Dunkelverarbeitung mit KI

Die Versicherungssprache kann recht bunt sein: Wir machen Dokumente „hell“, verarbeiten sie „grau“ oder lassen sie „dunkel“ durchlaufen. Die Farbenlehre steht für eines der wichtigsten Automatisierungsfelder in Versicherungen – die e2e-Dunkelverarbeitung. Allein bei ERGO reichen Kunden pro Woche mehr als eine Million Dokumente ein, Arztrechnungen etwa. Dunkel zu verarbeiten heißt: Über Regelwerke wird die Eingangspost vollständig automatisiert bearbeitet, ohne dass Mitarbeiter eingreifen müssen. „Dunkelverarbeitung ist nicht neu – mittels künstlicher Intelligenz könnte sie jetzt aber einen exponentiellen Boost erhalten!“ schreibt ERGO CDO Mark Klein in seinem neuesten Namensbeitrag hier auf //next.

Die Rechnungs-App des ERGO Krankenversicherers DKV kommt bei Kunden sehr gut an. Anmelden, Arztrechnung fotografieren, abschicken – in wenigen Sekunden ist die Privatrechnung bei ERGO in Bearbeitung. Wenn das abgeschlossen ist, kommt die Vollzugsnachricht auch wieder via App, inklusive angehängter Leistungsübersicht. So bieten wir einen einfachen, bequemen und vollständig digitalen Kanal, der von immer mehr Kunden in der Krankenversicherung genutzt wird.

Aus Prozesssicht spannend aber ist vor allem das, was zwischen App-Abschicken und Push-Nachricht passiert. Wie viele der Zehntausenden Arztrechnungen, die Woche für Woche bei ERGO eingehen, müssen Kolleginnen und Kollegen noch am PC aufrufen – beziehungsweise „hell“ machen und Zeile für Zeile prüfen? Und wie viele werden durch intelligente Datenverarbeitung in einem dreistufigen Prozess klassifiziert, extrahiert und fachlich entschieden – so dass sie „dunkel“ durch den Prozess laufen?

Das Rechnungs-Foto via Kunden-App ist also kein reiner Beitrag zum papierlosen ERGO Büro, sondern ein Eingangskanal zum vollständig automatisierten, fallabschließenden Regulieren von Versicherungsschäden. Mittels KI könnte die Dunkelverarbeitung jetzt einen echten Schub erfahren. Die künstliche Intelligenz ist in der Lage, auf einer Arztrechnung Zusammenhänge aufzuspüren, die den alten Lösungsansätzen verwehrt blieben.

Schon vor 15 Jahren wurden Kundendokumente und Rechnungen „dunkel“ verarbeitet. Der Automatismus prüfte (und prüft oft noch immer) nach so genannten Wenn-Dann-Regeln. Also zum Beispiel in der Leistungsabrechnung für die Krankenversicherung: Wenn die versicherte Person im Tarif X versichert ist, dann darf der Anteil für Zahnersatz maximal Y Prozent betragen. Mit solchen Regeln kann man bereits erstaunlich viele automatisierte Leistungsentscheidungen treffen.

Bei ca. 20.000 Codes für ärztliche Diagnosen, Tausenden unterschiedlichen Rechnungsformatierungen und mehr als 1.000 Tarifen, in denen DKV-Kunden versichert sind, kommen die Wenn-Dann-Regelwerke jedoch irgendwann – und dann ziemlich schnell – an ihre Grenzen. Problem ist die Eindeutigkeit: Schafft es das System, einen Sachverhalt eindeutig zu extrahieren (Arbeitsschritt 2) bzw. die richtige Entscheidung zu treffen (Arbeitsschritt 3)?

Auch bereits bei der Daten-Klassifikation (Arbeitsschritt 1) kann die Eindeutigkeit abhandenkommen: Wenn beispielsweise ein Kunde eine neue Wohnadresse meldet, dann kann das mehrere Gründe haben. Es könnte heißen: schickt mir Post ab sofort hierhin. Oder es kann bedeuten: in der neuen Wohngegend oder Wohnung besteht ein anderes Versicherungsrisiko. Entsprechend müsste die Hausratversicherung des Kunden angepasst werden. Hinter der Information „umgezogen“ können also unterschiedliche Aufträge für den Versicherer stecken.

Wenn-Dann-Regelwerke sind kaum in der Lage, diese komplexen, mehrdimensionalen Zusammenhänge zu lösen. Eine gut trainierte KI dagegen hat mit Mehrdimensionalität kein Problem!

KI kann „multidimensional“ klassifizieren, extrahieren und entscheiden

KI geht immer nach dem gleichen Muster, den bereits angedeuteten drei Arbeitsschritten vor. Der Prozess startet mit der Klassifikation. Das ist wie früher das Einsortieren von Kundenbriefen in die Postfächer der Abteilungen. Adressänderungsbriefe an die Adressänderungsabteilung, Krankenhausrechnungen an die Stationär-Abteilung oder Rezepte in die Rezepte-Abteilung.

Nächster Arbeitsschritt ist die Fachdaten-Extraktion. In der „Rezepte-Abteilung“ werden die Daten ausgelesen, die relevant sind. Also Nasentropfen für € 10.80 plus Augentropfen für € 5.60. Macht zusammen € 16,40. Damit ist aber noch nicht klar, welcher Betrag dem Versicherten ausgezahlt wird. Dieser Prüfschritt kommt an dritter Stelle. Das System prüft, welche Leistungen im Tarif versichert sind (das macht bei uns die „Tarif-Engine“). Wir prüfen aber auch, ob die Maßnahme medizinisch begründbar ist.

Das ist nicht trivial. Beispielsweise, wenn der Versicherer herausfinden soll, ob die Nasen-Korrektur eine medizinische oder eine kosmetische Ursache hat. Bei medizinisch zahlt die Versicherung, bei kosmetisch in aller Regel nicht. Medizinische Begründungen können aber vielfältige Ursachen haben. Unfälle mit Schädigungen in Gesicht und Nase natürlich, aber auch psychische Erkrankungen. Die alten Regelwerke-Systeme würden hier komplett versagen. Die KI kann das hinbekommen.

KI erkennt Muster mittels neuronaler Netze – Beziehungsgeflechten zwischen verschiedensten Merkmalen – und gutem Training. Dass sie dabei immer besser wird, zeigen die Fortschritte bei der Bilderkennung. Schon vor einigen Jahren hat die Künstliche Intelligenz bei der Klassifikation von Bilden uns Menschen überholt. Die Künstliche Intelligenz ist zuverlässiger als der Mensch. Auf 96 von 100 Fotos erkennt sie beispielsweise den Hund, der darauf abgebildet ist. Wir Menschen schaffen ca. 93 Prozent und brauchen dafür zudem mehr Zeit.

Auch bei der Texterkennung steht kurz bevor, dass die KI zuverlässiger klassifiziert als wir Menschen. Bleiben wir bei der Arztrechnung mit hunderten Erkennungsmerkmalen. Ein System namens OCR – Optical-Character-Recognition – liest die gedruckten Texte aus einem Bild heraus. ICR – Intelligent Character Recognition – erkennt in Buchstabenreihen die wahrscheinlichsten Wörter. Die Trefferquote bei der Extraktion in Texten liegt oft noch unter 50 Prozent – und damit niedriger als mit regelbasierten Systemen. Aber die KI holt schnell auf.

Nächste Herausforderung: Unstrukturierte Daten im Textspeicher verfügbar machen

Die technischen Voraussetzungen sind also gegeben, um Dunkelverarbeitung an die KI zu übergeben. Und trotzdem – den KI-Vorteil werden wir erst in den nächsten Jahren rundum ausspielen können. Und das hat mit Daten zu tun. Daten beziehungsweise deren Strukturierung für die richtige Interpretation sind die eigentliche Baustelle neben der KI-Kompetenz. Denn solange wir bei den Arztrechnungen keine eindeutige Entitäten-Erkennung haben und keine validen Entscheidungen treffen – solange würde KI mehr Schaden anrichten als dass sie nutzt.

Deshalb ist das initiale Assessment, das Präparieren und Analysieren der Daten für das Modellieren und Trainieren von KI-Algorithmen so wichtig. Nur wenn das perfekt ist, kann KI in allen drei Prozessschritten ihre Arbeit machen. Bei ERGO bauen wir deshalb einen vollständigen Analytics-Content-Hub beziehungsweise Textspeicher auf, mit dem wir unstrukturierte Daten verfügbar machen werden.

Auf diesen zentralen Trainingssatz sollen später alle KI-Modelle zurückgreifen, um so ihren Wirkungsgrad kontinuierlich erhöhen zu können. Mit einer KI zum Auslesen von ambulanten Arztrechnungen liegen wir inzwischen bei einer vielversprechenden Trefferquote.

Wenn der Textspeicher einmal vollständig strukturiert angelegt ist, können wir die KI-Algorithmen beliebig skalieren. Hier liegen die Vorteile gegenüber der alten Regel-Logik. So werden wir mit KI eine umfassende Dunkelverarbeitung über Hunderte von Geschäftsvorfällen ausrollen können, während die alten Regelsysteme nur für einige wenige Kundenanliegen zur Anwendung kamen. Allerdings bedingt das eine das andere. Ohne die bestehenden, dunklen Basisprozesse würde die KI nicht funktionieren.

Und die Mitarbeiterinnen und Mitarbeiter? Werden dringend benötigt! Es wird zwei bis drei Jahrzehnte brauchen, bis die KI alleine arbeiten kann. So lange werden wir weder ganz „dunkel“ noch ganz „hell“, sondern „grau“ arbeiten. Mensch und Maschine werfen sich die Bälle zu.

In der Krankentagegeldversicherung schlägt eine KI den Kolleginnen und Kollegen vor, welche Geschäftsvorfälle geprüft werden sollten. Zudem führen Menschen systematische Stichprobenkontrollen durch, um die Qualität der KI sicher zu stellen. Insbesondere bei „neuen“ Konstellationen ist unsere KI noch nicht clever genug und braucht noch lange die Unterstützung unserer Spezialisten.

Aber schon jetzt erspart die Mensch-Maschine-Interaktion vielen Kunden nicht notwendige Kontrollen und der Versichertengemeinschaft in Summe Geld. Für Kundinnen und Kunden und deren App heißt das auch: Die Push-Nachricht der DKV trifft noch früher ein. Denn wenn die KI einmal mit im Spiel ist, dann macht sie ordentlich Tempo!

Text: Mark Klein, CDO ERGO Group