Risikostratifizierung der Bevölkerungsgesundheit und Vorhersage von Wiederaufnahmen

Ein kleiner Teil der Patienten verursacht einen großen Teil der vermeidbaren Aufnahmen, doch Versorgungsteams können nicht ganze Bevölkerungsgruppen von Hand durchsehen. Vorhersagemodelle auf Abrechnungs-, EHR-, Verordnungs- und Sozialdaten ordnen Patienten nach dem Risiko einer Wiederaufnahme, einer vermeidbaren Aufnahme oder einer sich verschlechternden chronischen Erkrankung, damit die begrenzte Kapazität des Versorgungsmanagements bei denen ankommt, die profitieren können. Das Schwierige ist nicht das Modell, sondern die Wahl der richtigen Zielgröße, der Nachweis, dass Interventionen helfen, und die Vermeidung verzerrter oder unzulässiger Nutzung.

Problem & Nutzen

• Heute: Entlassmanager und Case Manager verlassen sich auf klinisches Urteil, einfache Scores (LACE-Index, HOSPITAL-Score) oder Regeln auf Stationsebene. Krankenkassen nutzen regelbasierte Fallfindung aus Abrechnungsdaten. Die Populationen sind zu groß für eine manuelle Durchsicht, und Signale verteilen sich auf mehrere Systeme.
• KI-Nutzen: frühere, einheitliche Identifikation von Hochrisikopersonen; priorisierte Arbeitslisten für Pflegekräfte, Case Manager und Hausärzte; gezielte Entlassplanung, Medikationsprüfung und Nachsorgeanrufe.
• Die Evidenz ist gemischt, seien Sie also vorsichtig mit Nutzenbehauptungen. Die Modelle unterscheiden mäßig gut, doch veröffentlichte Wiederaufnahme-Modelle zeigen oft nur eine bescheidene AUC und schwächere Leistung an externen Standorten. Der Nutzen hängt davon ab, ob die Intervention (Übergangsversorgung, Medikationsabgleich, Hausbesuche) wirkt, nicht vom Score selbst. Messen Sie die Wirkung in einem kontrollierten Rollout, statt Anbieterzahlen zu vertrauen.
• Bekannter Stolperstein: Obermeyer et al. (Science, 2019) zeigten einen weit verbreiteten kommerziellen US-Algorithmus, der künftige Kosten als Ersatzgröße für den Gesundheitsbedarf verwendete und dadurch schwarze Patienten mit derselben Krankheitslast zu selten erkannte. Die Wahl des Labels ist eine Entscheidung über Ethik und Qualität [3].

Varianten

• Vorhersage von Krankenhaus-Wiederaufnahmen: 30-Tage-Risiko aus allen Ursachen oder erkrankungsspezifisch (Herzinsuffizienz, COPD, Herzinfarkt) bei oder vor der Entlassung. Epic liefert in seiner EHR ein Modell „Risk of Unplanned Readmission“ aus, das Standorte aktivieren und lokal neu kalibrieren [4].
• Management der Bevölkerungsgesundheit für Kostenträger: Risikostufen auf Abrechnungsbasis für Versorgungsmanagement-Programme bei Krankenkassen. In Deutschland erlaubt § 25b SGB V (eingeführt durch das GDNG, 2024) den Krankenkassen, ihre eigenen Daten auszuwerten, um individuelle Gesundheitsrisiken zu erkennen (z. B. Arzneimitteltherapiesicherheit, schwere Erkrankungs- risiken) und Versicherte anzusprechen, innerhalb enger Zweckgrenzen und mit Widerspruchsrechten [1].
• Polypharmazie und Risiko medikamentenbedingter Schäden: markiert Personen mit vielen wechselwirkenden Arzneimitteln für die Prüfung durch Apotheker (siehe HLTH-004), dazu Fallfindung bei seltenen Erkrankungen und PHM in Hausarztnetzen nach NHS-Vorbild.
• Pflegebedürftigkeitsrisiko: steigenden Bedarf an Langzeitpflege vorhersagen, um frühzeitig zu beraten.

So funktioniert es

1. Abrechnungsdaten + EHR + Verordnungen + Sozialdaten
2. Verknüpfung & Pseudonymisierung (FHIR / gemeinsames Datenmodell OMOP)
3. Feature Engineering (bisherige Inanspruchnahme, Komorbiditäten, Arzneimittelzahl, Laborverläufe, regionale Benachteiligung)
4. Risikomodell (Gradient Boosting / logistische Regression; optional Sequenzmodell auf der Ereignishistorie)
5. Kalibrierung, Fairness-Prüfung nach Untergruppen, Erklärung (SHAP / Begründungscodes)
6. Risikostufen + Arbeitsliste im Versorgungsmanagement- oder EHR-Werkzeug
7. Prüfung durch Menschen (Case Manager / Ärztin bzw. Arzt)
8. Angebot einer Intervention
9. Ergebnisverfolgung

• Kernmodell: Für tabellarische Abrechnungs- und EHR-Merkmale bleiben Gradient-Boosted Trees (XGBoost, LightGBM) oder regularisierte logistische Regression stark und sind leichter zu validieren als tiefe Modelle. Sequenz- modelle (Transformer-Stil) über Ereignishistorien der Patienten bringen etwas Zugewinn, wo die Daten reichhaltig sind.
• LLM-Komponente: LLMs extrahieren Risikofaktoren aus freitextlichen Entlassbriefen und Sozialnotizen (Wohnsituation, Pflegeperson, Therapietreue) als zusätzliche Merkmale und entwerfen eine allgemeinverständliche Begründung. Der Risiko- wert selbst sollte nicht von einem LLM erzeugt werden.
• Mensch-in-der-Schleife (Human-in-the-Loop): Eine Ärztin, ein Arzt oder ein Case Manager entscheidet über die Kontaktaufnahme. Das Modell schlägt vor, verweigert aber nie Versorgung oder Leistungen. Rückmeldungen zum Ergebnis (fand die Intervention statt, trat die Aufnahme ein) werden für Überwachung und Nachtraining protokolliert.

Datenaufbereitung

Datenquellen sind Abrechnungsdaten (Diagnosen, Prozeduren, Arzneimittel, Aufnahmen), EHR-Auszüge (Laborwerte, Vitalwerte, Entlassnotizen), Verordnungsdaten und regionale Sozialdaten. Sie liegen im Abrechnungssystem oder Data Warehouse, im Krankenhausinformationssystem und in separaten Tabellen im Versorgungsmanagement. Typische Lücken: unterschiedliche Kodiersysteme und Versionen (ICD, OPS, ATC), fehlende oder verspätete Datensätze, Patienten ohne stabile Kennung über Quellen hinweg, Entlassbriefe als Freitext, Selektionsverzerrung bei der Frage, wer Versorgung erhält, und rechtliche Grenzen der Sekundärnutzung von Versicherungsdaten.

Schritte der Aufbereitung: Quellen inventarisieren und den benötigten Merkmalen zuordnen (PREP-001, PREP-002); mit dokumentierten Schnittstellen extrahieren (PREP-005); Tabellen und Code-Zuordnungen bereinigen und vereinheitlichen (PREP-011); die Zielgröße festlegen (Wiederaufnahme innerhalb von 30 Tagen) und Ergebnis-Labels aus vorhandenen Unterlagen gewinnen (PREP-020); Rechtsgrundlage und Zweckbindung klären (PREP-025); die Trainingsdaten pseudonymisieren (PREP-022); Kennzahlen und Kohortendefinitionen abstimmen (PREP-012). Werkzeuge: dbt oder SQL-Pipelines, scikit-learn oder XGBoost, FHIR-Konverter. Grober Aufwand: 60 bis 70 Prozent des Projekts; das Modell selbst ist der leichte Teil.

Umsetzungswege

Welcher Weg für wen

• Enterprise (C): Abrechnungs- und EHR-Daten sind hochsensibel, und die Modelle sind klassisches tabellarisches ML, das auf HW1 läuft. Training und Scoring in der eigenen Umgebung sind daher günstig und halten die Sekundärnutzung unter Ihrer Kontrolle; dieselbe Pipeline bedient weitere Vorhersage-Anwendungsfälle.
• Public (C): Krankenkassen und öffentliche Krankenhäuser brauchen souveränen Betrieb sowie transparente, prüfbare Modelle, was ein hauseigener oder deutscher Government-Cloud-Stack bietet.
• Developer (C): Open-Source-Gradient-Boosting und Kalibrierungswerkzeuge auf eigenen Daten sind der natürliche Weg zu einem validierten, erklärbaren Modell.

Weg A — Kaufen (Standardsoftware)

• EHR-native Modelle: Epic-Cognitive-Computing-Modelle (Wiederaufnahmerisiko) und Entsprechungen in den Krankenhausinformationssystemen von Oracle Health und Dedalus (EU); prüfen Sie die Unterstützung für lokale Neukalibrierung.
• Plattformen für Bevölkerungsgesundheit: Health Catalyst, Optum, Cotiviti und Innovaccer (USA-zentriert); NHS-nahe PHM-Werkzeuge in Großbritannien; Workflow-Angebote von Philips und Siemens Healthineers. Prüfen Sie EU-Hosting und vertragliche Grenzen der Sekundärnutzung.
• A wählen, wenn: Sie bereits die EHR des Anbieters betreiben und einen schnellen Rollout mit lokaler Validierung wollen.

Weg B — Auf Cloud-KI-Diensten aufbauen

• Plattform: Datenplattformen in EU-Regionen (Azure, Google Cloud, AWS in Frankfurt/Irland; oder EU-Anbieter wie OVHcloud, STACKIT, Open Telekom Cloud) mit verwaltetem ML (Azure ML, Vertex AI, SageMaker) für tabellarisches Training und Überwachung.
• LLM-Schicht: in der EU gehostete Spitzenmodelle oder Mistral-Modelle zur Extraktion von Merkmalen aus Entlassbriefen; Kennungen bleiben pseudonymisiert.
• Integration: HL7-FHIR-APIs, OMOP CDM über OHDSI-Werkzeuge für standardisierte Kohorten [5].

Weg C — Selbst betreiben (Open Source)

• Stack: Python mit scikit-learn, XGBoost/LightGBM, SHAP, MLflow; OHDSI-Werkzeuge (ATLAS, R-Paket PatientLevelPrediction) auf OMOP-Daten; Fairness-Prüfungen mit Fairlearn.
• Textmerkmale: Open-Weight-Modelle (Familien Llama, Qwen, Mistral), betrieben über vLLM.
• Hardware: HW1 genügt für tabellarische Modelle; HW2/HW3 nur, wenn die LLM-Extraktion selbst betrieben wird. Krankenhausdaten bleiben in der gesicherten Verarbeitungsumgebung.

Weg D — Eigenes Training

Meist der Standard für Kostenträger und größere Krankenhausverbünde: Training und Kalibrierung auf der eigenen Abrechnungs- oder EHR-Historie (typischerweise Jahre an Daten und Zehntausende Patienten oder mehr), mit zeitlicher Aufteilung in Training/Test und externer Validierung an einem zweiten Standort. Föderiertes Lernen über Krankenhäuser hinweg ist eine Option, wenn Daten nicht zusammengeführt werden können.

Stand der Technik (2026)

• Kalibrierung und Datensatzverschiebung sind wichtiger als Ranking-Kennzahlen. Modelle driften, wenn sich Kodier- praxis, Fallmix oder Behandlungspfade ändern; die externe Validierung weit verbreiteter kommerzieller klinischer Vorhersagemodelle hat wiederholt schwächere Leistung gezeigt als die Anbieter behaupten (das Epic- Sepsis-Modell ist das bekannteste Beispiel, siehe HLTH-012).
• Label-Wahl und Fairness: Kostenbasierte Labels kodieren Zugangsunterschiede; bevorzugen Sie Labels zum klinischen Bedarf (vermeidbare Aufnahmen, Zahl der Gesundheitszustände) und prüfen Sie nach Geschlecht, Alter, Migrationshintergrund, wo rechtlich zulässig, und Benachteiligung [3].
• Grenzen: niedrige Anteile positiver Fälle, Label-Rauschen durch unvollständige Abrechnungsdaten, fehlende Daten über Leistungserbringer hinweg und ein Risikowert, auf den man nicht reagieren kann, weil keine Kapazität vorhanden ist.

Gemeinsame Bausteine & Kombinationen

• Gleicher Stack: Pipelines für tabular-ml und time-series, geteilt mit PRED-010 (Versicherungsrisiko-Preisbildung) und PRED-011 (Mengenprognose); OMOP-/FHIR-Abbildung mit HLTH-028.
• Naheliegende Kombinationen: HLTH-012 (Verschlechterung im Krankenhaus, vorgelagert), HLTH-004 (Entscheidungsunterstützung am Behandlungsort), HLTH-007 (Fernüberwachung als Intervention für Hochrisikopatienten), HLTH-018 (Aktenzusammenfassung für den Case Manager), HLTH-008 (Kapazitätsplanung mit Wiederaufnahme- Prognosen), ANOM-007 (Abrechnungsbetrug nutzt ähnliche Abrechnungsdaten, hat aber einen anderen Zweck).

Aufwand, Kosten & Kennzahlen

• Weg A: Wochen bis Monate; Lizenz plus Aufwand für lokale Validierung.
• Weg B: 3 bis 6 Monate einschließlich Genehmigungen für den Datenzugang, Verknüpfung und Pilot.
• Weg C/D: 6 bis 12+ Monate; Dateningenieurwesen und Governance bestimmen die Kosten, nicht die Rechenleistung.
• Kennzahlen: AUC und Kalibrierung (beobachtet vs. vorhergesagt) je Untergruppe, positiver Vorhersagewert an der durch die Kapazität begrenzten Schwelle, Number-needed-to-screen, 30-Tage-Wiederaufnahmerate in Interventions- vs. Kontrollgruppe, vermeidbare Aufnahmen, Akzeptanz durch Case Manager, Reichweite der Kontaktaufnahme, Fairness-Lücken.

Menschen & Veränderung

Beziehen Sie die Geschäftsleitung und die Leitung des Versorgungsmanagements früh ein, denn der Score ist nur nützlich, wenn ein Versorgungsteam darauf reagiert. IT und Datenverantwortliche (Abrechnung, EHR) werden für die Extraktion gebraucht; die Datenschutzbeauftragte bzw. der Datenschutzbeauftragte und Legal/Compliance müssen die Rechtsgrundlage der Sekundärnutzung prüfen, mit einer Datenschutz-Folgenabschätzung (DSFA; systematische Bewertung von Personen, Gesundheitsdaten in großem Umfang) und einem Auftragsverarbeitungsvertrag (AVV) mit jedem Auftragsverarbeiter. Case Manager und Entlasspflegekräfte sind die täglichen Nutzer und sollten festlegen, wie eine brauchbare Arbeitsliste aussieht.

Betriebsrat: kommt darauf an. Die Scores betreffen Patienten oder Versicherte, nicht Beschäftigte; zeigen die Arbeitsliste oder Nutzungsprotokolle jedoch, wie einzelne Case Manager oder Ärztinnen und Ärzte arbeiten, gilt § 87 Abs. 1 Nr. 6 BetrVG (objektive Eignung genügt, BAG), und § 90 Abs. 1 Nr. 3 verlangt rechtzeitige Information über KI-gestützte Abläufe. In Krankenhäusern und Kassen mit Betriebs- oder Personalrat binden Sie ihn vor dem Pilot ein und schließen die individuelle Leistungsbewertung aus.

KI-Kompetenz (Art. 4 KI-Verordnung, Unterstützungsmaßnahmen): Vermitteln Sie, was ein Risikowert bedeutet, wo Kalibrierung und Untergruppen an Grenzen stoßen und wie gefährlich Automation Bias ist. Starten Sie einen Pilot mit einer Station oder einem Versorgungsteam, zeigen Sie zu jedem Wert die wichtigsten Einflussfaktoren, lassen Sie das Urteil des Case Managers endgültig bleiben und überwachen Sie die Fairness, damit verletzliche Gruppen nicht herabgestuft werden. Siehe GUIDE-004, GUIDE-005 und GUIDE-011.

Risiken, Regulierung & Compliance

• KI-Verordnung (AI Act): kommt darauf an. Software mit medizinischem Zweck (Erkrankungen oder Verläufe vorhersagen oder Behandlung steuern) ist in der Regel ein Medizinprodukt nach MDR (Regel 11) und damit Hochrisiko nach Art. 6 Abs. 1 mit Konformitätsbewertung nach Anhang I. Ein rein administratives Kostenträger-Werkzeug für die Ansprache in Versorgungsprogrammen kann außerhalb der MDR liegen; es ist dennoch an Anhang III zu prüfen, insbesondere Zugang zu wesentlichen öffentlichen Diensten und Leistungen (Anhang III Nr. 5 lit. a) sowie Risikobewertung in der Krankenversicherung für natürliche Personen (Nr. 5 lit. c), die Hochrisiko sind. Wer Scores nutzt, um Versorgung oder Leistungen zu verweigern oder Prämien festzusetzen, hebt die Risikoklasse an und bewegt sich rechtlich auf heiklem Terrain. Für sich genommen keine Praxis nach Art. 5, doch ein Profiling im Stil von Social Scoring für sachfremde Behandlung wäre verboten [2].
• DSGVO: Gesundheitsdaten sind besondere Kategorien nach Art. 9; erforderlich ist eine Rechtsgrundlage (z. B. § 25b SGB V für deutsche Krankenkassen, Art. 9 Abs. 2 lit. h für die Versorgung oder Forschungsgrundlagen), eine DSFA, Zweckbindung und Schutzmaßnahmen nach Art. 22, wenn Entscheidungen automatisiert werden. § 25b erlaubt, Versicherte mit Gesundheits- hinweisen anzusprechen, nicht aber eine diskriminierende Nutzung [1].
• EHDS: Die Verordnung (EU) 2025/327 regelt die Primärnutzung elektronischer Gesundheitsakten und die Sekundärnutzung über Zugangsstellen für Gesundheitsdaten, stufenweise ab 2027, was den Datenzugang für die Modellentwicklung prägen wird [6].
• Gegenmaßnahmen: Zielgrößen am klinischen Bedarf, Prüfungen nach Untergruppen, vierteljährliche Kalibrierungsüberwachung, an der Kapazität ausgerichtete Schwellen, menschliche Entscheidung mit dokumentierten Abweichungen. Verwenden Sie Scores nie für Prämien weiter (PRED-010 ist ein eigener Zweck).

Erste Schritte

1. Legen Sie die Entscheidung fest: welche Intervention, für wen, mit welcher Kapazität und welches Ergebnis zählt.
2. Prüfen Sie die Rechtsgrundlage und führen Sie eine DSFA durch; beziehen Sie die bzw. den Datenschutzbeauftragten und das Ethikgremium früh ein.
3. Bauen Sie eine Baseline mit dem LACE- oder HOSPITAL-Score und einem Gradient-Boosting-Modell mit zeitlicher Aufteilung.
4. Validieren Sie Kalibrierung und Fairness nach Untergruppen und, wenn möglich, an einem zweiten Standort.
5. Starten Sie einen stillen Modus und danach einen kontrollierten Pilot (gestufter Rollout), der die Ergebnisse mit und ohne Ansprache vergleicht.

Quellen

1. Bundesministerium der Justiz — §25b SGB V (Datenauswertung durch Krankenkassen) — https://www.gesetze-im-internet.de/sgb_5/__25b.html
2. Regulation (EU) 2024/1689 (AI Act) — https://eur-lex.europa.eu/eli/reg/2024/1689/oj
3. Obermeyer et al., Dissecting racial bias in an algorithm used to manage the health of populations, Science 2019 — https://www.science.org/doi/10.1126/science.aax2342
4. Epic Systems — Cognitive Computing / predictive models documentation — https://www.epic.com/epic/post/cognitive-computing-models/
5. OHDSI — Observational Health Data Sciences and Informatics (OMOP CDM, PatientLevelPrediction) — https://www.ohdsi.org/
6. Regulation (EU) 2025/327 (European Health Data Space) — https://eur-lex.europa.eu/eli/reg/2025/327/oj
7. NHS England — Population health management — https://www.england.nhs.uk/integrated-care/population-health-management/