Examen de santé GenAI : vérifier les demandes d'AP de manière automatisée

Les erreurs d'évaluation de l'état de santé lors d'un changement ou de la souscription d'une assurance maladie peuvent avoir des conséquences importantes. Les antécédents médicaux permettent d'estimer le risque de maladie et de calculer le montant de la cotisation correspondante, ou les assurances maladie privées peuvent refuser d'accepter une demande [1]. Les demandes peuvent être rejetées ou acceptées à tort. La question centrale est la suivante : le traitement automatisé des documents par des systèmes basés sur l'IA peut-il simplifier les bases de décision, réduire les sources d'erreur et soulager toutes les personnes concernées ?

Assurance maladie statu quo

Chaque jour, les assurances maladie traitent des milliers de documents : Demandes préalables de risque d'AP, lettres de médecins, rapports d'examen, justificatifs de coûts, plans de médication. La vérification manuelle de ces documents prend du temps, est source d'erreurs et coûte des ressources. La concurrence croissante dans le secteur des assurances provoque une vague de numérisation. Les procédés basés sur des règles, comme par exemple l'OCR et les robots RPA, n'offrent plus que de petits avantages de numérisation dans le traitement automatisé des données [2]. De plus en plus souvent, des systèmes d'apprentissage à l'aide de l'intelligence artificielle assistent l'homme dans la prise de décision et le traitement manuel des données et l'extraction de données à partir de documents, comme par exemple les demandes préalables de risque pour l'assurance invalidité professionnelle.

Le problème des approches traditionnelles : Les systèmes basés sur l'OCR nécessitent des modèles pour chaque mise en page de document. Avec des centaines de cabinets médicaux, de cliniques et de formulaires d'assurance différents, cela devient un goulot d'étranglement. Les exigences réglementaires (DSGVO, SGB V) exigent une documentation sans faille et des décisions transparentes.

Le changement de paradigme : de l'OCR basé sur des modèles au traitement de documents basé sur la GenAI

Approche traditionnelle des documents dans l'examen de santé :

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

Problème : avec 200 présentations différentes de lettres de médecin, cela signifie gérer 200 modèles. Chaque nouvelle clinique nécessite une adaptation manuelle. Les écarts par rapport à la mise en page standard entraînent des erreurs d'extraction.

Examen de santé basé sur GenAI avec 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'."

Avantage : fonctionne pour tous les formats de lettres de médecin sans modèles. Immédiatement utilisable dans une nouvelle clinique. Comprend les contextes et les relations médicales.

Mise en œuvre concrète : demande préalable de risque d'AP automatisée

L'exemple de la pré-demande de risque d'AP illustre bien la valeur ajoutée : À l'aide de données traitées automatiquement et provenant de lettres de médecins, de résultats d'examens et de questionnaires, il est possible d'identifier les maladies antérieures de manière structurée et de les classer par classes de risque.

Définition du schéma pour l'examen de santé BU :

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

Exemple 1 : détection intelligente des maladies préexistantes

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'."

Exemple 2 : Analyse de la médication avec compréhension du contexte

Le problème central du contrôle manuel : un „spray contre l'asthme“ entraîne automatiquement l'acceptation d'une maladie asthmatique chronique, même s'il ne s'agit que d'une médication d'urgence. GenAI peut ici faire la différence.

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."

Exemple 3 : Classification automatique des risques

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."

Exemple 4 : Routage du workflow basé sur l'évaluation des risques

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."

Exemple de réponse API : demande d'AP avec évaluation différenciée de l'asthme

{
  "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"
    ]
  }
}

Le moteur de workflow de l'assurance traite automatiquement cette réponse. Chez "workflow": "WORKFLOW_STANDARD_PRUEFUNG" le gestionnaire responsable reçoit une tâche avec toutes les données de santé extraites, l'évaluation des risques générée automatiquement et les conseils concrets. Il peut se concentrer sur le contrôle de plausibilité au lieu de lire manuellement les documents. Le temps de traitement passe de 45 minutes en moyenne à 5 minutes par demande.

La différence avec le traitement traditionnel :

Anciennement : „spray pour asthme disponible“ → Automatiquement vers groupe à risque asthme → Supplément ou exclusion → 25% Taux de refus

Avec GenAI : „spray contre l'asthme disponible, mais pas d'utilisation régulière, fonction pulmonaire normale, pas de périodes d'AU“ → évaluation différenciée → classement correct dans les cas standard 75%

Valeur ajoutée quantitative

Selon Morgen & Morgen, en Allemagne, jusqu'à 25 % de toutes les demandes préalables de couverture de risque avec des maladies préexistantes sont soit refusées, soit acceptées uniquement sous réserve d'exclusions et de surprimes [3]. Environ 75 pour cent de toutes les demandes d'AP avec des maladies préexistantes sont acceptées sans aggravation.

Le problème : le contrôle manuel conduit à des classifications erronées. Les assureurs perdent des clients à cause de refus erronés et acceptent d'autre part des risques trop élevés. Le traitement des documents basé sur GenAI réduit significativement ce taux d'erreur.

Calcul du retour sur investissement pour un assureur maladie de taille moyenne :

• 50.000 demandes d'AP par an
• Temps moyen d'examen manuel : 45 minutes par demande
• Avec GenAI : 5 minutes de contrôle de plausibilité
• Gain de temps : 40 minutes × 50.000 = 33.333 heures de travail/an
• Avec un taux horaire moyen de 45 EUR pour les gestionnaires : 1,5 million d'euros d'économies

En outre : réduction des décisions erronées estimée à 30 %, traitement plus rapide des demandes (de 14 jours à 3 jours en moyenne), satisfaction accrue des clients.

Autres cas d'application dans le secteur de la santé

La technologie décrite peut être appliquée à d'autres processus nécessitant beaucoup de documents :

1. contrôle des justificatifs assisté par IA pour les programmes de bonus GKV

Les assurés soumettent des justificatifs pour les examens préventifs, les vaccinations ou les cours de sport. GenAI classe automatiquement les justificatifs, valide l'intégralité et la plausibilité, ne marque que les anomalies pour un contrôle manuel.

2. remboursement automatisé des frais

Les factures des médecins et des hôpitaux sont automatiquement contrôlées : Les prestations facturées correspondent-elles au diagnostic ? Les chiffres des honoraires sont-ils corrects ? Y a-t-il des doubles facturations ?

3. traitement intelligent du courrier entrant

Chaque jour, les assureurs reçoivent des milliers d'e-mails et de lettres. GenAI les classe selon le type de document et l'urgence, extrait les informations pertinentes et les achemine vers les départements concernés. En savoir plus : Classification des e-mails avec l'IA.

4. archivage conforme aux exigences de conformité

Les données de santé sont soumises à des délais de conservation stricts. GenAI extrait des métadonnées pour l'archivage avec protection de révision conformément au SGB V et au RGPD. Voir aussi Archivage avec protection contre les révisions.

Protection des données et réglementation dans le domaine de la santé

Les données de santé sont des données à caractère personnel particulièrement sensibles selon l'article 9 du RGPD. L'utilisation de l'IA nécessite

• Déploiement sur siteLes données de santé ne quittent pas l'infrastructure de l'assureur. Konfuzio offre Solutions Self-Hosted On-Prem.
• Transparence des décisions en matière d'IALes modèles GenAI documentent quelles informations ont été extraites de quels endroits du document (Explainable AI).
• Homme dans la boucle: Les décisions critiques (refus, suppléments élevés) continuent de nécessiter un examen humain. En savoir plus : L'homme dans la boucle.
• Pistes d'audit: Toute décision automatisée est enregistrée et traçable.

Le règlement de l'UE sur les IA classe les systèmes de santé comme une application à haut risque. Konfuzio répond à ces exigences grâce à une gestion documentée de la qualité, une évaluation des risques et une surveillance continue des modèles. Voir : Règlement sur l'IA pour les entreprises.

Intégration dans les systèmes d'assurance existants

Le traitement des documents basé sur GenAI ne remplace pas le système d'assurance de base, mais fournit des données structurées via l'API :

1. Demande reçue (par courrier, e-mail, formulaire web)
2. Konfuzio IDP extraite données de santé, classifie le risque, recommande le flux de travail
3. Système de gestion des stocks (par ex. SAP Insurance, ISDP+, adcubum SYRIUS) reçoit des données structurées via REST-API
4. Moteur de workflow acheminement vers le responsable compétent sur la base de la recommandation Konfuzio
5. Gestionnaire de dossier n'examine que les cas critiques, prend la décision finale
6. Système de noyau d'assurance établit la police ou la décision de refus

L'intégration se fait via des interfaces standardisées. En savoir plus : Intégration de l'API.

L'avenir : un examen de santé proactif

À l'avenir, les systèmes d'IA ne se contenteront pas d'examiner les demandes de manière réactive, mais identifieront les risques de manière proactive :

• Systèmes d'alerte précoceAnalyse des parcours de soins pour identifier les états de santé qui se détériorent.
• Recommandations de préventionSuggestions automatiques de mesures préventives basées sur des modèles de risques
• Ajustement dynamique des tarifs: adaptation de la prime basée sur le risque en cas d'amélioration avérée de l'état de santé

Cette évolution nécessite toutefois une coordination étroite avec les autorités de protection des données et des lignes directrices éthiques claires.

Conclusion : l'IA soulage les humains, améliore les décisions

L'intelligence artificielle offre quelques opportunités prometteuses dans le cadre de la gestion et des soins aux patients. Bien utilisée, elle pourrait profiter à long terme à tous les acteurs du secteur de la santé. La différence décisive par rapport à il y a cinq ans : Plus besoin de modèles, plus de configuration pendant des mois, plus de dépendance informatique. Les départements spécialisés définissent en langage naturel ce qui doit être extrait.

Prochaine étape de développement : le routage intelligent des flux de travail, qui ne se contente pas d'extraire des données, mais décide en fonction du contexte quel processus commercial doit intervenir. Le gestionnaire passe du statut de collecteur de données à celui de décideur qui se concentre sur les cas complexes. Les assurés bénéficient de décisions plus rapides, d'évaluations des risques plus personnalisées et de processus plus transparents.

L'assurance maladie publique et privée en particulier devrait donc s'intéresser de près à ce sujet et se procurer l'expertise nécessaire. En raison de sa responsabilité envers plus de 70 millions d'assurés, c'est là que se trouvent les plus grands potentiels pour une utilisation prometteuse de l'IA dans le secteur de la santé. Les composantes de la compétence BU se définissent à 30 pour cent par la gestion du flux de travail, la standardisation des processus, les lettres et les questionnaires [4]. GenAI automatise précisément ces domaines.

Trouvez votre partenaire pour la numérisation dans le secteur de la santé

Fondée en 2016 et gérée par ses employés, Helm & Nagel GmbH est le fabricant de la plateforme d'IA Konfuzio. Une IA qui peut déjà être utilisée sans connaissances en IA. Nos partenaires distribuent le logiciel à nos clients. Cela vous offre divers avantages :

• Les fournisseurs de systèmes et les consultants avec l'expertise sectorielle pertinente pour vous sont à vos côtés pour l'introduction de Konfuzio
• Réduction des coûts grâce à l'automatisation par le logiciel
• Accès ad hoc aux algorithmes d'IA les plus récents sans passer par une longue phase de R&D

SOURCES

[1] Connaissance-PKV.de (juin 2020) : À quels questionnaires de santé doit-on répondre lorsqu'on demande une assurance maladie privée ?

[2] McKinsey & Company (juin 2017) : L'intelligence artificielle dans l'assurance maladie : un contrôle intelligent des factures avec un logiciel auto-apprenant. S.2.

[3] MORGEN & MORGEN Communiqué de presse (mai 2018) : M&M Rating Incapacité professionnelle : le thème du psychisme gagne encore en importance. S.4.

[4] Rating BU de Morgen & Morgen (mai 2020) : Excellents résultats de la NLV : Gestion du marché vie privée. S.7.

[5] AOK (décembre 2018) : Conseil scientifique de la transformation numérique : remarques sur une stratégie d'IA pour une caisse d'assurance maladie obligatoire. S.5