Skip to main content

2023 | OriginalPaper | Buchkapitel

Künstliche Intelligenz in der Krankenhausabrechnung

verfasst von : Jonathan Koß

Erschienen in: Handbuch Digitale Gesundheitswirtschaft

Verlag: Springer Fachmedien Wiesbaden

Aktivieren Sie unsere intelligente Suche, um passende Fachinhalte oder Patente zu finden.

search-config
loading …

Zusammenfassung

Spätestens seit der Reform der Krankenhausfinanzierung 2004, die eine Vergütung durch Fallpauschalen festsetzte, stehen stationäre Einrichtungen unter einem zunehmenden Kostendruck. Wie kann eine KI-gestützte Kodierung zu einer Erlössteigerung der Krankenhäuser beitragen?

Sie haben noch keine Lizenz? Dann Informieren Sie sich jetzt über unsere Produkte:

Springer Professional "Wirtschaft+Technik"

Online-Abonnement

Mit Springer Professional "Wirtschaft+Technik" erhalten Sie Zugriff auf:

  • über 102.000 Bücher
  • über 537 Zeitschriften

aus folgenden Fachgebieten:

  • Automobil + Motoren
  • Bauwesen + Immobilien
  • Business IT + Informatik
  • Elektrotechnik + Elektronik
  • Energie + Nachhaltigkeit
  • Finance + Banking
  • Management + Führung
  • Marketing + Vertrieb
  • Maschinenbau + Werkstoffe
  • Versicherung + Risiko

Jetzt Wissensvorsprung sichern!

Springer Professional "Wirtschaft"

Online-Abonnement

Mit Springer Professional "Wirtschaft" erhalten Sie Zugriff auf:

  • über 67.000 Bücher
  • über 340 Zeitschriften

aus folgenden Fachgebieten:

  • Bauwesen + Immobilien
  • Business IT + Informatik
  • Finance + Banking
  • Management + Führung
  • Marketing + Vertrieb
  • Versicherung + Risiko




Jetzt Wissensvorsprung sichern!

Literatur
1.
Zurück zum Zitat Deutsche Krankenhausgesellschaft D. Allgemeine und Spezielle Kodierrichtlinien für die Verschlüsselung von Krankheiten und Prozedure 2019 Deutsche Krankenhausgesellschaft D. Allgemeine und Spezielle Kodierrichtlinien für die Verschlüsselung von Krankheiten und Prozedure 2019
2.
Zurück zum Zitat MDK. Faktenblatt – Leistungen der MDK für die gesetzliche Krankenversicherung (GKV) 2014–2018 2019 MDK. Faktenblatt – Leistungen der MDK für die gesetzliche Krankenversicherung (GKV) 2014–2018 2019
3.
Zurück zum Zitat Thun S, Dewenter H. ICD-11, ICHI and SNOMED CT-What do the standards mean for eHealth applications?. Bundesgesundheitsblatt Gesundheitsforschung Gesundheitsschutz. 2018;61(7):812–20 Thun S, Dewenter H. ICD-11, ICHI and SNOMED CT-What do the standards mean for eHealth applications?. Bundesgesundheitsblatt Gesundheitsforschung Gesundheitsschutz. 2018;61(7):812–20
4.
Zurück zum Zitat Alonso V, Santos JV, Pinto M, Ferreira J, Lema I, Lopes F, et al. Problems and Barriers during the Process of Clinical Coding: a Focus Group Study of Coders’ Perceptions. J Med Syst. 2020;44(3):62 Alonso V, Santos JV, Pinto M, Ferreira J, Lema I, Lopes F, et al. Problems and Barriers during the Process of Clinical Coding: a Focus Group Study of Coders’ Perceptions. J Med Syst. 2020;44(3):62
5.
Zurück zum Zitat Busse R, Geissler A, Aaviksoo A, Cots F, Hakkinen U, Kobel C, et al. Diagnosis related groups in Europe: moving towards transparency, efficiency, and quality in hospitals? BMJ. 2013;346:f3197 Busse R, Geissler A, Aaviksoo A, Cots F, Hakkinen U, Kobel C, et al. Diagnosis related groups in Europe: moving towards transparency, efficiency, and quality in hospitals? BMJ. 2013;346:f3197
6.
Zurück zum Zitat Iqbal E, Mallah R, Rhodes D, Wu H, Romero A, Chang N, et al. ADEPt, a semantically-enriched pipeline for extracting adverse drug events from free-text electronic health records. PLoS One. 2017;12(11):e0187121CrossRef Iqbal E, Mallah R, Rhodes D, Wu H, Romero A, Chang N, et al. ADEPt, a semantically-enriched pipeline for extracting adverse drug events from free-text electronic health records. PLoS One. 2017;12(11):e0187121CrossRef
7.
Zurück zum Zitat Zeng Z, Deng Y, Li X, Naumann T, Luo Y. Natural Language Processing for EHR-Based Computational Phenotyping. IEEE/ACM Trans Comput Biol Bioinform. 2019;16(1):139–53CrossRef Zeng Z, Deng Y, Li X, Naumann T, Luo Y. Natural Language Processing for EHR-Based Computational Phenotyping. IEEE/ACM Trans Comput Biol Bioinform. 2019;16(1):139–53CrossRef
8.
Zurück zum Zitat Dublin S, Baldwin E, Walker RL, Christensen LM, Haug PJ, Jackson ML, et al. Natural Language Processing to identify pneumonia from radiology reports. Pharmacoepidemiol Drug Saf. 2013;22(8):834–41CrossRef Dublin S, Baldwin E, Walker RL, Christensen LM, Haug PJ, Jackson ML, et al. Natural Language Processing to identify pneumonia from radiology reports. Pharmacoepidemiol Drug Saf. 2013;22(8):834–41CrossRef
9.
Zurück zum Zitat Shimazawa R, Kano Y, Ikeda M. Natural language processing-based assessment of consistency in summaries of product characteristics of generic antimicrobials. Pharmacol Res Perspect. 2018;6(6):e00435CrossRef Shimazawa R, Kano Y, Ikeda M. Natural language processing-based assessment of consistency in summaries of product characteristics of generic antimicrobials. Pharmacol Res Perspect. 2018;6(6):e00435CrossRef
10.
Zurück zum Zitat Amarouche IA, Ahmed Zaid D, Kenaza T. Implementation of a Medical Coding Support System by Combining Approaches: NLP and Machine Learning. Heterogeneous Data Management, Polystores, and Analytics for Healthcare. Lecture Notes in Computer Science2019. p. 133–47 Amarouche IA, Ahmed Zaid D, Kenaza T. Implementation of a Medical Coding Support System by Combining Approaches: NLP and Machine Learning. Heterogeneous Data Management, Polystores, and Analytics for Healthcare. Lecture Notes in Computer Science2019. p. 133–47
Metadaten
Titel
Künstliche Intelligenz in der Krankenhausabrechnung
verfasst von
Jonathan Koß
Copyright-Jahr
2023
DOI
https://doi.org/10.1007/978-3-658-41781-9_58

Premium Partner