Impact van AI-Ondersteunde Codering op Casemix op Personeelsbestaffing

“Meer dan 1.100 VTE zijn toegewezen aan MZG en de specifieke
software kost meer dan 11 miljoen euro per jaar. Deze kosten
worden gedeeltelijk gedekt door de vergoeding die de
ziekenhuizen hiervoor ontvangen.” Belgisch Rekenhof, 2017 . De financiering van ziekenhuizen in België is gedeeltelijk afhankelijk van de zorgzwaarte, die wordt gemeten via All Patient Refined Diagnosis Related Groups (APR-DRG’s) op basis van ICD-10-CM/PCS-codering geregistreerd in de Minimale Ziekenhuisgegevens (MZG). De inzameling van deze gegevens vereist echter mankracht. Het toenemende gebruik van NLP- en AI-technieken in de medische codering creëert nieuwe mogelijkheden om het coderingsproces te automatiseren, personeel te ontlasten en de nauwkeurigheid van geregistreerde gegevens te verbeteren. Tegelijkertijd vereist de inzet van dergelijke modellen een grondige evaluatie van hun betrouwbaarheid in een reële klinische setting.

Deze studie had als doel de prestaties van het 360 AI-model van Solventum voor automatische codering te analyseren en de potentiële meerwaarde van een hybride werkwijze, waarbij menselijke codeerders samenwerken met AI, te onderzoeken. Hiervoor werd een corpus van 18.515 medische dossiers (de klassieke hospitalisaties uit het eerste semester van 2025 van het CHU de Liège geanalyseerd. De automatische codering werd vergeleken met de manuele codering. Daarnaast werd een subgroep van 2.563 dossiers—waarbij de AI een hogere Severity of Illness (SoI) suggereerde dan de menselijke codeerder—herzien door een team van 25 professionele codeerders op basis van zowel hun oorspronkelijke codering als de door AI voorgestelde codes.

Van de 18.515 dossiers vertoonden 10.312 verblijven een identieke APR-DRG tussen manuele en automatische codering. In een subgroep van 2.563 geselecteerde dossiers werd nagegaan of AI-suggesties berustten op valide aanvullende diagnoses dan wel op hallucinaties. Deze herziening resulteerde in een gecorrigeerde winst van 7,67 bedden. De winst werd voornamelijk veroorzaakt middels door de AI gedetecteerde, maar door codeerders vergeten diagnoses.

De studie toont aan dat een volledig autonome codering van klassieke verblijven op dit moment nog niet haalbaar is, maar dat een hybride aanpak duidelijke voordelen biedt. De samenwerking tussen codeerder en AI versterkt de betrouwbaarheid van het coderingsproces: menselijke expertise beperkt AI-gerelateerde hallucinaties en andere fouten, terwijl AI ondersteuning biedt bij het detecteren van gemiste diagnoses. Dit hybride model vertegenwoordigt een betekenisvolle vooruitgang in klinische codering. Echter, er is geen effectieve personeelsbesparing mogelijk daar een autonome codering van klassieke hospitalisaties nog in de helft van de gevallen een andere APR-DRG geeft.