Zum Inhalt

Cookie-Einstellungen

Sie entscheiden je Kategorie, welche Dienste wir nutzen dürfen; vorausgewählt ist nichts. Ihre Wahl gilt für alle Seiten unter fh‑wedel.de, wird 12 Monate in einem Cookie gespeichert und lässt sich jederzeit im Footer unter „Cookie-Einstellungen“ ändern oder widerrufen. Datenschutz

Notwendig

Immer aktiv

Speichert Ihre Wahl, damit die Einwilligung funktioniert. Immer aktiv.

  • EinwilligungsverwaltungFachhochschule Wedel gGmbH
    Anbieter
    Fachhochschule Wedel gGmbH, Feldstraße 143, 22880 Wedel
    Zweck
    Speichert Ihre Entscheidung über Cookies und Dienste, damit wir Sie nicht bei jedem Aufruf erneut fragen.
    Cookies
    • fhw_einwilligung12 Monate
    • fhw_widerspruch12 Monate
    Drittland
    keins (EU)

Statistik

Wir messen, wie viele Menschen unsere Seiten besuchen und welche Beiträge sie lesen, um das Angebot zu verbessern.

  • Google Tag ManagerGoogle Ireland Limited
    Anbieter
    Google Ireland Limited, Gordon House, Barrow Street, Dublin 4, Irland
    Zweck
    Lädt die Dienste der Kategorien, in die Sie eingewilligt haben.
    Cookies
    keine eigenen
    Drittland
    USA (Data Privacy Framework)
  • Google Analytics 4Google Ireland Limited
    Anbieter
    Google Ireland Limited, Gordon House, Barrow Street, Dublin 4, Irland
    Zweck
    Misst, wie unsere Seiten genutzt werden, etwa welche Seiten aufgerufen werden und woher die Besuche kommen.
    Cookies
    • _ga2 Jahre
    • _ga_*2 Jahre
    Drittland
    USA (Data Privacy Framework)
  • MatomoFachhochschule Wedel gGmbH (eigener Server)
    Anbieter
    Fachhochschule Wedel gGmbH (eigener Server), Feldstraße 143, 22880 Wedel
    Zweck
    Misst auf unserem eigenen Server, welche Seiten und Beiträge aufgerufen und gelesen werden und woher die Besuche kommen.
    Cookies
    • _pk_id*13 Monate
    • _pk_ses*30 Minuten
    • _pk_ref*6 Monate
    Drittland
    keins (EU)

Marketing

Wir zeigen Werbung für die FH Wedel bei Google, Facebook, Instagram und TikTok (auch Menschen, die unsere Seiten besucht haben) und messen, ob sie wirkt. Dabei gelangen Daten in die USA und nach China.

  • Google Tag ManagerGoogle Ireland Limited
    Anbieter
    Google Ireland Limited, Gordon House, Barrow Street, Dublin 4, Irland
    Zweck
    Lädt die Dienste der Kategorien, in die Sie eingewilligt haben.
    Cookies
    keine eigenen
    Drittland
    USA (Data Privacy Framework)
  • Google AdsGoogle Ireland Limited
    Anbieter
    Google Ireland Limited, Gordon House, Barrow Street, Dublin 4, Irland
    Zweck
    Misst, ob Besuche auf unsere Anzeigen zurückgehen, und zeigt unsere Anzeigen Besucherinnen und Besuchern erneut (Remarketing).
    Cookies
    • _gcl_*3 Monate
    Drittland
    USA (Data Privacy Framework)
  • Meta-PixelMeta Platforms Ireland Limited
    Anbieter
    Meta Platforms Ireland Limited, Merrion Road, Dublin 4, D04 X2K5, Irland
    Zweck
    Misst den Erfolg unserer Anzeigen auf Facebook und Instagram und zeigt sie passenden Zielgruppen.
    Cookies
    • _fbp3 Monate
    • _fbc3 Monate
    Drittland
    USA (Data Privacy Framework)
  • TikTok-PixelTikTok Technology Limited
    Anbieter
    TikTok Technology Limited, 10 Earlsfort Terrace, Dublin, D02 T380, Irland
    Zweck
    Misst den Erfolg unserer Anzeigen auf TikTok und zeigt sie passenden Zielgruppen.
    Cookies
    • _ttp13 Monate
    • _tt_enable_cookie13 Monate
    • ttcsid*siehe Anbieter
    Drittland
    Drittländer einschließlich China (Standardvertragsklauseln)

Externe Medien

Wir zeigen eingebettete Videos und andere Inhalte fremder Anbieter direkt auf unseren Seiten; dabei erhält der Anbieter Daten wie Ihre IP-Adresse.

  • YouTubeGoogle Ireland Limited
    Anbieter
    Google Ireland Limited, Gordon House, Barrow Street, Dublin 4, Irland
    Zweck
    Spielt eingebettete Videos von YouTube ab, nachdem Sie ein Video geladen haben.
    Cookies
    keine eigenen
    Drittland
    USA (Data Privacy Framework)
Alle Artikel

Thesis

Menstruationsschmerzen, die niemand kodiert hat

Endometriose bleibt oft jahrelang unerkannt. Die Arbeit zeigt, dass sich Frauen mit vermutlich unerkannter sekundärer Dysmenorrhoe in Abrechnungsdaten der Krankenkassen an ihrem Versorgungsmuster erkennen lassen, auch ohne passende Diagnose.

  • Veröffentlicht am
  • Verfasst von Philipp Teichmann, M. Sc. Data Science & Artificial Intelligence
  • Betreut von Prof. Hendrik Annuth und Dr. Katja Gehrke
  • Teilen

Ein Symptom, das zu selten einen Namen bekommt

Starke Regelschmerzen gehören zu den häufigsten gynäkologischen Beschwerden überhaupt. Wenn dahinter eine körperliche Ursache steckt, meist Endometriose oder Adenomyose, spricht die Medizin von sekundärer Dysmenorrhoe. Anders als bei der primären Form gibt es dann eine behandelbare Ursache und dafür etablierte Therapiewege, von hormonellen Langzyklustherapien bis zur operativen Abklärung.

Der Weg dorthin ist trotzdem lang. Für die Endometriose berichten systematische Übersichtsarbeiten diagnostische Verzögerungen von bis zu zwölf Jahren. Solange die Ursache nicht benannt ist, laufen Betroffene oft über Jahre rein symptomatisch mit: Schmerzmittel, hormonelle Kontrazeption, gelegentliche Krankschreibung. Die passende Diagnose, der Code N94.5 der ICD-10-GM, taucht in den Abrechnungsdaten der gesetzlichen Krankenversicherung (GKV) dann nie auf. Für Auswertungen auf diesen Daten entsteht damit eine Lücke zwischen dem, was klinisch vorliegt, und dem, was dokumentiert ist.

Genau hier setzt die Masterarbeit an, entstanden in Zusammenarbeit mit dem Institut für deskriptive Gesundheitsdatenanalyse (DGDA). Die Leitfrage: Lassen sich betroffene Frauen an ihrem Versorgungsmuster erkennen, auch wenn die Diagnose selbst nie kodiert wurde?

Die Idee: Behandlungscodes wie Sprache lesen

Grundlage waren die anonymisierten Abrechnungsdaten von rund 220.000 durchgehend versicherten Personen der Jahre 2022 bis 2024: Diagnosen, Arzneimittelverordnungen, ärztliche Leistungen, Hilfs- und Heilmittel sowie Arbeitsunfähigkeitszeiten, jeweils quartalsweise über drei Jahre. In der weiblichen Modellpopulation von rund 100.000 Patientinnen trugen lediglich etwa 1.700 Frauen die Zieldiagnose N94.5, also rund 1,6 Prozent.

Der methodische Kern der Arbeit besteht darin, medizinische Codes wie Wörter einer Sprache zu behandeln. Ein Verfahren aus der Sprachverarbeitung (Word2Vec) lernt, welche Diagnose-, Wirkstoff- und Leistungscodes typischerweise gemeinsam abgerechnet werden, und ordnet inhaltlich verwandte Codes benachbart an. Verglichen wurde das mit einem medizinischen Sprachmodell (SapBERT), welches statt der Abrechnungspraxis die amtlichen Klassentexte der Codes auswertet. Jedes Quartal einer Patientin wird so zu einer Reihe aus 424 Bausteinen, von denen rund 90 Prozent das dokumentierte Behandlungsgeschehen beschreiben und nur ein kleiner Rest Alter und Zahl der Arztkontakte. Darauf traten drei Modellfamilien unter demselben Bewertungsschema gegeneinander an:

  • XGBoost, ein tabellarisches Verfahren, das das Gesamtprofil einer Patientin bewertet
  • ein LSTM-Klassifikator, ein neuronales Netz, welches den zeitlichen Verlauf über die Quartale liest
  • ein LSTM-Autoencoder, der typische Verläufe erkrankter Frauen lernt und Abweichungen davon messen soll

Weil kodierte Fälle so selten sind, wurden zusätzlich schwache Ersatzlabels getestet: Verwandte Diagnosen und Patientinnen mit sehr ähnlichem Versorgungsprofil gingen als unsichere Positivbeispiele ins Training ein. Als Gegenprobe diente ein zurückgehaltener Datensatz männlicher Versicherter.

Was die Modelle gefunden haben

Das gesuchte Signal ist vorhanden. Sortiert man alle Patientinnen nach dem Score des besten Modells, findet sich auf der resultierenden Verdachtsliste knapp die Hälfte aller kodierten Fälle. Bei einem Anteil von rund 1,6 Prozent in der Gesamtpopulation ist das weit mehr, als sich zufällig ergeben würde. Kodierte Fälle liegen in den Abrechnungsdaten also nicht zufällig verstreut, sondern lassen sich an ihrem Versorgungsmuster von der übrigen Population unterscheiden.

Drei methodische Befunde sind dabei bemerkenswert. Erstens schlägt die Abrechnungspraxis den Katalogtext: Entscheidend ist, mit welchen anderen Codes eine Diagnose gemeinsam abgerechnet wird, nicht, was sie im amtlichen Verzeichnis bedeutet. Eine Kombination beider Ansätze brachte keinen Mehrwert. Zweitens spielt die zeitliche Reihenfolge kaum eine Rolle: Das sequenzielle Netz und das einfachere tabellarische Verfahren liegen praktisch gleichauf. In Quartalsdaten trägt die Zusammensetzung der Leistungen offenbar mehr als ihre Abfolge. Drittens scheitert der anomaliebasierte Ansatz, weil erkrankte Frauen im gelernten Merkmalsraum kein geschlossenes Cluster bilden.

Die Gegenprobe mit männlichen Versicherten fällt eindeutig aus: Dort schlagen die Modelle bei deutlich unter einem Prozent der Personen an. Sie reagieren also auf ein gynäkologisch geprägtes Profil und nicht schlicht auf viele Arztkontakte.

Am aufschlussreichsten ist der Blick in die gefundene Kohorte. Die rund 16.000 priorisierten Patientinnen tragen überwiegend keine N94.5-Kodierung, zeigen aber genau das Versorgungsprofil, welches auch die korrekt erkannten kodierten Fälle auszeichnet: Kontrazeptionsberatung und deren Überwachung, gynäkologische Grundleistungen, Unterbauchschmerzen, die unspezifische Dysmenorrhoe-Kodierung sowie hormonelle Präparate wie Dienogest, welches in dieser Gruppe rund 18-mal so häufig verordnet wird wie im Rest der Population. Umgekehrt bleibt eine isoliert kodierte Diagnose ohne weitere Versorgungsspuren für die Modelle unsichtbar.

Was das praktisch bedeutet

Der Nutzen liegt nicht in einer neuen Therapie, sondern in der besseren Zuordnung zu bestehenden. Frauen, die abrechnungsseitig aussehen wie erkannte Fälle, ohne dass die Ursache je benannt wurde, lassen sich gezielt für eine Kodierungsprüfung oder eine gynäkologische Abklärung vorschlagen. Damit rücken sie früher in Reichweite der bereits vorhandenen Diagnostik, statt über Jahre rein symptomatisch mitzulaufen. Ein reines Absuchen der Diagnosecodes kann das nicht leisten, denn dort fehlen genau diese Frauen. Die Verdachtsliste ist dabei bewusst weit gefasst: Sie ist als Priorisierung für eine fachliche Nachprüfung gedacht, nicht als deren Ersatz.

Grenzen und nächste Schritte

Die zentrale Grenze liegt in der Datenart selbst: Abrechnung ist nicht Klinik. Fälle, die niemand spezifisch kodiert hat, lassen sich nur über indirekte Spuren wie Mitbehandlung, Kontrazeption und gynäkologische Kontakte finden. Was nie behandelt oder nie abgerechnet wurde, hinterlässt keine Spur. Hinzu kommt: Die Kodierung N94.5 diente als Referenz, ist aber kein medizinischer Goldstandard, und die Kohorte einer einzelnen Krankenkasse ist nicht repräsentativ für alle Versicherten.

Der wichtigste Hebel für Folgearbeiten liegt daher nicht in komplexeren Modellen, sondern in einer schärferen Referenz. Profilstarke Frauen ohne Kodierung werden derzeit als Negativbeispiele gegen das Modell gerechnet, obwohl sie vermutlich genau die gesuchte Gruppe sind. Verfahren des Positive-Unlabeled- und Semi-Supervised Learning können solche Fälle stattdessen als unsichere Kandidatinnen führen. Zusammen mit einer stichprobenartigen klinischen Nachprüfung wäre das der nächste sinnvolle Schritt.