KI Neuigkeiten
11 Apr. 2026
Read 9 min
Wie KI für medizinische Kodierung Zeit und Fehler spart
KI für medizinische Kodierung reduziert Nacharbeit, liefert nachvollziehbare Codes und spart direkt Zeit.
Neue KI-Werkzeuge zeigen, wie Pflege, Kodierung und Abrechnung schneller und sicherer laufen können. Vor allem KI für medizinische Kodierung reduziert Nacharbeit, begründet Entscheidungen und senkt Fehler. Parallel helfen Agenten am Pflegebett beim Abrufen von EHR-Daten und ein RCM‑LLM baut Bürokratie ab.
Neue Ankündigungen aus der Gesundheits-IT zeigen einen klaren Trend: KI wird fachspezifisch, integriert sich direkt in Arbeitsabläufe und setzt stärker auf begründetes Schlussfolgern. Das betrifft Pflegekräfte am Bett, Kodier-Teams und den Revenue Cycle gleichermaßen. Besonders spannend ist, wie KI für medizinische Kodierung mit nachvollziehbaren Begründungen arbeitet und so Qualität und Tempo unterstützt.
Ambiente GenAI am Bett: schneller Zugriff auf EHR-Daten
Ambience Healthcare hat Chart Chat für Nursing vorgestellt. Die Funktion lässt Pflegekräfte direkt mit dem Epic-EHR „sprechen“, Fragen stellen und Antworten während des Stationsalltags erhalten. So liegen Medikationshistorie, Labortrends und weitere Informationen in Sekunden vor und helfen, Diagnosen und Pflegepfade besser zu verstehen. Ergebnisse erscheinen als Text im Ambience‑Modul innerhalb des EHR. Chart Chat ist derzeit mit Epic kompatibel; weitere Integrationen werden geprüft. Für Sicherheit sorgt eine dreistufige Architektur:- Evaluierungen während der Einführung
- Echtzeit‑Qualitätsmonitoring
- Feedback der Pflegekräfte
KI für medizinische Kodierung: Corti Symphony im Fokus
Corti hat Symphony for Medical Coding angekündigt – eine Lösung, die auf einer Multi‑Agenten‑Logik basiert und klinische Texte systematisch gegen Kodierregeln prüft. Diese KI für medizinische Kodierung startet mit einem Filter: Sie entfernt Angaben, die nicht zu kodieren sind, etwa frühere, nicht mehr gemanagte Erkrankungen. Das zugrunde liegende ML‑Modell heißt Code Like Humans. Laut Corti wurde es auf 5,8 Millionen elektronischen Gesundheitsakten von 1,8 Millionen Patientinnen und Patienten trainiert. Als KI für medizinische Kodierung nutzt es die ICD‑10‑alphabetischen Indizes, sucht relevante Begriffe und Untereinträge entlang von Qualitätsstandards und erzeugt daraus einen vollständigen Kandidatencode‑Satz – so, wie es geschulte Kodierer tun. Für jedes identifizierte Krankheitsbild liefert das System einen Primärcode plus gerankte Alternativen. Es zeigt zudem die Textstellen, die die Prognose ausgelöst haben, und liefert Begründungen für die Auditierbarkeit. In Auswertungen über fünf Datensätze aus den USA und dem Vereinigten Königreich habe das LLM laut Anbieter OpenAI‑ und Anthropic‑Modelle um mehr als 25% übertroffen. „Die meisten KI‑Systeme scheitern bei der medizinischen Kodierung, weil sie sie als Labeling und nicht als Schlussfolgern behandeln“, sagt Lars Maaløe, Mitgründer und CTO von Corti. Die Lösung ist als API‑Endpoint, über Model Context Protocol sowie in Enterprise‑ und Cloud‑Deployments verfügbar. Das zeigt, wie KI für medizinische Kodierung nicht nur schneller zu Codes kommt, sondern diese auch begründet und damit Prüfungen erleichtert.Nutzen für Kodier- und Qualitäts-Teams
- Schnellere Ermittlung valider Codes durch agentisches Reasoning
- Transparenz dank Quellenangaben und Begründungen für Audits
- Weniger Rauschen, da historische, inaktive Diagnosen gezielt herausgefiltert werden
- Flexible Einbindung via API, MCP oder Enterprise‑Deployment
RCM‑native LLMs: Ensemble und Cohere bündeln Know-how
Große Sprachmodelle stoßen oft an Grenzen, wenn es um regulatorische Feinheiten, Anforderungen von Kostenträgern und operative Prozesse im Gesundheitswesen geht. Ensemble (RCM) und Cohere (AI) entwickeln deshalb ein vollständig kundenspezifisches Modell, das auf Ensembles Betriebswissen und Daten aufsetzt. Judson Ivy, President und CEO von Ensemble, betont, dass Prozesse, Wissen über das Zahlungsverhalten der Payer und Erfahrungen der Mitarbeitenden prägen, wie das Modell lernt und Probleme löst – mit dem Ziel, Reibung entlang der finanziellen Patient:innenreise zu verringern und die vertrauten Ergebnisse für Gesundheitssysteme abzusichern. Aidan Gomez, CEO von Cohere, sieht in der Verbindung aus Domänenexpertise und sicherer Enterprise‑KI genau die Basis für Agenten, die Genauigkeit, Konsistenz und Verlässlichkeit liefern – bei hohen Standards für Datenschutz und Sicherheit. Das Modell wird auf RCM‑Aufgaben feinabgestimmt und in KI‑Agenten eingebettet, die Abläufe von der Aufnahme bis zur Kontoauflösung unterstützen. Es wird nicht auf identifizierbaren Kundendaten oder geschützten Gesundheitsinformationen trainiert.Warum das zusammengehört
Wenn Pflegekräfte verlässliche EHR‑Antworten am Bett erhalten, Kodier‑Teams mit nachvollziehbarer Begründung arbeiten und RCM‑Agenten Prozesse kennen, sinken Medienbrüche und Nacharbeiten. Mit KI für medizinische Kodierung und einem RCM‑nativen LLM rücken klinische Dokumentation, Kodierung und Abrechnung näher zusammen – und das mit Fokus auf Sicherheit, Qualität und Integration. Am Ende zählt, dass KI lösungsnah arbeitet: direkt im EHR, entlang von Kodierregeln und in RCM‑Workflows. Diese Entwicklung spart Zeit, erhöht die Nachvollziehbarkeit und senkt das Fehlerrisiko. KI für medizinische Kodierung wird so zum Bindeglied zwischen Dokumentation, Kodierung und Abrechnung – und damit zum Motor für reibungslose Abläufe.(Source: https://www.healthcareitnews.com/news/ai-product-roundup-new-tools-nursing-coding-and-rcm-workflows)
For more news: Click Here
FAQ
Q: Was versteht man unter KI für medizinische Kodierung und wie kann sie Zeit und Fehler sparen?
A: KI für medizinische Kodierung bezeichnet Systeme, die klinische Texte mit Kodierregeln verknüpfen und begründete Code‑Vorschläge liefern. Dadurch reduzieren sich Routineaufgaben und Nacharbeit, während Entscheidungen transparent dokumentiert werden.
Q: Wie arbeitet Cortis „Symphony for Medical Coding“?
A: Symphony nutzt eine Multi‑Agenten‑Logik mit einer vierstufigen agentischen Reasoning‑Abfolge, die klinische Texte filtert und gegen Kodierregeln prüft. Für identifizierte Diagnosen durchsucht das System den ICD‑10‑alphabetischen Index und erzeugt einen vollständigen Kandidatencode‑Satz samt Primärcode, gerankten Alternativen, Quelltextstellen und Begründungen.
Q: Woraus besteht das Trainingsmaterial des Modells „Code Like Humans“?
A: Laut Corti wurde das Modell Code Like Humans auf 5,8 Millionen elektronischen Gesundheitsakten von 1,8 Millionen Patientinnen und Patienten trainiert. Das Modell unterstützt KI für medizinische Kodierung durch reasoning und die Nutzung des ICD‑10‑Index zur Erzeugung nachvollziehbarer Codes.
Q: Wie sorgt die Lösung für Transparenz und Auditierbarkeit bei Kodierungen?
A: Als KI für medizinische Kodierung liefert das System Primärcode plus gerankte Alternativen und zeigt die Textstellen, die die Vorhersage ausgelöst haben, sowie Begründungen für Audits. Diese Nachvollziehbarkeit hilft Kodier‑ und Qualitätsteams, Prognosen zu prüfen und manuelle Nacharbeit zu reduzieren.
Q: Wie unterstützt Chart Chat für Nursing Pflegekräfte am Patientenbett?
A: Chart Chat ermöglicht Pflegekräften direkt im EHR Fragen zu stellen und innerhalb von Sekunden Medikationshistorie, Labortrends und weitere klinische Informationen als Text zu erhalten. Die Ergebnisse erscheinen im Ambience‑Modul innerhalb von Epic und sollen Entscheidungen am Punkt der Pflege erleichtern.
Q: Mit welchen Sicherheits- und Qualitätsmechanismen ist Chart Chat ausgestattet?
A: Ambience nennt eine dreistufige Sicherheitsarchitektur, bestehend aus Evaluierungen während der Einführung, Echtzeit‑Qualitätsmonitoring und dem Feedback der Pflegekräfte. Chart Chat ist derzeit mit Epic kompatibel, und das Unternehmen prüft weitere Integrationen.
Q: Was ist ein RCM‑nativer LLM und welche Ziele verfolgen Ensemble und Cohere damit?
A: Ein RCM‑nativer LLM ist ein auf Revenue Cycle Management spezialisiertes Sprachmodell, das auf RCM‑Aufgaben feinabgestimmt und in Agenten von der Patientenaufnahme bis zur Kontoauflösung eingebettet wird. Ensemble und Cohere entwickeln ein solches Modell, das administrative Reibung reduzieren soll und nach eigenen Angaben nicht auf identifizierbaren Kundendaten oder geschützten Gesundheitsinformationen trainiert wird.
Q: Welche Bereitstellungsoptionen bieten die neuen Kodier‑ und RCM‑Lösungen und wie profitieren Teams davon?
A: Cortis Symphony ist als API‑Endpoint, über Model Context Protocol sowie in Enterprise‑ und Cloud‑Deployments verfügbar, während Chart Chat als EHR‑Modul eingesetzt wird und RCM‑Modelle in Agenten eingebettet werden. Durch diese Integrationsoptionen lässt sich KI für medizinische Kodierung direkt in bestehende Abläufe einbinden, was Routinearbeit verringert und Prüfungsfähigkeit erhöht.
Contents
