Wie erkennt man Kodierungsfehler durch KI im Medizincontrolling?

KI-gestützte Kodierunterstützung verspricht schnellere Durchlaufzeiten und weniger manuelle Fehler. Doch bevor ein Krankenhaus solche Tools produktiv einsetzt, lohnt ein nüchterner Blick auf das, was die Systeme tatsächlich leisten, wo sie versagen und welche regulatorischen Pflichten seit 2025 bereits greifen. Der EU AI Act (KI-Verordnung 2024/1689) ist keine abstrakte Zukunftsmusik mehr: Die Schulungspflicht nach Art. 4 gilt seit Februar 2025, zentrale Sanktionsmechanismen werden ab August 2026 scharf gestellt.

Wichtig ist dabei eine Unterscheidung, die in der Praxis häufig verschwimmt: KI-Tools, die auf Basis bereits dokumentierter Diagnosen und Prozeduren ICD- oder OPS-Kodes vorschlagen, haben ein deutlich geringeres regulatorisches Risikoprofil als Systeme, die eigenständig klinische Diagnosen aus Bilddaten oder Ambient-Speech-Aufnahmen ableiten. Nur letztere gelten als Hochrisiko-KI. Diese Unterscheidung prägt den gesamten Umgang mit KI im Medizincontrolling.

Typische Kodierungsfehler, die KI-Systeme aufdecken

KI-gestützte Kodierunterstützung erkennt vor allem Muster, die menschlichen Kodierfachkräften unter Zeitdruck entgehen: fehlende Nebendiagnosen, inkonsistente Prozedurenkombinationen oder nicht ausgeschöpfte Komplexitätsstufen. Gerade bei ressourcenintensiven Behandlungen wie der Beatmungskodierung oder spezialisierten Komplexbehandlungen sind Auslassungsfehler besonders folgenreich.

Konkret aufgedeckt werden unter anderem:

• Nicht kodierte Nebendiagnosen, die den Ressourcenverbrauch tatsächlich beeinflusst haben
• Fehlende OPS-Prozeduren bei dokumentierten Maßnahmen (z. B. OPS 8-010.3 bei prophylaktischer Antibiose)
• Falsch zugeordnete Hauptdiagnosen, die zu einer ungünstigeren DRG führen
• Inkonsistenzen zwischen ärztlicher Dokumentation und kodiertem Fall

Das klingt nach einem klaren Vorteil. Aber KI-Systeme sind keine neutralen Prüfinstanzen: Sie erben Verzerrungen aus ihren Trainingsdaten. Wenn bestimmte Krankheitsbilder oder seltene Leistungen wie die anthroposophische Komplexbehandlung in den Trainingsdaten unterrepräsentiert sind, produziert das System systematisch fehlerhafte Vorschläge, ohne dass das auf den ersten Blick erkennbar wäre.

Wie KI Kodierungsfehler im Medizincontrolling erkennt

KI-Kodierunterstützung im Medizincontrolling arbeitet regelbasiert oder auf Basis neuronaler Netze, oft in Kombination. Regelbasierte Systeme prüfen Kodierrichtlinien mechanisch ab: Ist eine bestimmte Prozedur ohne die zugehörige Diagnose kodiert? Fehlt ein Pflichtmerkmal für eine DRG-relevante Leistung? Neuronale Netze gehen einen Schritt weiter und erkennen kontextuelle Muster über mehrere Felder des Abrechnungsdatensatzes hinweg.

Aus regulatorischer Sicht sind reine Kodiervorschlags-Tools, die auf Basis der vorhandenen klinischen Dokumentation Abrechnungskodes empfehlen, nach aktuellem Stand der KI-Verordnung dem Bereich begrenztes Risiko zuzuordnen. Es gelten Transparenzpflichten, aber keine vollen Hochrisiko-Compliance-Anforderungen. Das ändert sich, sobald ein System beginnt, selbst klinische Schlussfolgerungen zu ziehen.

Ein praktisches Problem bleibt das Black-Box-Phänomen: Bei neuronalen Netzen ist nicht nachvollziehbar, warum das Modell einen bestimmten Kode vorschlägt. Das erschwert die Qualitätssicherung erheblich und ist ein Grund, warum Kodierfachkräfte die Ausgaben solcher Systeme nicht unkritisch übernehmen dürfen. Der Automation Bias, also die empirisch belegte Tendenz, Maschinenempfehlungen zu stark zu vertrauen, ist gerade im Kodierbereich ein reales Risiko.

Auswirkungen unentdeckter Fehler auf Erlöse und MDK-Prüfungen

Kodierungsfehler kosten Geld, in beide Richtungen. Zu niedrig kodierte Fälle bedeuten direkte Erlösverluste. Zu hoch kodierte Fälle ziehen MDK-Prüfungen nach sich, und bei einer Beanstandungsquote über 20 Prozent springt die durchschnittliche Prüfquote von 9,3 auf 22,1 Prozent. Erlösverluste skalieren weitgehend linear zur Prüfquote.

Unentdeckte Fehler häufen sich im Zeitverlauf. Ein Krankenhaus, das systematisch eine bestimmte Nebendiagnose nicht kodiert, verliert nicht nur den Erlös für jeden Einzelfall, sondern trainiert seine eigenen Prozesse auf eine fehlerhafte Baseline. Wenn KI-Systeme auf solchen hausinternen Daten weitertrainiert oder angepasst werden, verstärken sie diesen Fehler noch. Hinzu kommt: Neue Kodierrichtlinien, Urteile oder Änderungen im G-DRG-System fließen nicht automatisch in bestehende Modelle ein. Trainingsdaten haben einen Stichtag.

Das Risikoprofil verschärft sich weiter, wenn ein Krankenhaus die KI als alleinige Prüfinstanz betrachtet und auf eine fachkundige Nachkontrolle verzichtet. Dann werden Fehler, die das System nicht erkennt, auch von keiner menschlichen Fachkraft mehr gefunden.

KI-Unterstützung in der Praxis: Grenzen und Qualitätssicherung

KI kann Kodierfachkräfte entlasten, aber nicht ersetzen. Die entscheidende Grenze liegt dort, wo Fachurteil gefragt ist: bei seltenen Leistungen, bei komplexen Komorbiditäten und bei Fällen, die genau an den Rändern der Kodierrichtlinien liegen. Genau dort versagen KI-Systeme am häufigsten, weil Edge Cases in Trainingsdaten unterrepräsentiert sind.

Qualitätssicherung bedeutet in der Praxis:

• Stichprobenhafte Nachkontrolle von KI-generierten Kodiervorschlägen durch erfahrene Fachkräfte
• Regelmäßige Modellprüfung, ob das System aktuelle Kodierrichtlinien und Rechtsprechung abbildet
• Dokumentation der Nutzung, schon jetzt Pflicht für Betreiber nach Art. 4 KI-VO
• Schulung aller Anwender zu Wirkungsweise, Stärken und bekannten Schwachstellen des jeweiligen Systems

Betreiber, also Krankenhäuser, die ein KI-System ihren Mitarbeitenden zur Verfügung stellen, tragen Verantwortung für Schulung, Überwachung und Dokumentation. Anbieter und Betreiber haben nach der KI-Verordnung klar getrennte Pflichten. Wer das verwechselt, unterschätzt seine eigene Haftungsposition. Für Kodierfachkräfte, die noch nie ohne KI-Unterstützung gearbeitet haben, entsteht zudem das Risiko der Skill Erosion: Die Fähigkeit, Fehler des Systems zu erkennen, setzt eigene Fachkompetenz voraus. Gezielte Weiterbildung ist deshalb kein Nice-to-have, sondern eine Voraussetzung für den sicheren KI-Einsatz.

Integration von KI in bestehende Medizincontrolling-Prozesse

Eine sinnvolle Integration beginnt nicht mit der Auswahl eines Tools, sondern mit einem vollständigen KI-Inventar. Welche KI-Anwendungen laufen bereits im Haus, von der Kodier-IT bis zum Chatbot in der Verwaltung? Für jede Anwendung sollte dokumentiert sein: Anbieter, Versionsstand, Risikokategorie, CE-Kennzeichnung und interne Verantwortlichkeit. Diese drei Schritte, KI-Inventar, Schulungsprogramm und Benennung eines KI-Beauftragten, sollten 2026 abgeschlossen sein, unabhängig vom Inkrafttreten der Hochrisiko-Pflichten.

Im Medizincontrolling konkret bedeutet das: KI-Kodierunterstützung wird als ein Werkzeug unter mehreren betrieben, nicht als Entscheidungsinstanz. Die Verantwortung für die finale Kodierung bleibt beim Menschen. Das ist keine Schwäche des Prozesses, sondern eine regulatorische und fachliche Notwendigkeit. Wer Kernprozesse vollständig an einen KI-Anbieter koppelt, gibt auch Kontrolle über Preis-, Verfügbarkeits- und Systementscheidungen ab, ein Risiko, das aus dem KIS-Bereich gut bekannt ist.

Für Häuser, die noch am Anfang stehen, empfiehlt sich ein schrittweiser Ansatz: zunächst KI als Plausibilitätsprüfung für bereits kodierte Fälle einsetzen, bevor sie in den primären Kodierworkflow integriert wird. Das schafft Vertrauen in die Systemleistung und ermöglicht eine datenbasierte Bewertung, bevor die Abhängigkeit wächst. Das Webinar zu KI im Krankenhaus bietet einen strukturierten Einstieg in diese Fragen.

Wie Medcontroller bei KI-Compliance und Kodierqualität unterstützt

Medcontroller begleitet Krankenhäuser konkret dabei, KI-gestützte Kodierunterstützung sicher und regelkonform einzusetzen, ohne dabei Erlöspotenziale zu verschenken oder unnötige MDK-Angriffsflächen zu schaffen. Das Leistungsangebot umfasst:

• Schulungen und E-Learning zur KI-Kompetenzpflicht nach Art. 4 KI-VO, dokumentationsfähig und rollenbezogen für Kodierfachkräfte, Medizincontroller und Führungsebene
• Externe KI-Beauftragten-Funktion: Medcontroller übernimmt als externer Dienstleister die Aufgaben des KI-Beauftragten, inklusive KI-Inventar, Dokumentation und Behördenkontakt
• Fachliche Kodierberatung als Korrektiv zur KI, gerade bei seltenen Leistungen, komplexen Fällen und MDK-relevanten Konstellationen
• MDK-Management für Fälle, bei denen KI-gestützte Kodierung zum Prüfanlass wurde

Wer den nächsten Schritt gehen möchte, findet im Online-Seminar „KI im Krankenhaus“ einen strukturierten Fahrplan zur Compliance, mit Zertifikat und Frühbucherrabatt bei Anmeldung vor dem 15. Juli 2026. Sprechen Sie Medcontroller direkt an, wenn Sie eine individuelle Einschätzung Ihrer KI-Prozesse benötigen.

Ähnliche Artikel

• Was bedeutet KI-Risikomanagement konkret für das Medizincontrolling?
• Welche Anforderungen bestehen laut KI-Verordnung für Hochrisiko-KI-Systeme, die im Gesundheitswesen eingesetzt werden?
• Typische Fehler bei der KI-Einführung im Krankenhaus
• Was kostet Nicht-Compliance mit dem EU AI Act für Krankenhäuser?
• KI im Medizincontrolling einführen: Schritt-für-Schritt-Leitfaden für Krankenhäuser

Dieser Inhalt wurde mithilfe von KI erstellt und kann Fehler enthalten.