moment, wo man diese Daten hat und sie durch ein LLM auswerten lassen kann, hat man an so vielen verschiedenen Fronten einen Effizienzgewinn, weil es im Krankenhaus jeden Tag, ich weiß nicht wie viele etliche Male passiert, dass irgendein Mensch in diese Patientenakten reinklickt, um sich irgendwelche Informationen rauszuholen.

24:13 Wir kommen nun mal aus der Abrechnung, deswegen war unser erster Use Case. Alles, was mit Medizinkontrolling zu tun hat, aber da gibt es natürlich alles, was mit Dokumentation und Auswertung daraus zu tun hat, noch viele, viele weitere. Und der Arztbrief ist einfach sehr schön greifbar, weil da gibt es auch Berechnungen zu, wie viel Zeit Ärzte und Ärztinnen eigentlich mit der Arztbriefschreibung verbringen.

24:32 Und wenn man sich hier überlegt, auch da muss natürlich eine Arzt und Ärztin nochmal wieder durchlesen, nochmal genau gucken, ist das, was hier generiert wurde, wirklich das, was ich auch für den Arztbrief weiter und freigeben möchte. Aber hier kann man sofort mit Händen greifen, wie stark man auch hier bei anderen Berufsgruppen außerhalb des Medizinkontrollings Effizienzen heben kann.

24:52 Was ist denn genau noch der Aspekt, den Arzt und Ärztin neben dem Durchlesen am Ende tun muss? Gibt es da noch was, was sie tun müssen? Also die haben verschiedene Möglichkeiten. Das ist, glaube ich, das Wichtige und das unterscheidet auch bei uns. Dieses Tool heißt ja MayaDoc. Das, wie sich dieses Tool von anderen Produkten am Markt unterscheidet, ist, dass man hier selber prompten kann.

25:11 Das heißt, man gibt auch selber ein, wie man was haben möchte, weil nicht jeder Arztbrief sieht genau gleich aus und auch nicht jeder Inhalt ist genauso, wie man sich das als Hersteller vielleicht vorher gedacht hat. Das heißt, die Einstellungsmöglichkeiten sind letztlich das, was, glaube ich, den großen Unterschied macht. Ob ich es kurz gefasst haben will, ob ich es in Stichworten haben will. Ich hatte mal einen Oberarzt, der hat all seine Arztbriefe nur in Stichworten geschrieben, weil er gesagt hat, die weiterbehandelnden Kollegen wollen keine langen Texte lesen.

25:38 Wie ich es auch eben haben möchte, genau, das habe ich nur einmal erlebt, aber gibt es. Wie ich es eben haben will, kann ich mir eben selber daran einstellen. Letztlich ist es aber auch hier und insbesondere, wenn es um sowas Relevantes geht, wie ein Arztbrief, liegt die Verantwortung bei den Ärzten.

25:54 Und die sind auch letztlich diejenigen, die es gegenlesen und freigeben und auch im Zweifelsfall nochmal anpassen müssen. Okay, also ich stelle mir das so vor wie so ein Eingabefenster bei einem klassischen, Tool, was man jetzt auch nutzen kann, wie bei ChatGPT. Da prompte ich meinen Gedanken rein, sag dem Tool so, mach bitte den Arztbrief auf die Art und Weise und dann macht das das. Das ist die Aufgabe am Anfang.

26:13 Genau, man würde die Prompts aber eben für sich selber einmal festlegen, dass man es nicht jedes Mal wieder neu machen will. Ich will, dass mein Arztbrief so oder so oder so geschrieben wird. Und wenn ich das nächste Mal drauf drücke, dass mein Arztbrief generiert wird, wird das eben behandelt. Automatisch.

26:24 Gut, jetzt hast du es schon eben angesprochen, dass mit dem Arztbrief ja in der Regel auch noch was passiert, dass er nicht nur zur Dokumentation dient, sondern auch eben zur Kommunikation mit Zuweisern, Nachbehandlern. Wie funktioniert das Tool da? Was muss Arzt oder Ärztin da noch machen und wie stellt ihr die Qualität sicher, dass das dann auch individuell im Kontext steht?

26:42 Ja, letztlich ist es ja so, dass die Arztbriefe in der Regel durch ein entsprechendes Softwaremodul häufig im Krankenhausinformationssystem angesiedelt, dass darüber die Briefe letztlich erstellt und auch weiter verschickt werden. Wir helfen dabei, den Inhalt zu generieren, der dann über verschiedene Wege, aber unter anderem auch manuell in diese Module übertragen wird.

27:07 Und mit dieser Übertragung erfolgt auch die Validierung durch die Ärzte und Ärztinnen. Das heißt, alle weiteren nachgelagerten Schritte sind wir gar nicht mehr involviert. Wir helfen dabei, diesen Text zu formulieren und danach laufen die Prozesse in den Häusern so gut oder so schlecht, wie sie eben sind, weiter ab.

27:22 Da muss man ehrlicherweise sagen, da haben wir dann nichts mehr mit zu tun. Okay, jetzt haben wir ja unsere zwei Fälle oder eigentlich fairerweise drei Fälle besprochen. Gibt es noch was anderes, was ihr gerade macht im Kontext Arztbriefe, andere Anwendungsfälle, die du uns nennen willst? Also diese Software MayaDoc ist tatsächlich so, immer wenn wir mit Kunden darüber reden, in zehn Minuten Gesprächszeit fallen einem in der Regel fünf weitere Use Cases ein.

27:47 Deswegen ist sie eben auch so gebaut, dass man dort selber auch über eigene Prompts sich weitere Use Cases überlegen kann. Die wichtigsten Use Cases sind aber glaube ich tatsächlich die, die einfach für bestimmte Berufsgruppen am meisten Zeit fressen. Da sind sicherlich Themen wie Registerbefüllung, aber auch Qualitätsbögen, die ausgefüllt werden müssen, sind wahrscheinlich so Anwendungsbeispiele, die viele Leute einfach greifen können, weil sie damit täglich konfrontiert sind.

28:11 Ich finde es immer gut, wenn Anwenderinnen und Anwender selber Ideen einbringen und wenn ihr das dann auch aufnehmt, hat das ja sowieso wahrscheinlich auch für eure fortschreitende Geschäftsentwicklung positive Effekte. Wir haben jetzt über Codierung und Dokumentation gesprochen. Beides Bereiche, in denen man Klinikpersonal im Alltag sehr gut entlasten kann, beziehungsweise wo sie aktuell noch sehr belastet sind.

28:34 Wenn wir jetzt mal zusammenfassen sollten, Mark und Lukas, welche Berufsgruppen werden denn von euren Tools am meisten entlastet? Und auch wenn wir schon ein paar konkrete Zahlen genannt haben, wie hoch ist die Entlastung realistisch vom Zeitgewinn im Durchschnitt? Also ganz allgemein kann ich sicherlich sagen, dass natürlich das Klinikcontrolling, das Medizinkontrolling wird sicherlich entlastet. Das ist klar.

28:57 Die Kodierer werden entlastet, aber natürlich auch die Ärzte in ihrem klinischen Alltag. Und das ist schon ein Riesenvorteil, weil wir kennen das alle. Ich glaube, 30 Prozent der ärztlichen Tätigkeit ist mit administrativen Dingen verbunden. Und das ist natürlich auch ärgerlich für die gesamte Effizienz, aber auch einfach vom Doing her. Und wenn da Technologie helfen kann, dann glaube ich, ist es ein Riesenvorteil.

29:19 Definitiv. Kriegen wir noch eine Zahl, Lukas? Also für den ärztlichen Bereich haben wir das ehrlicherweise nicht. Das ist auch extrem schwer, weil Ärzte auch eine Berufsgruppe sind, die schwer zu greifen sind und mit denen man auch schwer solche Tests durchführen kann. Zumindest ist das unsere Erfahrung.

29:37 Insofern habe ich das für MayaDoc und die Dokumentation nicht. Wir wissen es eben für den MBEG-Bereich. Die Zahlen habe ich vorhin schon genannt. Und für die Codierung haben wir so Richtwerte. Es ist so, dass man bei der Codierung bei, wir unterteilen das in komplexe, anspruchsvolle und einfache Fälle.

29:55 Und bei einfachen Fällen ist es so, dass wir wirklich die Bearbeitungszeit erst mal auf einen ganz kurzen Zeitraum, sprich, wenn ich einen einfachen Fall codiere, dann brauche ich dafür fünf Minuten. Irgendwie Blinddarmentzündung ist operiert worden, ist nach Hause gegangen. Das kann ich schnell machen.

30:11 Das ist aber etwas, was das System auch extrem schnell anzeigen kann. Da gucke ich einmal drauf, sehe unkomplizierte Appendizitis. Hier sind meine drei Codes mit drin. Fertig, Abschluss. Da brauche ich wenige Sekunden für und kann das dann sogar auch vollständig automatisieren, wenn ich gesehen habe, dass ich diese Art von Fällen, von 100 Fällen, 100 Male genauso bestätigt habe, wie das System das vorgeschlagen hat.

30:33 Bei anspruchsvolleren Fällen ist es dann aber schon so, dass der Mensch ein bisschen raufgucken muss. Und da kann man schon so ein bisschen in die Richtung rechnen, dass man vielleicht für einen anspruchsvolleren Fall 20 Minuten braucht. Und da gehen wir im Moment davon aus, dass wir so eine Verbesserung in der Effizienz haben im Bereich von 60 bis 70 Prozent. Da muss man schon nochmal nachgucken.

30:52 Das ist noch nicht direkt automatisch. Aber dann kommen wir eben von 20 Minuten irgendwo in den Bereich von 8, 9 Minuten. Und wenn ich in die komplexen Fälle gehe, wirklich Fälle, die lange, viele Wochen lagen im Krankenhaus, das sind Fälle, wo auch heute Menschen teilweise eine Stunde, manchmal auch noch länger dran sitzen.

31:11 Und auch da ist es so, wenn ich jetzt mir den Intensivaufenthalt angucke, da muss man so Punkte zählen und ähnliches. Da sind die Systeme ganz gut, aber das sind so relevante Kostenblöcke, da muss ein Mensch nochmal raufgucken. Und da gehen wir im Moment so von einer Zeit von 50 Prozent aus. Das heißt, wenn ich jetzt eine Stunde vorgebraucht habe, brauche ich aber immer noch eine halbe Stunde für einen extrem komplexen Fall.

31:31 Das bringt trotzdem viel, aber es ist eben extrem abhängig davon, was für einen Fall ich mir angucke. Also mit Sicherheit wäre es interessant in Zukunft da auch nochmal, vielleicht habt ihr die Gelegenheit, das mit Zahlen, mit Studien, mit Messungen noch weiter zu untermauern, dass das jetzt die logische Argumentation dann auch in Zahlen übersetzt werden kann, die ihr gemessen habt.

31:50 Mich würde nochmal, davon abgesehen, ein ganz anderer Punkt interessieren. Und zwar haben wir jetzt ja ganz viel über KI gesprochen. Und KI ist ja eigentlich das Buzzword des Jahrtausends gefühlt. Also alle sprechen über KI, alle machen irgendwas mit KI. Es gibt ganz viele Anbieter, die KI haben. Du hattest das ja vor kurzem eben auch erwähnt, dass ihr schon seit Jahren mit KI-Modellen arbeitet, dass ihr KI selber trainiert, dass ihr auch das Ganze ins Verhältnis gesetzt habt zu den anderen großen Sprachmodellen.

32:16 Jetzt mal wirklich ehrlich gesprochen. Es gibt ja ganz viel Marketing-KI im Gesundheitswesen. Lasst uns mal über dieses Thema, wie unterscheidet man denn jetzt wirklich mal seriöse KI-Anwendungen, die, die fundiert sind, die, die wirklich Sinn machen, von den ganzen Marketingversprechen, die da draußen rumgeistern.

32:34 Also das Wichtigste ist, dass ganz, ganz viel KI jetzt schon out of the box funktioniert, wenn man sie mit den richtigen Daten füttert. Das heißt, ich würde immer fragen, das ist ja schön und gut, was der Use Case hier ist, welche Daten werden dafür benötigt und wie bekomme ich diese Daten in die KI?

32:53 Denn wenn jetzt jemand auf mich zukommt und mir erzählt, ich kann eine M-Bag für dich schreiben, dann würde ich erstmal sagen, das glaube ich, dass die KI das kann. Aber die relevanten Daten, die dahinter stecken, Visiten, Pflegedokumentation, Laborwerte, Medikamente und so weiter, die müssen ja irgendwie ins Tool.

33:09 Und ich bin mir auch sicher, dass wir nicht die Einzigen sind, die das prompten können, dass da eine vernünftige M-Bag rauskommt. Aber wenn ich vorher diese Daten für mich selber irgendwo rausziehen muss, irgendwelche Screenshots aus dem Kissen machen muss, um sie dort einzutragen oder ähnliches, dann funktioniert es nicht.

33:23 Ich glaube, man kann heutzutage wirklich viele Dinge auch mit gesundem Menschenverstand gut beurteilen, ob die KI das kann. Aber die wichtige Frage ist immer, wo kommen die Daten her und wie viel Aufwand habe ich, um die KI mit diesen Daten zu füttern? Also ich glaube, das ist wirklich die wesentliche Stärke von Tiplow, ist die Interoperationsfähigkeit.

33:40 Also die ist Kern im Grunde genommen, dass man strukturierte Daten hat, Realtime-Daten hat und einfach diese fragmentierte KIS-Struktur und Subsystemstruktur entsprechend sortiert bekommt. Und viele andere, die da unterwegs sind, die haben diese Konnektivitätsfähigkeit gar nicht und die ist auch nicht irgendwie, durch KI einfach zu generieren, sondern das ist eigentlich eine Voraussetzung, um nachher hier auch tatsächlich die Tools mit einem hohen Nutzwert für die Krankenhäuser entsprechend einzuführen. Ich glaube, das ist ein großer Unterschied.

34:10 Also ich will jetzt nicht alles zusammenfassen, aber so ein bisschen gesunder Menschenverstand ist ohnehin auch bei der Einordnung von KI-Anwendungen sehr hilfreich. Mich würde noch ein anderes Thema interessieren, Marc. Ich konnte das eigentlich kaum glauben, als du es im Vorgespräch erwähnt hast, aber es ist Realität, dass viele Krankenhäuser heute oft gar nicht genau wissen, was ein einzelner Fall tatsächlich kostet.

34:32 Die wissen nur, was sie abrechnen können. Und das ist eine große Mission, der du dich angenommen hast. Du willst das ändern oder ihr wollt das ändern und das Ganze steuern. Wie genau wollt ihr das steuern? Also ein bisschen würde ich das korrigieren. Also die Kostenträgerwechnung ist ja jetzt keine Sache, die es noch gar nicht gibt.

34:50 Die ist nur im Moment natürlich oder in den letzten Jahren war die sehr stark mit dem INEC-Verfahren verbunden. Aber wir sehen natürlich, dass diese Transparenz auf der Fallebene im Grunde genommen absolut entscheidend ist für ein sehr viel gezielteres Benchmarking unterhalb der klassischen Fachabdatumsebene, dass man sich eben verschiedene Fallgruppen angucken kann.

35:10 Der Use Case für die Kostenträgerrechnung hat sich verändert und da verändert sich immer mehr und wir bekommen immer mehr Kunden, die genau diesen Use Case sehen, weil sie natürlich auch durch die bevorstehende Zergliederung der Vergütungsseite mit weiteren verschiedenen Buckets natürlich schauen müssen, wo können sie im Grunde genommen überhaupt noch einen positiven Deckungsbreiter gewirtschaften.

35:30 Insofern glaube ich, ist diese Kostenträgerrechnung eigentlich eine Conditio sine qua non, die im Grunde alle Krankenhäuser, die sich am Markt entsprechend erhalten wollen, haben müssen. Das ist, glaube ich, nicht mehr so, dass es jetzt nur auf die INEC-Ziehung referenziert. Und ist das denn realistisch, dass in einzelnen Häusern tagesaktuelle oder wöchentliche Fallkostenübersichten für jede Abteilung realistisch umsetzbar sind?

35:57 Also heute ist es noch nicht der Fader, um ganz ehrlich zu sein. Aber natürlich ist unsere Strategie jetzt schon in diese Richtung, deutlich näher ranzukommen an die Realtime-Stalkerung. Und da wird es natürlich interessant, weil jeder Krankenhausgeschäftsführer, jedes Gine-Kontrollen kennt das. Man schaut auf retrospektive Daten vom ganzen Jahr, leitet daraus auch richtigerweise strategische Entscheidungen ab. Das ist auch vollkommen okay. Man muss auch nicht...

36:22 Jede Woche die Medizinstrategie über den Haufen werfen, das macht da gar keinen Sinn. Aber wenn es nachher darum geht, diese strategischen Entscheidungen, die man getroffen hat, auch entsprechend nachzuhalten, dann ist es natürlich ein echter Game-Changer, wenn man diese Daten in der Detailgröße dann auch im Grunde genommen vielleicht wochenaktuell bekommt und dadurch auch, mit den Chefärzten einen sehr viel griffigeren Entscheidungsprozess oder ein griffigeres Maßen an Paket ableiten kann, als wenn man eben immer erst hinterher im Grunde genommen mit den Chefärzten spricht, wenn das Kind im Brunnen gefallen ist.

36:55 Und ich glaube wirklich, dass das auch von der Steuerung her viel mehr Spaß macht, weil man dann einfach am Montag schauen kann, hey, was ist letzte Woche passiert? Welche Fälle haben wir abgerechnet? Wie sind die Kosten dazugelaufen? Wie waren die Prozesse? Wie waren die Vorbeidauern? All diese Themen, wie haben wir den Sachkosteneinsatz gemanagt?

37:14 Das sind, glaube ich, super spannende Fragen, die dann tatsächlich auch die Steuerung im tagesaktuellen Geschäft deutlich anders gelebt werden kann und dadurch eine ganz andere Qualität von Management in den Häusern möglich wird. Was würdest du denn für die Steuerung erwarten, wenn diese Zahlen vorliegen?

37:31 Wie würde sich die Chefärztin oder Chefarzt verhalten? Zu welcher Art von Entscheidung würde das führen? Würde es Richtung Effizienz oder Richtung medizinische Qualität oder irgendwo dazwischen sich bewegen? Was passiert, wenn dir die Zahlen vorliegen? Also unser Credo ist natürlich im Grunde genommen, dass man sich alle Dimensionen anschaut, das ist ja vollkommen klar.

37:51 Aber wir wissen alle, dass im Moment ist der Druck so hoch, dass man sich natürlich extrem auf Effizienz und Prozessqualitäten fokussiert. Und wenn du jetzt die Chefärztin nimmst, die kann natürlich sehr schnell schauen, hey, wo haben wir eigentlich jetzt Probleme? Sei es bei den Implantaten, sei es bei den Arzneimittelkosten.

38:10 Sehen wir zum Beispiel, dass wir viel zu viel Labor anfordern, dass unsere Anforderung in der Radiologie nicht stimmt? Und das sind natürlich dann schon Informationen, die sofort zu Steuerungsmaßnahmen führen können. Man kann sie mit ihren Oberärzten sprechen, auch mit anderen Bereichen oder das Thema Verwahldauerstörung.

38:27 Natürlich ist da die einste Fachabteilung, die Oberärzte machen das weitgehend. Aber natürlich ist es auch wichtig, den ungeplanten Patientenstrom aus der ZNA entsprechend zu steuern, weil nur dadurch kann man natürlich immer entsprechend adäquate Auslastungen, guten Workflow für die Stationen ermöglichen.

38:44 Und wenn man da keine zeitnahen Daten hat, dann ist es natürlich immer, finde ich, wenig griffig, wenig effizient. Und da ist schon die Perspektive von uns, dass wir eigentlich diesen Prozess deutlich verbessern und dann tatsächlich mit unseren Tools im Grunde genommen Close-to-Real-Time Unterstützung bieten können.

39:01 Okay, Lukas, noch eine Frage an dich, bevor wir zur Zusammenfassung zum Abschluss kommen. Ich habe was gelesen auf eurer Unternehmenswebsite und zwar steht da, Technologie muss dem Gemeinwohl dienen. Das ist ja schon ein ziemlich starker Satz, der ich persönlich finde, der spricht mich an. Also ich bin ja auch Unternehmer. Was bedeutet das aber als Unternehmer oder als Unternehmen, wenn man gleichzeitig kommerzielle Ziele hat, bis zu welchem Maß kann man überhaupt dem Gemeinwohl dienen? Was meint ihr damit?

39:28 Ich glaube, das kann man schon sehr gut miteinander verbinden. Es kommt daher, dass wir unserer Meinung nach, aber es gibt auch ein paar mehr, die das so sehen, im Moment in Deutschland ein Problem haben, dass diejenigen, die die Daten primär erheben und speichern, die großen Krankenhausinformationssystemanbieter.

39:46 Kein großes Interesse daran haben, diese Daten nach außen rauszugeben. Und das ist etwas, was uns schon seit eh und je wurmt. Nicht nur, weil wir auf die Daten zugreifen wollen, sondern weil es dort einen erheblichen Schatz an Daten gibt, die man auswerten und nutzen kann, dem Gemeinwohl zu nutzen. Und das ist etwas, weswegen wir unter anderem auch unsere interoperablen Schnittstellen gebaut haben, um verschiedene Auswertungen darauf auszuführen.

40:11 Also ich habe da ein ganz konkretes Beispiel. Wir haben das schon Jahre her, mal mit einem Chefarzt gemeinsam das Patientenkollektiv, was bei ihm im Krankenhaus war, mit verschiedenen Abfragen durchsucht nach einer seltenen Stoffwechselerkrankung. Das ging um Morbus Gaucher. Da konnte man verschiedene Dinge jetzt anhand der Daten, die wir dort erhoben haben, prüfen und konnte dann feststellen, dass aus diesem Datensatz, das waren 44.000 Patienten, die dort behandelt waren.

40:36 113 Patienten haben wir rausselektiert. Und von diesen 113 Patienten wussten wir, dass sie diese Diagnose nicht haben, aber bestimmte Kriterien aus diesen Daten darauf hingedeutet haben, dass das vorliegen könnte. und rein statistisch hätten es auch zwei gehabt. Diese Erkrankung ist grundsätzlich nicht heilbar, aber man kann sie medikamentös so behandeln, dass man ein komplett normales Leben führt. Man muss eben nur feststellen, dass man diese Erkrankung hat.

40:59 Und das ist etwas, was man auf diesen Daten auswerten kann. Und das ist auch ein Thema, wenn wir jetzt diese Patienten hätten ansprechen dürfen, durften wir nicht. Wir wussten auch nicht, wer die Patienten waren. Wir konnten uns nur die Anzahl der Patienten angucken. Wenn wir das jetzt hätten machen dürfen, das war aber jetzt aus Datenschutzgründen nicht möglich, dann wäre das sehr sinnvoll gewesen.

41:15 Unsere Arbeit, die wir da reingesteckt hätten, die hätten wir natürlich dann auch gerne in irgendeiner Form irgendwie vergütet haben wollen. Aber das wäre, glaube ich, auch kein Problem gewesen, weil man auf der anderen Seite zwei Menschen letztlich das Leben potenziell hätte retten können. Wir wissen natürlich nicht, ob die jetzt vielleicht irgendwo anders dann doch aufgefangen wurden.

41:33 Aber da einen Weg zu finden, dass Patienten, aber auch die Softwareanbieter, die das möglich machen. Die Patienten bessere Behandlungsqualität haben, die Softwareanbieter für ihre Arbeit, aber natürlich auch entlohnt werden, sollte ehrlicherweise kein Problem sein. Ich glaube schon, dass es Hand in Hand gehen kann.

41:49 Also die Daten zu nutzen, oder besser gesagt, das, was man mit den Daten machen kann für das Gemeinwohl, das ist ja letztendlich die Argumentation gewesen. Da kann man ja ganz viele positive Dinge machen. Du hast jetzt ein Beispiel genannt. Ja, finde ich nachvollziehbar. Sehr gut. Dann lasst uns jetzt zur Zusammenfassung kommen und zum Abschluss nochmal die drei wichtigsten Dinge zu benennen, die wir jetzt als Klinikentscheiderinnen und Entscheider aus dieser Folge mitnehmen dürfen.

42:14 Ja, mache ich sehr gerne. Nummer eins, ab diesem Jahr, spätestens im nächsten Jahr, muss jedes Krankenhaus eine Datenpipeline aufbauen, um große Sprachmodelle für verschiedene Use Cases zu nutzen. Wer das im nächsten Jahr nicht hat, wird hinten unterfallen. Das ist eine ganz klare Sache. Und das ist auch der zweite Punkt, der da schon so ein bisschen mitschwingt.

42:36 Das funktioniert nur, wenn man die Datenpipeline dahinter hat. Also eins, LLM-Nutzung, zwei, eine Datenpipeline, wo ich auf Knopfdruck diese, LLMs füttern kann mit Daten, um verschiedene Use Cases darauf auszubauen. Das kann sein, dass man im weiteren Fall auf noch weitere Use Cases ausbaut, aber grundsätzlich brauche ich die Pipeline, LLMs und die Datenpipeline.

42:59 Das sind die zwei Punkte. Okay, dann noch Marc. Das eine ist natürlich, also ich würde jedem Krankenhausgeschäftsführer sagen, entlaste dein Personal da, wo es Tools gibt. Das ist ja einfach ein Riesenvorteil. Und diese Tools gibt es, die hat der Lukas auch vorher schon beschrieben. Das ist ja nichts, was irgendwann 2027 bis 28 kommt, sondern diese entlastenden Tools, wo administrative Aufgaben dann zum großen Teil automatisiert werden können. Die gibt es ja und die entwickeln auch entsprechend weiter.

43:27 Und gleichzeitig wäre mein Hinweis, hier ist die Klinikgeschäftsführung, die muss eben auch schauen, dass sie die Datenvernetzung, die jetzt vorher Lukas auch beschrieben hat, dass man im Grunde genommen daraus dann auch wirklich Managemententscheidungen trifft. Weil natürlich, die Zeit läuft ein bisschen davon.

43:43 Wir haben jetzt sehr viel Diskussionen gehabt mit der Lauterbachschen Reform, aber natürlich wird es perspektivisch nicht besser. Das heißt, der Druck auf den Krankenhäuser, der wird weiter zunehmen. Insofern kann ich jedem Haus nur empfehlen, stellt euch auf, schaut insgesamt, wie könnt ihr Portfolio, Effizienz und Prozessqualität weiter stärken.

44:02 Es wird euch sonst niemand helfen. Das ist, glaube ich, ganz klar die Botschaft an die Häuser. Wunderbar. Dann, lieber Marc, lieber Lukas, darf ich mich ganz herzlich bedanken. Schön, dass ihr mit dabei wart bei dieser Folge. Dass wir ein bisschen Aufklärung zum Thema Daten machen konnten und auch zum Thema, wie wird KI in Zukunft in der Klinik genutzt.

44:19 Schön, dass ihr dabei wart und bis bald. Danke dir. Vielen Dank. Du willst keine Folge mehr verpassen? Dann abonniere unseren Podcast und schau regelmäßig auf KMA Online und dem KMA-LinkedIn-Kanal vorbei. Hier erfährst du auch zwischen den Episoden alles, was den Klinikmarkt bewegt. Für Feedback, Rückfragen und Kooperationen erreichst du uns unter kma-podcast.thieme.de.

44:43 Außerdem findest du in den jeweiligen Shownotes der Episoden alle Links zu unseren Gästen und der KMA-Redaktion. Wenn dir der Podcast gefällt, freuen wir uns riesig über eine Fünf-Sterne-Bewertung auf Spotify, Apple Podcast oder wo auch immer du uns hörst. Bis zur nächsten Folge, wie immer am letzten Dienstag im Monat.