Fehlentscheidungen in der Gesundheitsprüfung beim Wechsel oder Abschluss einer Krankenversicherung können weitreichende Folgen nach sich ziehen. Anhand der Krankheitsvorgeschichte wird das Risiko einer Erkrankung geschätzt und die entsprechende Beitragshöhe kalkuliert, bzw. private Krankenversicherungen können eine Antragsannahme verweigern [1]. Anträge können fälschlicherweise abgelehnt oder akzeptiert werden. Die zentrale Frage: Kann automatisierte Dokumentenverarbeitung durch KI-gestützte Systeme Entscheidungsgrundlagen vereinfachen, Fehlerquellen reduzieren und alle Beteiligten entlasten?
Krankenversicherung Status Quo
Täglich verarbeiten Krankenversicherungen tausende Dokumente: BU-Risikovoranfragen, Arztbriefe, Befundberichte, Kostennachweise, Medikationspläne. Die manuelle Prüfung dieser Unterlagen ist zeitaufwendig, fehleranfällig und kostet Ressourcen. Der steigende Wettbewerb in der Versicherungsbranche sorgt für eine Digitalisierungswelle. Regelbasierte Verfahren wie z. B. OCR und RPA-Roboter bieten nur noch kleine Digitalisierungsvorteile bei der automatisierten Datenverarbeitung [2]. Immer häufiger unterstützen lernende Systeme mithilfe von künstlicher Intelligenz den Menschen bei Entscheidungen und der manuellen Datenverarbeitung und Datenextraktion aus Dokumenten wie z. B. Risikovoranfragen zur Berufsunfähigkeitsversicherung.
Das Problem traditioneller Ansätze: OCR-basierte Systeme erfordern Templates für jedes Dokumentenlayout. Bei hunderten verschiedenen Arztpraxen, Kliniken und Versicherungsformularen wird dies zum Flaschenhals. Regulatorische Anforderungen (DSGVO, SGB V) verlangen lückenlose Dokumentation und transparente Entscheidungen.
Der Paradigmenwechsel: Von Template-basierter OCR zu GenAI-basierter Dokumentenverarbeitung
Traditionelle Herangehensweise der Dokumente in der Gesundheitsprüfung:
WENN Dokument = Template_Arztbrief_Format_A
UND Feld an Position (X,Y) enthält "Asthma"
DANN Markiere als VorerkrankungProblem: Bei 200 verschiedenen Arztbrief-Layouts bedeutet das 200 Templates pflegen. Jede neue Klinik erfordert manuelle Anpassung. Abweichungen vom Standard-Layout führen zu Extraktionsfehlern.
GenAI-basierte Gesundheitsprüfung mit Konfuzio:
Feld: vorerkrankungen
Typ: Array
Prompt: "Identifiziere alle medizinisch relevanten Vorerkrankungen aus dem Arztbrief.
RELEVANTE VORERKRANKUNGEN:
- Chronische Erkrankungen (Diabetes, Asthma, Rheuma, etc.)
- Psychische Erkrankungen (Depression, Angststörungen, etc.)
- Schwerwiegende Akuterkrankungen der letzten 5 Jahre
- Operationen und stationäre Behandlungen
NICHT RELEVANT:
- Bagatellerkrankungen (grippale Infekte)
- Einmalige leichte Verletzungen ohne Folgeschäden
- Routineuntersuchungen ohne Befund
Extrahiere: Diagnose, ICD-10 Code (falls angegeben), Erstdiagnose-Datum, Behandlungsstatus.
Bei mehrdeutigen Formulierungen: Kennzeichne als 'Klärungsbedarf'."Vorteil: Funktioniert für alle Arztbrief-Formate ohne Templates. Bei neuer Klinik sofort einsatzbereit. Versteht medizinische Kontexte und Zusammenhänge.
Konkrete Implementierung: Automatisierte BU-Risikovoranfrage
Am Beispiel der BU-Risikovoranfrage lässt sich der Mehrwert verdeutlichen: Anhand automatisch verarbeiteter Daten aus Arztbriefen, Befunden und Fragebögen können Vorerkrankungen strukturiert identifiziert und nach Risikoklassen klassifiziert werden.
Schema-Definition für BU-Gesundheitsprüfung:
FELDNAME TYP BESCHREIBUNG
──────────────────────────────────────────────────────────────────────
antragsnummer Text Eindeutige Antragsnummer
versicherungsnehmer Text Name des Antragstellers
geburtsdatum Date Geburtsdatum
beruf Text Ausgeübter Beruf
vorerkrankungen Array Liste aller Vorerkrankungen
medikation Array Aktuelle Dauermedikation
behandlungsstatus Text Aktuell/Abgeschlossen/Chronisch
risikoklassifikation Text Automatische Vorbewertung
pruefungsempfehlung Text Workflow-RoutingBeispiel 1: Intelligente Vorerkrankungserkennung
Feld: vorerkrankungen
Typ: Array
Prompt: "Extrahiere alle Vorerkrankungen aus dem Arztbrief für BU-Risikoprüfung.
STRUKTUR JE VORERKRANKUNG:
- Diagnose (medizinischer Fachbegriff und Laienbegriff)
- ICD-10 Code (falls vorhanden)
- Erstdiagnose (Datum oder Zeitraum)
- Behandlungsstatus (akut/chronisch/abgeschlossen)
- Schweregrad (leicht/mittel/schwer/unklar)
- Arbeitsunfähigkeitstage (falls dokumentiert)
BESONDERE AUFMERKSAMKEIT:
- Psychische Erkrankungen (Depression, Burnout, Angststörungen)
- Muskuloskelettale Erkrankungen (Bandscheibenvorfall, Rheuma)
- Herz-Kreislauf-Erkrankungen
- Stoffwechselerkrankungen (Diabetes)
KONTEXT BERÜCKSICHTIGEN:
- 'V.a. Asthma' (Verdacht) unterscheidet sich von 'gesicherte Diagnose Asthma'
- 'Asthmaspray zur Notfallmedikation' unterscheidet sich von 'tägliche Asthmatherapie'
- Abgeschlossene Behandlungen ohne Folgeschäden kennzeichnen
Bei unklaren Formulierungen: Markiere als 'Ärztliche Rückfrage erforderlich'."Beispiel 2: Medikationsanalyse mit Kontextverständnis
Das zentrale Problem bei der manuellen Prüfung: Ein „Asthmaspray“ führt automatisch zur Annahme einer chronischen Asthmaerkrankung, selbst wenn es sich nur um Notfallmedikation handelt. GenAI kann hier differenzieren.
Feld: medikation
Typ: Array
Prompt: "Analysiere die aktuelle Medikation hinsichtlich BU-Relevanz.
STRUKTUR JE MEDIKAMENT:
- Wirkstoff und Handelsname
- Indikation (wofür wird es eingenommen?)
- Einnahmemodus (täglich/bei Bedarf/Notfall)
- Dosierung und Häufigkeit
- Behandlungsdauer (seit wann, zeitlich begrenzt oder Dauermedikation)
RISIKOEINSCHÄTZUNG:
NIEDRIG-RISIKO:
- Notfallmedikation ohne regelmäßige Anwendung
- Zeitlich begrenzte Therapien (z.B. Antibiotika)
- Präventivmedikation ohne Vorerkrankung
MITTEL-RISIKO:
- Gelegentliche Anwendung bei chronischer Erkrankung
- Einstellung auf Dauermedikation in den letzten 12 Monaten
HOCH-RISIKO:
- Tägliche Dauermedikation bei chronischer Erkrankung
- Mehrfachmedikation bei schwerwiegenden Erkrankungen
- Psychopharmaka
BEISPIEL ASTHMA:
'Salbutamol-Spray, 1x Anwendung in den letzten 12 Monaten, nur für Notfälle'
→ NIEDRIG-RISIKO, Hinweis: 'Keine Hinweise auf aktives Asthma'
'Salbutamol-Spray 2x täglich + Cortison-Inhalator'
→ HOCH-RISIKO, Hinweis: 'Chronisches Asthma mit Dauertherapie'
Gib für jedes Medikament eine Risikoeinschätzung und begründe diese in einem Satz."Beispiel 3: Automatische Risikoklassifikation
Feld: risikoklassifikation
Typ: Text
Prompt: "Bewerte das Gesamtrisiko des BU-Antrags basierend auf Vorerkrankungen und Medikation.
RISIKOKLASSEN:
GRÜN - STANDARDRISIKO (ca. 75% aller Fälle):
- Keine relevanten Vorerkrankungen
- Oder: Abgeschlossene Behandlungen ohne Folgeschäden
- Oder: Leichte Vorerkrankungen ohne Arbeitsunfähigkeit
GELB - ERHÖHTES RISIKO (ca. 15% aller Fälle):
- Chronische Erkrankungen mit guter Einstellung
- Psychische Erkrankungen in Remission
- Muskuloskelettale Beschwerden ohne wiederholte AU
ROT - HOHES RISIKO (ca. 10% aller Fälle):
- Schwerwiegende chronische Erkrankungen
- Aktive psychische Erkrankungen mit AU-Zeiten
- Mehrere parallel bestehende Vorerkrankungen
- Arbeitsunfähigkeitszeiten über 6 Wochen/Jahr
Berücksichtige Beruf des Antragstellers:
- Bürotätigkeit: Muskuloskelettale Beschwerden weniger kritisch
- Handwerklicher Beruf: Bandscheibenvorfall kritischer
- Selbstständige: Psychische Belastbarkeit wichtiger
Wähle eine Klasse und begründe in 2-3 Sätzen unter Bezugnahme auf die konkreten Befunde."Beispiel 4: Workflow-Routing basierend auf Risikobewertung
Feld: workflowRouting
Typ: Text
Prompt: "Bestimme den passenden Bearbeitungsworkflow für den BU-Antrag.
WORKFLOW_AUTOMATISCHE_ANNAHME:
- Risikoklassifikation: GRÜN
- Keine Vorerkrankungen oder nur Bagatellerkrankungen
- Beruf: Risikoklasse 1-2
- → Automatische Annahme ohne manuelle Prüfung
WORKFLOW_STANDARD_PRUEFUNG:
- Risikoklassifikation: GELB
- Chronische Erkrankungen mit guter Einstellung
- Keine AU-Zeiten in den letzten 12 Monaten
- → Prüfung durch Sachbearbeiter, Entscheidung in 3-5 Werktagen
WORKFLOW_AERZTLICHE_BEWERTUNG:
- Risikoklassifikation: ROT
- Komplexe Vorerkrankungen
- Mehrdeutige medizinische Befunde
- → Medizinische Fachabteilung prüft, ggf. zusätzliche Unterlagen anfordern
WORKFLOW_RUECKFRAGE_ANTRAGSTELLER:
- Unvollständige Angaben
- Widersprüche zwischen Antragsangaben und Arztbriefen
- Fehlende Dokumente
- → Automatisches Anschreiben mit konkreten Nachforderungen
WORKFLOW_ABLEHNUNG_MIT_BERATUNG:
- Schwerwiegende Vorerkrankungen mit hohem BU-Risiko
- Aktuelle Arbeitsunfähigkeit
- → Ablehnung mit Beratungsangebot zu Alternativen (z.B. Dread-Disease)
Wähle einen Workflow, nenne Priority (LOW/MEDIUM/HIGH/URGENT) und begründe in einem Satz."API-Response-Beispiel: BU-Antrag mit differenzierter Asthma-Bewertung
{
"antragsnummer": "BU-2025-08734",
"versicherungsnehmer": "Max Mustermann",
"geburtsdatum": "1985-03-15",
"beruf": "Softwareentwickler (Bürotätigkeit)",
"vorerkrankungen": [
{
"diagnose": "Asthma bronchiale (allergisches Asthma)",
"icd10": "J45.0",
"erstdiagnose": "2010",
"behandlungsstatus": "chronisch, gut kontrolliert",
"schweregrad": "leicht",
"arbeitsunfaehigkeitstage": "0 Tage in den letzten 3 Jahren",
"kontext": "Asthmaspray (Salbutamol) vorhanden, letzte Anwendung vor 8 Monaten. Keine tägliche Medikation. Lungenfunktion im Normbereich.",
"confidence": 0.96
}
],
"medikation": [
{
"wirkstoff": "Salbutamol",
"handelsname": "Sultanol",
"indikation": "Asthma bronchiale",
"einnahmemodus": "bei Bedarf (Notfallmedikation)",
"dosierung": "100 µg, 1-2 Hübe bei Bedarf",
"behandlungsdauer": "seit 2010, keine regelmäßige Anwendung",
"risikobewertung": "NIEDRIG",
"begruendung": "Notfallmedikation ohne regelmäßige Anwendung deutet auf gut kontrolliertes, leichtes Asthma hin. Keine Hinweise auf aktive Symptomatik.",
"confidence": 0.94
}
],
"risikoklassifikation": {
"klasse": "GRÜN - STANDARDRISIKO",
"begruendung": "Leichtes allergisches Asthma ohne aktuelle Symptomatik. Asthmaspray dient ausschließlich der Notfallmedikation und wurde in den letzten 8 Monaten nicht verwendet. Keine Arbeitsunfähigkeitszeiten. Bürotätigkeit stellt keine zusätzliche Belastung dar. Lungenfunktion dokumentiert im Normbereich.",
"confidence": 0.93
},
"workflowRouting": {
"workflow": "WORKFLOW_STANDARD_PRUEFUNG",
"reason": "Trotz GRÜN-Klassifikation empfiehlt sich aufgrund der chronischen Diagnose 'Asthma' eine kurze manuelle Prüfung zur Absicherung",
"priority": "LOW",
"assignTo": ["sachbearbeiter-gesundheitspruefung"],
"estimatedProcessingTime": "1-2 Werktage",
"hinweiseFuerSachbearbeiter": [
"Positiv: Keine Medikamentenanwendung in den letzten 8 Monaten",
"Positiv: Lungenfunktion im Normbereich dokumentiert",
"Positiv: Keine AU-Zeiten in den letzten 3 Jahren",
"Empfehlung: Standardannahme ohne Zuschlag oder Ausschluss"
]
}
}Die Workflow-Engine der Versicherung verarbeitet diese Response automatisch. Bei "workflow": "WORKFLOW_STANDARD_PRUEFUNG" erhält der zuständige Sachbearbeiter einen Task mit allen extrahierten Gesundheitsdaten, der automatisch generierten Risikobewertung und den konkreten Hinweisen. Er kann sich auf die Plausibilitätsprüfung konzentrieren statt Dokumente manuell zu lesen. Die Bearbeitungszeit sinkt von durchschnittlich 45 Minuten auf 5 Minuten pro Antrag.
Der Unterschied zur traditionellen Verarbeitung:
Früher: „Asthmaspray vorhanden“ → Automatisch zu Risikogruppe Asthma → Zuschlag oder Ausschluss → 25% Ablehnungsquote
Mit GenAI: „Asthmaspray vorhanden, aber keine regelmäßige Anwendung, Lungenfunktion normal, keine AU-Zeiten“ → Differenzierte Bewertung → Korrekte Zuordnung zu den 75% Standardfällen
Quantitativer Mehrwert
Laut Morgen & Morgen werden in Deutschland bis zu 25 Prozent aller Risikovoranfragen mit Vorerkrankungen entweder abgelehnt oder nur bedingt durch Ausschlüsse und Zuschläge akzeptiert [3]. Circa 75 Prozent aller BU-Anfragen mit Vorerkrankungen werden ohne Erschwernis angenommen.
Das Problem: Manuelle Prüfung führt zu Fehlklassifizierungen. Versicherer verlieren Kunden durch fälschliche Ablehnungen, nehmen andererseits zu hohe Risiken an. GenAI-basierte Dokumentenverarbeitung reduziert diese Fehlerquote signifikant.
ROI-Rechnung für einen mittelgroßen Krankenversicherer:
- 50.000 BU-Anträge jährlich
- Durchschnittliche manuelle Prüfzeit: 45 Minuten pro Antrag
- Mit GenAI: 5 Minuten Plausibilitätsprüfung
- Zeitersparnis: 40 Minuten × 50.000 = 33.333 Arbeitsstunden/Jahr
- Bei durchschnittlichem Sachbearbeiterstundensatz von 45 EUR: 1,5 Mio. EUR Einsparung
Zusätzlich: Reduktion von Fehlentscheidungen um geschätzte 30 Prozent, schnellere Antragsbearbeitung (von 14 Tagen auf 3 Tage im Durchschnitt), höhere Kundenzufriedenheit.
Weitere Anwendungsfälle im Gesundheitswesen
Die beschriebene Technologie lässt sich auf weitere dokumentenintensive Prozesse übertragen:
1. KI-gestützte Belegprüfung bei GKV-Bonusprogrammen
Versicherte reichen Nachweise für Vorsorgeuntersuchungen, Impfungen oder Sportkurse ein. GenAI klassifiziert die Belege automatisch, validiert Vollständigkeit und Plausibilität, markiert nur Auffälligkeiten für manuelle Prüfung.
2. Automatisierte Kostenerstattung
Arzt- und Krankenhausrechnungen werden automatisch geprüft: Stimmen abgerechnete Leistungen mit der Diagnose überein? Sind die Gebührenziffern korrekt? Gibt es Doppelverrechnungen?
3. Intelligente Posteingangsbearbeitung
Täglich erreichen Versicherer tausende E-Mails und Briefe. GenAI klassifiziert diese nach Dokumenttyp und Dringlichkeit, extrahiert relevante Informationen und routet sie an die zuständigen Abteilungen. Mehr dazu: E-Mail-Klassifikation mit KI.
4. Compliance-konforme Archivierung
Gesundheitsdaten unterliegen strengen Aufbewahrungsfristen. GenAI extrahiert Metadaten für revisionssichere Archivierung gemäß SGB V und DSGVO. Siehe auch: Revisionssichere Archivierung.
Datenschutz und Regulierung im Gesundheitswesen
Gesundheitsdaten sind besonders schützenswerte personenbezogene Daten nach DSGVO Art. 9. Der Einsatz von KI erfordert:
- On-Premises-Deployment: Gesundheitsdaten verlassen nicht die Infrastruktur des Versicherers. Konfuzio bietet Self-Hosted On-Prem Lösungen.
- Transparente KI-Entscheidungen: GenAI-Modelle dokumentieren, welche Informationen aus welchen Dokumentenstellen extrahiert wurden (Explainable AI).
- Human-in-the-Loop: Kritische Entscheidungen (Ablehnung, hohe Zuschläge) erfordern weiterhin menschliche Prüfung. Mehr dazu: Human in the Loop.
- Audit-Trails: Jede automatisierte Entscheidung wird protokolliert und ist nachvollziehbar.
Die EU-KI-Verordnung klassifiziert Gesundheitssysteme als Hochrisiko-Anwendung. Konfuzio erfüllt die Anforderungen durch dokumentiertes Qualitätsmanagement, Risikobewertung und kontinuierliche Modellüberwachung. Siehe: KI-Verordnung für Unternehmen.
Integration in bestehende Versicherungssysteme
GenAI-basierte Dokumentenverarbeitung ersetzt nicht das Kernversicherungssystem, sondern liefert strukturierte Daten via API:
- Antrag geht ein (per Post, E-Mail, Webformular)
- Konfuzio IDP extrahiert Gesundheitsdaten, klassifiziert Risiko, empfiehlt Workflow
- Bestandsführungssystem (z.B. SAP Insurance, ISDP+, adcubum SYRIUS) erhält strukturierte Daten via REST-API
- Workflow-Engine routet basierend auf Konfuzio-Empfehlung an zuständige Sachbearbeiter
- Sachbearbeiter prüft nur kritische Fälle, trifft finale Entscheidung
- Versicherungskernystem erstellt Police oder Ablehnungsbescheid
Die Integration erfolgt über standardisierte Schnittstellen. Mehr dazu: API-Integration.
Die Zukunft: Proaktive Gesundheitsprüfung
Künftig werden KI-Systeme nicht nur reaktiv Anträge prüfen, sondern proaktiv Risiken identifizieren:
- Frühwarnsysteme: Analyse von Behandlungsverläufen zur Identifikation sich verschlechternder Gesundheitszustände
- Präventionsempfehlungen: Automatische Vorschläge für Vorsorgemaßnahmen basierend auf Risikomustern
- Dynamische Tarifanpassung: Risiko-basierte Prämienanpassung bei nachweislicher Gesundheitsverbesserung
Diese Entwicklung erfordert allerdings enge Abstimmung mit Datenschutzbehörden und klare ethische Leitplanken.
Fazit: KI entlastet Menschen, verbessert Entscheidungen
Künstliche Intelligenz bietet einige vielversprechende Chancen im Rahmen von Verwaltung und Patientenversorgung. Richtig angewandt, könnten langfristig alle Akteure des Gesundheitswesens profitieren. Der entscheidende Unterschied zu vor fünf Jahren: Keine Templates mehr nötig, keine monatelange Konfiguration, keine IT-Abhängigkeit. Fachabteilungen definieren in natürlicher Sprache, was extrahiert werden soll.
Die nächste Entwicklungsstufe: Intelligentes Workflow-Routing, das nicht nur Daten extrahiert, sondern kontextabhängig entscheidet, welcher Geschäftsprozess greift. Der Sachbearbeiter wird vom Datensammler zum Entscheider, der sich auf komplexe Fälle konzentriert. Versicherte profitieren von schnelleren Entscheidungen, individuelleren Risikobewertungen und transparenteren Prozessen.
Gerade die gesetzliche und private Krankenversicherung sollte sich daher mit dem Thema intensiv beschäftigen und die notwendige Expertise beschaffen. Aufgrund ihrer Verantwortung für über 70 Millionen Versicherte liegen hier die größten Potenziale für einen vielversprechenden Einsatz von KI im Gesundheitssektor. Komponenten der BU-Kompetenz definieren sich zu 30 Prozent aus dem Workflow-Management, der Standardisierung von Prozessen, aus Anschreiben und Fragebögen [4]. GenAI automatisiert genau diese Bereiche.
Finden Sie Ihren Partner für die Digitalisierung im Gesundheitswesen
Die 2016 gegründete und mitarbeitergeführte Helm & Nagel GmbH ist der Hersteller der KI Plattform Konfuzio. Eine KI, die bereits ohne KI-Kenntnissen nutzbar ist. Unsere Partner vertreiben die Software an unseren Kunden. Dies bietet Ihnen diverse Vorteile:
- Systemhäuser und Beratung mit der für Sie relevanten Branchenexpertise stehen Ihnen bei der Einführung von Konfuzio zur Seite
- Kosteneinsparung durch Automatisierung durch die Software
- Ad-hoc Zugang zu neuesten KI-Algorithmen ohne langwierige F&E
QUELLEN
[1] Wissen-PKV.de (Juni 2020): Welche Gesundheitsfragen muss man bei Beantragung einer privaten Krankenversicherung beantworten?
[2] McKinsey & Company (Juni 2017): Künstliche Intelligenz in der Krankenversicherung: Smarte Rechnungsprüfung mit selbstlernender Software. S.2.
[3] MORGEN & MORGEN Pressemitteilung (Mai 2018): M&M Rating Berufsunfähigkeit: Thema Psyche gewinnt weiter an Bedeutung. S.4.
[4] Morgen & Morgen BU-Rating (Mai 2020): Ausgezeichnetes Abschneiden der NLV: Marktmanagement Leben Privat. S.7.
[5] AOK (Dezember 2018): Wissenschaftlicher Beirat für Digitale Transformation: Anmerkungen zu einer KI-Strategie für eine gesetzliche Krankenkasse. S.5
DE 
EN 
ES 
FR