Eine Herausforderung von kassenärtzlichen Vereinigungen ist es die Ansprüche von Ärzten zu prüfen. Hier wird auf Kausalität geprüft. Ein ganz einfaches und krasses Beispiel, gewollt überzeichnet um den Sachverhalt zu demonstrieren: Wenn einem Patienten eine Niere entfernt worden ist, dann ist es kausal nicht korrekt, wenn ihm ein Jahr später wieder eine Niere entfernt und abgerechnet wird. Es sei denn er/sie hat 3 Nieren, was recht unwahrscheinlich ist. Es gibt natürlich viel subtilere und komplexere Fälle. Üblicherweise steckt hinter solch einem System eine große Rules Engine, die Wenn/Dann Fälle prüft und meldet.
Eine logische Frage, die aufkommt ist ob Large Language Modelle diese Prüfungen auch übernehmen könnten. Eine besondere Stärke von einigen Modellen ist das sogenannte Reasoning. D.h. die Schlußfolgerung basierend auf einer Wissensbasis und gegebenen Sachverhalten. Wir haben in einer kleinen, interaktiven Demo ein solches Szenario nachgebaut.
Solch ein Prüfungssystem kann auf vielen Arten implementiert werden. Wir haben hier Prompt basierten Ansatz gewählt. D.h. das AI Modell bekommt zuerst gewisse Instruktionen. Dann definieren wir regeln in einer Datei, welches wir hochladen. Dabei sagen wir Modell, dass es sich explizit um Regeln handelt die auf Daten angewendet werden sollen.
Eine Regel sieht wie folgt aus:
Die EBM mit der Nummer 01510 sieht eine Behandlung von 2 Stunden vor.
In unserem Beispiel haben wir Drei solcher Regeln
Die EBM mit der Nummer 01510 sieht eine Behandlung von 2 Stunden vor
Die EBM mit der Nummer 01511 sieht eine Behandlung von 4 Stunden vor
Die EBM mit der NUmmer 01512 sieht eine Behandlung von 6 Stunden vor
Wie Sie merken, werden diese Regeln in Umgangssprache formuliert. Wichtig ist, dass man sich konsistent an einer einmal definierten Struktur hält. In unserer Beispiel Web Applikation laden wir diese Regel hoch.
Die Applikation initialisiert im Hintergrund die Regeln und gibt eine entsprechende Meldung aus. Jetzt können wir die eigentlichen Daten hochladen. Um das strukturiert machen zu können, haben wir uns für das XML Format entschieden. Es sei angemerkt, dass dieses Format nicht dem Original Format entspricht wie sie der kassenärztlichen Vereinigung vorliegen. Es hat eine rein fiktive Struktur, die wir für unsere Demo Zwecke ausgedacht haben.
Hier ein Auszug:
Wenn wir diese Datei hochladen, beginnt das Modell sofort mit der Evaluierung der Daten.
Unsere Regeln in diesem Beispiel geben nur Restriktionen bei der Behandlungsdauer an. Dass also nicht 1x eine Behandlung von 14-16 Uhr stattfindet und eine andere, gleichzeitige von 14-15 Uhr von einem anderen Arzt oder selben Stelle im Krankenhaus. Also ein sehr simples Szenario, um die Möglichkeiten zu demonstrieren.
Der Grundsatz wie unsere Szenario funktioniert, ist das wir einem LLM per Few Shot Learning einige Regeln/Beispiele präsentieren und ihn anweisen diese Regeln auf neue Daten anzuwenden. Hier sind wesentlich komplexere Verschachtelungen und Kausalitäten möglich. Wenn Sie mögen demonstrieren wir Ihnen ein komplexeres Beispiel in einem persönlichen Meeting.
