Advanced Analytics in der Gesetzlichen Krankenversicherung: KI-gestützte Analyse von Abrechnungsdaten zur Versorgungsoptimierung

Einleitung: Multimorbidität stellt die Versorgung vor Herausforderungen, da komplexe Krankheitsverläufe mit klassischen Verfahren eingeschränkt abgebildet werden. Das Projekt untersucht am Beispiel Diabetes, wie KI-Verfahren in anonymisierten GKV-Routinedaten Patientengruppen sichtbar machen können. Ziel ist eine Beschreibung von Morbiditätsmustern, um Ausreißer und komplexe Versorgungskonstellationen zu erkennen. Methoden: Verwendet wurden anonymisierte longitudinale GKV-Daten mit ICD-Diagnosen, ATC-Arzneimittelverordnungen, Kostenangaben und soziodemografischen Merkmalen. Die Daten wurden mit neuronalen Netzen in Vektoren überführt. Eingesetzt wurden Embeddings, HDBSCAN, UMAP sowie Pattern-Mining und die Analyse der Vektorvarianz. Ergebnisse: Die Auswertung zeigt, dass sich multimorbide Patientengruppen differenziert beschreiben lassen. Sichtbar wurden Zusammenhänge zwischen Krankheitsmustern, Ressourcenverbrauch sowie stabilen und dynamischen Verläufen. Diskussion: Die Ergebnisse verdeutlichen das Potenzial KI-gestützter Analysen und eröffnet neue Ansätze für die Weiterentwicklung der Versorgungsforschung und eine gezieltere Steuerung.