GenAI health check: automated check of BU applications

Wrong decisions in the health check when changing or taking out health insurance can have far-reaching consequences. The risk of illness is estimated on the basis of the medical history and the corresponding premium amount is calculated, or private health insurance companies can refuse to accept an application [1]. Applications can be erroneously rejected or accepted. The central question: Can automated document processing by AI-supported systems simplify decision-making, reduce sources of error and relieve the burden on all parties involved?

Health insurance status quo

Health insurance companies process thousands of documents every day: BU risk pre-enquiries, doctors' letters, diagnostic reports, proof of costs, medication plans. Checking these documents manually is time-consuming, error-prone and costs resources. Increasing competition in the insurance industry is causing a wave of digitization. Rule-based processes such as OCR and RPA robots only offer small digitization advantages in automated data processing [2]. Increasingly, learning systems are using artificial intelligence to assist humans with decisions and manual data processing and data extraction from documents, such as risk pre-applications for disability insurance.

The problem with traditional approaches: OCR-based systems require templates for every document layout. With hundreds of different medical practices, clinics and insurance forms, this becomes a bottleneck. Regulatory requirements (GDPR, SGB V) demand seamless documentation and transparent decisions.

The paradigm shift: from template-based OCR to GenAI-based document processing

Traditional approach of the documents in the health check:

WENN Dokument = Template_Arztbrief_Format_A
UND Feld an Position (X,Y) enthält "Asthma"
DANN Markiere als Vorerkrankung

Problem: With 200 different doctor's letter layouts, this means maintaining 200 templates. Each new clinic requires manual adaptation. Deviations from the standard layout lead to extraction errors.

GenAI-based health check with 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'."

Advantage: Works for all doctor's letter formats without templates. Immediately ready for use in new clinics. Understands medical contexts and correlations.

Concrete implementation: Automated BU risk pre-enquiry

The added value can be illustrated using the example of the BU risk pre-enquiry: Using automatically processed data from doctors' letters, findings and questionnaires, pre-existing conditions can be identified in a structured manner and classified according to risk classes.

Scheme definition for BU health check:

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-Routing

Example 1: Intelligent pre-disease detection

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'."

Example 2: Medication analysis with contextual understanding

The central problem with manual testing is that an „asthma inhaler“ automatically leads to the assumption of chronic asthma, even if it is only an emergency medication. GenAI can differentiate here.

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."

Example 3: Automatic risk classification

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."

Example 4: Workflow routing based on risk assessment

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 example: BU application with differentiated asthma assessment

{
  "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"
    ]
  }
}

The insurance workflow engine processes this response automatically. With "workflow": "WORKFLOW_STANDARD_PRUEFUNG" the person responsible receives a task with all the extracted health data, the automatically generated risk assessment and the specific information. They can concentrate on the plausibility check instead of reading documents manually. The processing time is reduced from an average of 45 minutes to 5 minutes per application.

The difference to traditional processing:

Previously: „Asthma spray present“ → Automatically added to asthma risk group → Addition or exclusion → 25% Rejection rate

With GenAI: „Asthma inhaler present, but no regular use, normal lung function, no AU times“ → Differentiated assessment → Correct assignment to the 75% standard cases

Quantitative added value

According to Morgen & Morgen, up to 25 percent of all pre-existing condition inquiries in Germany are either rejected or only accepted to a limited extent due to exclusions and surcharges [3]. Approximately 75 percent of all BU inquiries with pre-existing conditions are accepted without any complications.

The problem: Manual checks lead to misclassifications. Insurers lose customers due to erroneous rejections, while accepting excessive risks. GenAI-based document processing significantly reduces this error rate.

ROI calculation for a medium-sized health insurer:

• 50,000 BU applications annually
• Average manual review time: 45 minutes per application
• With GenAI: 5 minutes plausibility check
• Time saving: 40 minutes × 50,000 = 33,333 working hours/year
• With an average clerk hourly rate of EUR 45: EUR 1.5 million savings

In addition: reduction of incorrect decisions by an estimated 30 percent, faster application processing (from 14 days to 3 days on average), higher customer satisfaction.

Other use cases in the healthcare sector

The technology described can be transferred to other document-intensive processes:

1. AI-supported document verification for statutory health insurance bonus programs

Insured persons submit proof of preventive check-ups, vaccinations or sports courses. GenAI automatically classifies the documents, validates completeness and plausibility and only marks anomalies for manual checking.

2. automated cost reimbursement

Doctor and hospital invoices are checked automatically: Do billed services match the diagnosis? Are the fee codes correct? Are there double charges?

3. intelligent inbox processing

Insurers receive thousands of emails and letters every day. GenAI classifies them according to document type and urgency, extracts relevant information and routes it to the relevant departments. Read more: Email classification with AI.

4. compliance-compliant archiving

Health data is subject to strict retention periods. GenAI extracts metadata for audit-proof archiving in accordance with SGB V and GDPR. See also: Audit-proof archiving.

Data protection and regulation in the healthcare sector

Health data are particularly sensitive personal data according to GDPR Art. 9. The use of AI requires:

• On-premises deployment: Health data does not leave the insurer's infrastructure. Konfuzio offers Self-hosted on-prem solutions.
• Transparent AI decisionsGenAI models document which information was extracted from which document locations (Explainable AI).
• Human-in-the-loopCritical decisions (rejection, high surcharges) still require human scrutiny. Read more: Human in the Loop.
• audit trailsEvery automated decision is logged and is traceable.

The EU AI Regulation classifies healthcare systems as a high-risk application. Konfuzio meets the requirements through documented quality management, risk assessment and continuous model monitoring. See: AI regulation for companies.

Integration into existing insurance systems

GenAI-based document processing does not replace the core insurance system, but provides structured data via API:

1. Application received (by post, e-mail, web form)
2. Konfuzio IDP extracted Health data, classifies risk, recommends workflow
3. Inventory management system (e.g. SAP Insurance, ISDP+, adcubum SYRIUS) receives structured data via REST-API
4. Workflow engine routes based on Konfuzio recommendation to responsible clerk
5. Clerk examines only critical cases, makes final decision
6. Insurance core system Issues policy or rejection notice

Integration takes place via standardized interfaces. Find out more: API integration.

The future: proactive health checks

In future, AI systems will not only check applications reactively, but also identify risks proactively:

• Early warning systemsAnalysis of treatment histories to identify deteriorating health conditions
• Prevention recommendationsAutomatic suggestions for preventive measures based on risk patterns
• Dynamic tariff adjustmentRisk-based premium adjustment in the event of demonstrable health improvement

However, this development requires close coordination with data protection authorities and clear ethical guidelines.

Conclusion: AI relieves people, improves decisions

Artificial intelligence offers some promising opportunities in the context of administration and patient care. If used correctly, all players in the healthcare system could benefit in the long term. The key difference compared to five years ago: No more templates needed, no months of configuration, no IT dependency. Specialist departments define in natural language what is to be extracted.

The next stage of development: intelligent workflow routing that not only extracts data, but also decides which business process to use depending on the context. The clerk is transformed from a data collector into a decision-maker who focuses on complex cases. Insured parties benefit from faster decisions, more individual risk assessments and more transparent processes.

Statutory and private health insurance companies in particular should therefore take a close look at this topic and acquire the necessary expertise. Due to their responsibility for over 70 million insured persons, this is where the greatest potential for the promising use of AI in the healthcare sector lies. Components of BU expertise are defined to 30 percent by workflow management, the standardization of processes, cover letters and questionnaires [4]. GenAI automates precisely these areas.

Find your partner for digitization in healthcare

Founded in 2016 and managed by its employees, Helm & Nagel GmbH is the manufacturer of the AI platform Konfuzio. An AI that can be used without any knowledge of AI. Our partners distribute the software to our customers. This offers you various advantages:

• System houses and consulting with industry expertise relevant to you are available to assist you with the implementation of Konfuzio
• Cost savings through automation by the software
• Ad-hoc access to the latest AI algorithms without lengthy R&D

SOURCES

[1] Knowledge-PKV.de (June 2020): What health questions do you have to answer when applying for private health insurance?

[2] McKinsey & Company (June 2017): Artificial intelligence in health insurance: smart auditing with self-learning software. S.2.

[3] MORGEN & MORGEN Press Release (May 2018): M&M Rating Occupational Disability: Psyche issue continues to gain importance. S.4.

[4] Morgen & Morgen BU Rating (May 2020): Excellent performance of NLV: Market Management Life Private. S.7.

[5] AOK (December 2018): Scientific Advisory Board for Digital Transformation: comments on an AI strategy for a statutory health insurance company. S.5