KI-Dokumentenverarbeitung im Gesundheitswesen — 12.000 Patientenakten pro Monat automatisiert

Herausforderung

Ein Klinikverbund mit drei Standorten in der Rhein-Main-Region verarbeitete monatlich über 12.000 eingehende Dokumente: Befundberichte externer Ärzte, Laborergebnisse, Versicherungsanfragen, Überweisungen und Entlassungsbriefe. Der gesamte Prozess war papierbasiert. Medizinische Fachangestellte scannten die Dokumente ein, klassifizierten sie manuell nach Dokumenttyp und Fachabteilung und ordneten sie den richtigen Patientenakten zu — ein Prozess, der pro Dokument durchschnittlich 4,5 Minuten dauerte. Bei 12.000 Dokumenten pro Monat bedeutete das: Über 900 Arbeitsstunden nur für Dokumentensortierung. Drei Vollzeitkräfte, die nichts anderes taten als Papiere zu scannen, zu lesen und zuzuordnen. Und trotzdem lag die Fehlerquote bei 6,2% — falsch zugeordnete Befunde, übersehene Laborwerte, verspätete Versicherungsantworten. In einem klinischen Umfeld können solche Fehler patientenrelevant sein. Das Krankenhausinformationssystem (KIS) bot zwar eine OCR-Funktion, doch die erkannte medizinische Fachbegriffe und handschriftliche Anmerkungen nur unzureichend. Zudem fehlte jede Intelligenz bei der Zuordnung: Das System konnte Text erkennen, aber nicht verstehen, was es liest. Die IT-Abteilung hatte bereits einen Anbieter für „KI-gestützte Dokumentenerkennung" evaluiert, doch dessen Standardprodukt konnte die spezifischen Dokumentformate der Zuweiser und die komplexe Zuordnungslogik des Klinikverbunds nicht abbilden.

Lösung

Wir entwickelten eine KI-Pipeline, die den gesamten Dokumenteneingang automatisiert — von Scan bis zur Zuordnung in der digitalen Patientenakte: Intelligente Dokumentenerkennung: Ein multimodales KI-Modell, das auf medizinischen Dokumenten fine-tuned wurde, erkennt nicht nur gedruckten Text per OCR, sondern auch handschriftliche Annotationen, Stempel, Unterschriften und strukturierte Formularbereiche. Die Erkennungsgenauigkeit liegt bei 99,2% für gedruckten Text und 94% für handschriftliche Ergänzungen. Automatische Klassifizierung: Ein NLP-Modell klassifiziert jedes Dokument nach Typ (Befund, Labor, Überweisung, Versicherung, etc.), Fachabteilung (Kardiologie, Orthopädie, Innere, etc.) und Dringlichkeit. Das Modell wurde auf 50.000 historischen, anonymisierten Dokumenten des Klinikverbunds trainiert und erreicht eine Klassifizierungsgenauigkeit von 97,8%. Patientenzuordnung: Über eine Kombination aus extrahierten Patientendaten (Name, Geburtsdatum, Versicherungsnummer) und einem Fuzzy-Matching-Algorithmus ordnet das System Dokumente automatisch der richtigen digitalen Patientenakte im KIS zu — auch wenn Schreibweisen variieren oder Daten teilweise fehlen. Human-in-the-Loop: Dokumente, bei denen das System eine Konfidenz unter 95% hat, werden automatisch zur manuellen Überprüfung vorgelegt. Die Mitarbeiter validieren per One-Click-Bestätigung oder korrigieren — und jede Korrektur fließt als Trainingsdaten zurück in das Modell. Die gesamte Lösung läuft DSGVO-konform auf dedizierten Servern im Rechenzentrum des Klinikverbunds — keine Patientendaten verlassen das Hausnetz. Die Integration ins bestehende KIS erfolgte über HL7-FHIR-Schnittstellen.

Eingesetzte Technologien

PythonFastAPIPyTorchTesseract OCRspaCyPostgreSQLDockerHL7 FHIRReactTypeScript