Czy AI może pomagać przy kodowaniu JGP i grupowaniu hospitalizacji w szpitalu?

AI może realnie wspierać kodowanie JGP, ale nie zastąpi w tym procesie człowieka. Sprawdza się najlepiej jako warstwa kontrolna przed wysyłką komunikatu do NFZ: porównuje treść dokumentacji z tym, co koder wpisał w Karcie Statystycznej Szpitalnej, sygnalizuje brakujące kody procedur ICD-9 i wskazuje sytuacje, gdy wybór rozpoznania głównego nie zgadza się z wypisem lekarskim. Szpitale, które uruchomiły taką weryfikację, ograniczają liczbę hospitalizacji z zaniżoną wyceną, zanim te trafią do grupera.

Czym jest JGP i dlaczego błędy w kodowaniu bolą

JGP, czyli Jednorodne Grupy Pacjentów, to polski odpowiednik systemu DRG stosowanego w całej Europie. NFZ przydziela każdej hospitalizacji konkretną grupę, a do niej taryfę punktową, na podstawie zestawu danych z Karty Statystycznej Szpitalnej: rozpoznania głównego i współistniejących w ICD-10, wykonanych procedur w ICD-9, wieku i płci pacjenta, czasu pobytu oraz trybu wypisu.

Problem w tym, że grupowanie jest wrażliwe na każde pole. Wybór złego rozpoznania głównego, pominięcie jednej procedury ICD-9 albo błędny tryb wypisu mogą zepchnąć hospitalizację do niższej grupy. Szpital wykona tę samą pracę, a dostanie mniej. I nie dowie się o tym od razu, bo komunikat XML może przejść walidację NFZ bez błędu formalnego, a różnica w wycenie wyjdzie dopiero przy analizie rachunków za kwartał.

Dochodzi do tego ryzyko kontroli. NFZ ma prawo sprawdzić, czy kod JGP w komunikacie odpowiada dokumentacji przechowywanej w szpitalu. Błąd w drugą stronę, czyli zawyżona grupa, to zwrot należności i ryzyko kary umownej.

Co konkretnie robi AI przy kodowaniu JGP

Większość wdrożeń AI w tym obszarze działa na tym samym schemacie: model czyta treść dokumentacji medycznej (wypis lekarski, karta zleceń, opisy zabiegów), porównuje ją z tym, co koder wpisał w KSS, i wyświetla listę uwag przed wysyłką komunikatu.

Typowe funkcje, które szpitale uruchamiają:

• Weryfikacja rozpoznania głównego. AI sprawdza, czy kod ICD-10 wybrany jako rozpoznanie główne faktycznie dominuje w treści wypisu, czy może w dokumentacji wyraźnie widać inne rozpoznanie, które powinno być na pierwszej pozycji.
• Kontrola procedur ICD-9. Model wykrywa zabiegi i procedury opisane w dokumentacji, których nie ma na liście kodów ICD-9 w KSS. Najczęściej dotyczy to procedur diagnostycznych wykonywanych rutynowo, ale pomijanych przez kodera jako oczywiste.
• Alerty o potencjalnym awansie grupy. Jeśli na podstawie dokumentacji hospitalizacja kwalifikowałaby się do wyższej JGP, a koder tego nie uwzględnił, AI sygnalizuje rozbieżność z sugestią, jaka kombinacja kodów zmieniłaby grupę.
• Sprawdzenie wymagań JGP. Część grup ma twarde kryteria: minimalny czas pobytu, konkretna procedura, cechy demograficzne. AI pilnuje, czy hospitalizacja te kryteria spełnia.
• Flagowanie trybu wypisu. Błędnie wpisany tryb, np. "wypisany na własne żądanie" zamiast "wypisany do dalszego leczenia", może zaburzyć grupowanie. AI porównuje wpis w KSS z treścią dokumentacji.

U jednego z naszych klientów, szpitala wielooddziałowego, kontrola AI wykryła systematyczny brak kodowania jednej procedury na ginekologii. Procedura była wykonywana i opisana w kartach zabiegowych, ale nie trafiała do KSS. Poprawka objęła kilkaset hospitalizacji przy następnym rozliczeniu rocznym.

Gdzie jest granica: czego AI nie zrobi

AI nie jest grupserem. Nie wysyła komunikatu do NFZ. Nie podejmuje ostatecznej decyzji o kodzie.

Są sytuacje, w których AI ma niską skuteczność:

• Dokumentacja jest lakoniczna, kilka zdań w wypisie bez opisu przebiegu leczenia. Wtedy model nie ma z czego wyciągnąć wniosków i najczęściej nie zgłasza uwag.
• Hospitalizacje z wieloma równorzędnymi rozpoznaniami, gdzie wybór rozpoznania głównego to decyzja kliniczna, nie mechaniczne dopasowanie do tekstu.
• Nowe lub zmienione taryfy NFZ, jeśli model nie był na nich douczony po aktualizacji zarządzenia.

Dlatego AI w tym obszarze działa jako drugi czytelnik, nie jako jedyny decydent. Finalną odpowiedzialność za kod zawsze bierze na siebie człowiek.

Integracja z HIS i wymagania techniczne

Żeby AI miało dostęp do dokumentacji, musi być zintegrowane z systemem HIS używanym w szpitalu (np. Medicom, Eskulap, Asseco AMMS, mMedica). Pobiera z niego treść dokumentów: wypis lekarski, kartę zleceń, opisy procedur, dane demograficzne.

Integracja może działać na kilka sposobów: API bezpośrednie do HIS, jeśli dostawca je udostępnia, eksport do formatu HL7 FHIR albo połączenie przez magazyn dokumentów, jeśli szpital ma własne środowisko danych. Który wariant jest możliwy, zależy od wersji HIS i polityki jego producenta. To warto sprawdzić przed pierwszą rozmową z dostawcą AI, bo ten punkt często wydłuża wdrożenie bardziej niż samo uruchomienie modelu.

Poza integracją trzeba zadbać o to, żeby dane przepływające do modułu AI były pseudonimizowane zgodnie z RODO. Dokumentacja medyczna to dane szczególnej kategorii, więc umowa z dostawcą AI musi obejmować powierzenie przetwarzania (art. 28 RODO) i określać, gdzie dane są przechowywane i przez jak długo.

Kto korzysta i jak wygląda praca na co dzień

W praktyce z modułu korzystają koderzy medyczni i statystycy medyczni. Typowy przepływ wygląda tak: koder otwiera hospitalizację w HIS, AI wyświetla uwagi w panelu bocznym lub osobnej zakładce, koder przegląda sugestie, akceptuje lub odrzuca, po czym zatwierdza KSS. Cały cykl dodaje kilka minut na jeden przypadek, ale zwraca się przy hospitalizacjach, gdzie błąd kosztowałby kilkadziesiąt punktów rozliczeniowych.

Część szpitali ustawia AI w trybie nocnym: model przegląda wszystkie hospitalizacje z danego dnia, a rano na liście kodera pojawiają się tylko te wymagające weryfikacji. Reszta przechodzi bez uwag. To zmniejsza liczbę przypadków do manualnego przeglądu bez rezygnowania z ludzkiej kontroli.

Lekarze rzadko są bezpośrednimi użytkownikami narzędzia. Ale jakość ich dokumentacji bezpośrednio przekłada się na to, co AI znajdzie. Szpitale, które równolegle wdrażają AI do automatycznego opisywania wizyt lub wypełniania dokumentów wypisowych, mają lepsze efekty w kodowaniu JGP właśnie dlatego, że dokumentacja wejściowa jest pełniejsza.

Od czego zaczynamy

Jeśli rozważasz wdrożenie AI do weryfikacji JGP, warto zacząć od trzech kroków:

• Audyt jakości aktualnego kodowania. Sprawdź, ile hospitalizacji z ostatnich sześciu miesięcy ma rozbieżności między dokumentacją a przypisanym kodem JGP. To mówi, gdzie jest potencjał do poprawy i czy uzasadnia wdrożenie.
• Weryfikacja możliwości integracyjnych HIS. Zapytaj swojego dostawcę HIS, jakie API lub interfejsy są dostępne do odczytu dokumentów. Bez tej informacji nie ocenisz ani czasu, ani kosztu całego projektu.
• Pilotaż na jednym oddziale. Zacznij od oddziału z dużym wolumenem i typowymi przypadkami, np. internistycznego lub zabiegowego. Łatwiej zmierzyć efekty i wychwycić błędy modelu przed rozszerzeniem na cały szpital.

Jeśli chcesz sprawdzić, które procesy dokumentacyjne i rozliczeniowe w Twojej placówce nadają się do wsparcia AI, możemy to ocenić razem. Umów się na bezpłatny audyt i porozmawiamy o tym, co ma sens konkretnie u Ciebie. Możesz też przejrzeć realne wdrożenia, żeby zobaczyć, jak inne szpitale podeszły do tematu kodowania i rozliczeń.