Abrechnungsdaten der gesetzlichen Krankenkassen bilden eine essenzielle Ressource für die Versorgungsforschung, da sie anonymisiert, sektorenübergreifend und standardisiert vorliegen. Traditionelle statistische Analyseverfahren bieten bei steigender Komplexität und Umfang der Daten Vorteile bei der Exploration der Daten. Allein in Deutschland werden jährlich etwa 3,17 Milliarden Diagnosen dokumentiert (Barmer 2024), ergänzt durch weitere umfangreiche Gesundheitsdaten wie Medikations-, Operations- und Abrechnungsinformationen. Künstliche Intelligenz (KI) erweitert – im maschinellen Lernen und mit etablierten statistischen Verfahren – die Analysemöglichkeiten, indem sie nichtlineare Zusammenhänge in großen, vielfältigen Daten erfasst. Praktisch zeigt sich das bei ICD-/ATC-Codes mit sehr vielen Ausprägungen: kompakte, gelernte Zahlenrepräsentationen (Embeddings) verdichten die Kataloge bzw. Codes zu aussagekräftigen Merkmalen und nutzen Ähnlichkeiten sowie Verlaufsinformation. Klassische Alternativen existieren, verlangen jedoch mehr explizite Strukturannahmen und Implementationsaufwand. KI-gestützte Modelle können dadurch eine höhere Prognosegüte erzielen und zusätzliche Perspektiven, z. B. für gezielte Interventionsprogramme zur Vermeidung unnötiger Gesundheitsausgaben, eröffnen. Dabei ersetzt KI keineswegs medizinische Expertise, sondern erweitert diese gezielt um datengetriebene Erkenntnisse und Hypothesengenerierung.
Ziel dieses Projektes war es, mithilfe moderner KI-Methoden multimorbide Versicherte systematisch zu identifizieren, bei denen die eigentliche Grunderkrankung durch weitere Erkrankungen oder komplexe Krankheitskombinationen überlagert wird. Durch die longitudinale Kombination von Kosten und Daten zu Inanspruchnahmen sollen Ausreißer erkannt und differenzierte Krankheitsprofile erstellt werden.

>> Für diese Studie wurde ein anonymisierter, für Analysezwecke aufbereiteter Auszug aus longitudinalen deutschen Versichertendaten verwendet. Eingeschlossen wurden dabei Versicherte, bei denen im ersten Quartal 2019 (Indexquartal) eine gesicherte Diagnose von Diabetes mellitus Typ 2 (ICD-10: E11) ambulant oder stationär dokumentiert war. Weiteres Kriterium war, dass sie anschließend entweder mindestens 15 Quartale durchgehend versichert und nachbeobachtbar waren oder im Beobachtungszeitraum (16 Quartale, 01.01.2019 bis 31.12.2022) verstarben.
Für jeden Versicherten wurden quartalsweise soziodemografische Merkmale (Alter, Geschlecht, Sterbedatum), Kosten- und Inanspruchnahmedaten, alle kodierten Diagnosen (ICD-10) sowie Verordnungen (ATC-Codes) extrahiert. Die Kostendaten umfassten ambulante und stationäre Leistungen, Arzneimittel sowie sonstige Leistungen. Die Inanspruchnahme wurde anhand der Anzahl der Arztbesuche, Krankenhausaufenthalte, Hospitalisierungstage und verordneten Arzneimittel pro Quartal erfasst.
Die Abrechnungsdaten enthielten alle pro Quartal bis zu fünfstelligen ICD-10- sowie ATC-Codes, wobei Dubletten entfernt wurden. Die Datenaufbereitung und -reduktion erfolgte mit dem Ziel, die Analysedaten und Modelle kompatibel zum neuen Forschungsdatenzentrum Gesundheit (FDZ) zu gestalten und so künftige Forschungsprojekte mit sensiblen Gesundheitsdaten zu ermöglichen.
Design und Methodik
Das methodische Vorgehen dieser Studie verbindet moderne Verfahren des maschinellen Lernens mit klassischen Ansätzen der Statistik, um komplexe Krankheitsverläufe bei Diabetes mellitus differenziert abzubilden. Die einzelnen Schritte des Analysemodells sind in Abbildung 1 schematisch dargestellt:
Zunächst werden die kodierten Diagnosen (ICD-Codes) und Verordnungen (ATC-Codes) aus den Abrechnungsdaten für jeden Versicherten aggregiert. Anschließend werden diese aggregierten Codes in ausschließlich numerische Werte (Embeddings) transformiert, wodurch die ursprünglich kategorialen Angaben für maschinelle Lernverfahren nutzbar werden. Darüber hinaus erfolgen Vector Embeddings, d. h. eine numerische Darstellung der Daten, die die Bedeutung bzw. Merkmale der Versicherten als Punkte in einem mehrdimensionalen Raum erfassen. Dadurch können Informationen wie Kosten-, Inanspruchnahme- und soziodemografische Daten (Alter und Geschlecht) zu einem umfassenden multimodalen Vektor kombiniert werden (Pezeshkpour/Chen 2018).
Schlussendlich werden verschiedene Embedding-Verfahren genutzt, etwa Doc2Vec und Transformer-Modelle, trainiert und anhand von Qualitätsmetriken verglichen, um die leistungsfähigste Variante für die weitere Analyse zu ermitteln.
Abbildung 1 illustriert diese methodische Pipeline – von der Datenaufbereitung über die Transformation und Evaluierung der Embeddings, das multimodale Feature Engineering, bis zur Clusterbildung und Analyse der Krankheitsverläufe.
Zunächst werden die Versichertenprofile auf Quartalsebene geclustert, anschließend werden die zeitlichen Entwicklungen durch ein zweistufiges Clustering abgebildet. Abschließend erfolgt die Analyse der resultierenden Versichertengruppen, um typische Verläufe, Risikoprofile und auffällige Muster zu identifizieren (Abb. 1).

Datenaufbereitung und Feature Engineering
Die für diese Studie verwendeten Abrechnungsdaten bestehen überwiegend aus nichtnumerischen, variierenden ICD- und ATC-Codes. Damit diese Daten für maschinelle Lernverfahren genutzt werden können, ist eine numerische Repräsentation fester Größe erforderlich, die die klinische Bedeutung und Zusammenhänge zwischen den Codes erhält (Pezeshkpour/Chen 2018). Dafür werden alle über 16 Quartale dokumentierten ICD- und ATC-Codes je Versicherten aggregiert. Das resultierende Profil umfasst sämtliche Diagnosen und Medikationen der letzten vier Jahre und bildet durch wiederholtes Auftreten chronische oder persistierende Erkrankungen ab (Steiger/Kroll 2023).
Durch Verwendung der o. g. Embeddings liegen Versicherte mit ähnlichen Krankheitsbildern auch im Zahlenraum eng beieinander. Damit lassen sich sowohl klinische Ähnlichkeiten als auch Wechselwirkungen zwischen Diagnosen und Medikamenten abbilden (Abb. 2).
Für die Embedding-Erzeugung wird das bewährte Doc2Vec-Modell genutzt, das bereits erfolgreich auf Versichertendaten angewendet wurde (Le/Mikolov 2014; Steiger/Kroll 2023). Eingesetzt wird die DBOW-Variante, bei der das gemeinsame Auftreten von Codes – nicht deren Reihenfolge – im Mittelpunkt steht.
Für die Feinabstimmung der Modellparameter kommt eine Bayesian Optimization zum Einsatz (Frazier 2018). Zur Bewertung der Embedding-Qualität dient der Rank Match Score (RMS), der misst, wie gut das Modell diagnostisch ähnliche Patienten im numerischen Raum korrekt gruppiert (Taskesen 2025; Kendall 1938). Die Berechnung erfolgt durch Vergleich der räumlichen Distanz im Embedding-Space mit der Ähnlichkeit, etwa mittels Jaccard-Koeffizient. Zusätzlich wird ein vortrainiertes Pat2Vec-Modell (Steiger/Kroll 2023) für den aktuellen Datensatz angepasst und gegen das eigene Modell validiert.
Das Ergebnis ist ein multimodaler Vektor pro Versicherten, der medizinische, demografische und versorgungsbezogene Merkmale integriert und als Grundlage für alle weiteren Analysen dient.
Evaluierung der Embeddings
Die Qualität der erzeugten ICD- und ATC-Code-Embeddings wurde durch verschiedene komplementäre Methoden überprüft, um sowohl die interne Struktur als auch den praktischen Nutzen der Embeddings zu beurteilen. Die Evaluierung basierte auf einer großen Kohorte von 341.887 Patienten, für die sämtliche ICD- und ATC-Codes über 16 Quartale analysiert wurden. Untersucht wurden sowohl Embeddings, die ausschließlich ICD-Codes abbilden, als auch solche, die ICD- und ATC-Codes gemeinsam abbilden.
Im Rahmen der intrinsischen Evaluierung wurde geprüft, wie gut die Embeddings die inhaltliche Nähe zwischen medizinischen Codes und Versichertenprofilen widerspiegeln. Hierbei kam der Neighborhood Overlap Score zum Einsatz, der misst, inwieweit Nachbarschaften im Embedding-Raum den klinischen Ähnlichkeiten entsprechen. Der Wert reicht von 0 (keine Übereinstimmung) bis 1 (perfekte Übereinstimmung); höhere Werte sprechen für eine bessere semantische Konsistenz (Chen/Buja 2009; Lin/Smith 2019; Flexer 2015).
Für die extrinsische Evaluierung wird geprüft, ob die Repräsentationen der Daten tatsächlich in praktischen Anwendungsszenarien helfen. Als prototypische Aufgabe wurde hier die Vorhersage des Geschlechts eines Patienten (Klassifikation) und die aggregierten Gesundheitskosten (Regression) gewählt. Diese wurden dann jeweils mit einem klassischen Random-Forest-Ansatz vorhergesagt. Der Zweck dieser Betrachtung ist der Erhalt der wesentlichen Informationen innerhalb der Daten nach dem Embedding. Die Modellgüte wurde für das Geschlecht durch Accuracy und AUROC bewertet (Steiger/Kroll 2023), wofür das Regressionsmodell Mean Absolute Error (MAE) und R² als Bewertungsgrößen genutzt wurden (Steiger/Kroll 2023). Ein niedriger MAE und hoher R²-Wert sprechen für eine gute Modellqualität und hochwertige Embeddings.
Durch die Kombination dieser intrinsischen und extrinsischen Bewertungsverfahren konnte sowohl die interne Struktur als auch die praktische Anwendbarkeit der Embeddings umfassend geprüft werden.
Zweistufiges Clustering der multimodalen Embeddings
Das Clustering der multimodalen Versicherten-Embeddings erfolgte in einem zweistufigen Verfahren, um sowohl Einzelzeitpunkte als auch die zeitliche Entwicklung der Patientenverläufe zu berücksichtigen. In der ersten Stufe wurden die individuellen Embeddings der Versicherten für jedes Quartal separat mittels HDBSCAN (Hierarchical Density-Based Spatial Clustering of Applications with Noise) gruppiert. Es handelt sich um ein dichtebasiertes Clustering-Verfahren, das Gruppen (Cluster) von Datenpunkten identifiziert, ohne dass die Anzahl der Cluster vorher festgelegt werden muss. Zur besseren Strukturierung der hochdimensionalen Daten wurde zuvor UMAP (Uniform Manifold Approximation and Projection) als nichtlinearer Algorithmus zur Dimensionsreduktion eingesetzt (Steiger/Kroll 2023; Malzer/Baum 2021). In der zweiten Stufe wurden die über alle Quartale hinweg ermittelten Clusterzuordnungen eines Patienten zu einem Trajektorien-Vektor (zeitlicher Verlauf eines Objekts oder Systems durch den Raum) zusammengefasst, bei dem jede Dimension ein Quartal repräsentiert. Diese Vektoren wurden erneut mit HDBSCAN, diesmal ohne UMAP, unter Verwendung der Hamming-Distanz geclustert, da sie Unterschiede in kategorialen Werten optimal abbildet (Allaoui/Kherfi 2020).
Dieses zweistufige Clustering ermöglicht es, nicht nur Momentaufnahmen zu analysieren, sondern auch die Dynamik und Entwicklung von Krankheits- und Versichertenpfaden über den Beobachtungszeitraum hinweg differenziert abzubilden und Versichertengruppen mit ähnlichen Verlaufsmustern gezielt zu identifizieren.

Clusteranalyse
Um die charakteristischen Merkmale für die Zuordnung eines Versicherten zu einem bestimmten Cluster zu identifizieren, wurde eine umfassende Clusteranalyse durchgeführt. Ziel war es, die Versichertengruppen klar voneinander abzugrenzen und für jedes Cluster ein eigenständiges Profil hinsichtlich Krankheitslast, Versorgung und Ressourcenverbrauch zu erarbeiten.
Das Embedding der Versichertendaten war hierbei zentral, da es die Vielzahl nichtnumerischer Merkmale in eine vergleichbare numerische Form überführt und gleichzeitig die semantischen Zusammenhänge zwischen Diagnosen und Medikationen bewahrt. Erst dadurch war eine sinnvolle Gruppierung auf Basis komplexer medizinischer Muster möglich.
Für quantitative Merkmale wie Kosten und Inanspruchnahme wurden klassische deskriptive Statistiken wie Mittelwert und Standardabweichung berechnet, um die Verteilung innerhalb der Cluster zu analysieren und typische Versorgungsprofile zu erkennen. Für die zahlreichen diagnostischen Merkmale (ICD- und ATC-Codes), die oft in komplexen Kombinationen auftreten, kam Pattern-Mining zum Einsatz (Heaton 2017). Dadurch ließen sich sowohl häufige Einzelcodes als auch charakteristische Kombinationen und Muster innerhalb der Cluster identifizieren. So konnte beispielsweise ein Cluster durch das gehäufte gemeinsame Auftreten von Diabetes (ICD E11), Hypertonie (ICD I10) und bestimmten Lipidsenker-Verordnungen (ATC C10AA) charakterisiert werden. Der Vergleich solcher Muster zwischen den Clustern ermöglichte die Ableitung clusterspezifischer Krankheits- und/oder Medikationsprofile.
Zur weitergehenden Charakterisierung wurde die sogenannte Vektorvarianz berechnet. Sie misst die durchschnittliche Streuung der Merkmalsvektoren eines Patienten über alle betrachteten Quartale. Eine geringe Varianz steht für stabile, gleichbleibende Krankheitsverläufe, während eine hohe Varianz auf dynamische oder wechselhafte Verläufe und Therapieansätze hindeutet.
Ergebnisse
Die Analysen ermöglichten eine differenzierte Charakterisierung von Diabetespatienten und legten komplexe Muster ihrer Krankheitsverläufe, Komorbiditäten und Ressourceninanspruchnahme offen. Die Ergebnisse betreffen die Evaluation der Embedding-Modelle, die Beschreibung der identifizierten Patientengruppen durch Clustering sowie die Analyse charakteristischer medizinischer Mus-ter.

Modellentwicklung und Evaluierung der Patienten-Embeddings
Zur Umwandlung der komplexen, nichtnumerischen Patientendaten (ICD- und ATC-Codes) wurden verschiedene Embedding-Ansätze entwickelt und verglichen, darunter das Referenzmodell Pat2Vec, ein zufallsbasiertes Nullmodell, mehrere Doc2Vec-Varianten (inklusive ICD-only- und hochdimensionalen Modellen) sowie ein eigens trainiertes Transformer-Modell (Custom BERT). Die Leis-tungsbewertung erfolgte anhand von Metriken wie Overlap Score, Klassifikationsgenauigkeit (Accuracy), AUROC, mittlerer absoluter Fehler (MAE) und Bestimmtheitsmaß (R²).
Das Referenzmodell zeigte die schwächsten Ergebnisse (Overlap Score 0,53; Accuracy 54%; AUROC 0,50; MAE 22.626 Euro; R² 0,00). Das Pat2Vec-Modell war mit Overlap Score 0,61, Accuracy 77 %, AUROC 0,84, MAE 18.831 Euro und R² 0,20 bereits deutlich besser. Die größte Doc2Vec-Variante (60 Dimensionen) erzielte eine Accuracy von 82%, AUROC 0,89, Overlap Score 0,62, MAE 19.502 Euro und mit R² 0,27 den höchsten Wert aller Modelle. Das Custom BERT-Modell übertraf mit Overlap Score 0,69, Accuracy 82%, AUROC 0,90, MAE 18.295 Euro und R² 0,26 alle anderen Modelle.
Insgesamt zeigte das Transformer-Modell (Islam/Saidul 2023) die beste Performance über alle Qualitätsmetriken hinweg, insbesondere bei der Klassifikation des Patientengeschlechts und der Kostenprognose. Auch der Overlap Score, der die Fähigkeit zur Gruppierung ähnlicher Patienten misst, war hier am höchsten. Das Pat2Vec-Modell diente als Referenz für die Grundvalidierung des Ansatzes, aber die Experimente mit modernen Embedding-Methoden verdeutlichen das Potenzial der Transformer-Technologie für noch präzisere Analysen und verbesserte Clustering-Ergebnisse (Tab. 1).

Patientencharakterisierung durch Clustering-Analyse
Die auf den multimodalen Embeddings basierende, zweistufige HDBSCAN-Clusteranalyse identifizierte innerhalb der Kohorte von über 340.000 Diabetikern insgesamt 14 Cluster. Die sieben aussagekräftigsten Cluster lassen sich in fünf Hauptgruppen einteilen: Cluster mit stabilem Diabetesverlauf, Hochrisikocluster, Cluster mit hoher Multimorbidität und Mortalität, Cluster hoher Arzneimittelkosten sowie in ein großes Cluster mit hoher Variabilität.
Die beiden größten Cluster (7 und 13) umfassen etwa 131.000 Patienten mit stabilem Diabetesverlauf, niedrigem Durchschnittsalter (68 bzw. 65 Jahre), eher geringer Vektorvarianz, sehr niedrigen Kosten (600 Euro pro Jahr) und 100% Überlebensrate. Die Hochrisikocluster 9 und 10 beinhalten ca. 14.000 Patienten mit deutlich höherem Alter (79 bzw. 81 Jahre), hoher Mortalität (nur 18% bzw. 4% Überlebende), vergleichsweise langen Krankenhausaufenthalten (10,5 bzw. 12,1 Tage) und höchsten Kosten (8.600 bzw. 10.100 Euro). Das Cluster 4 (17.000 Patienten, Alter 81) steht für hohe Multimorbidität und mittlere Mortalität (54% Überlebende). Das Cluster 1 (ca. 3.900 Patienten) ist durch besonders hohe Arzneimittelausgaben auffällig. Der Subpopulation mit hoher Variabilität (–1) mit 133.000 Patienten weist eine relativ hohe Vektorvarianz (13,5), ein mittleres Alter (72 Jahre), heterogene Krankheitsverläufe und eine Überlebensrate von 87% auf. Insgesamt zeigt sich eine große Heterogenität in der Diabetikerpopulation, wobei eher stabile, hochkomplexe und instabile Verläufe ebenso wie besondere „Ausreißergruppen“ datenbasiert identifiziert werden können.
Eine niedrige Vektorvarianz weist darauf hin, dass die Werte innerhalb des Vektorraums nur geringe Abweichungen vom Mittelwert zeigen. Dies bedeutet, dass die Vektorkomponenten eng um den Mittelwert gruppiert sind und nur eine geringe Dispersion, also Streuung, aufweisen.

Medizinische Muster und charakteristische Krankheitskombinationen:
Die detaillierte Clusteranalyse ermöglichte die Identifikation häufiger und spezifischer ICD- und ATC-Code-Kombinationen. Besonders bei typischen Diabetikern (Cluster 7 und 13) trat die bekannte Trias aus Diabetes mellitus Typ 2 (E11.9), essenzieller Hypertonie (I10.9) und reiner Hypercholesterinämie (E78.0) auf. Weitere Kombinationen wie Diabetes mit Hyperlipidämie (E78.5) und Hyperurikämie (E79.0) wiesen auf das metabolische Syndrom hin (Alberti et al. 2009). Daneben waren Komorbiditäten wie Gonarthrose (M17.9), atherosklerotische Herzkrankheit (I25.1) (Zhang et al. 2016), Presbyopie (H52.2) und Astigmatismus (H52.4) typisch (Klein/Klein 1997). In den Hochrisikoclustern wurden seltene, aber klinisch besonders relevante Konstellationen gefunden, etwa Diabetes in Kombination mit Hypokaliämie (E87.6) und akuter respiratorischer Insuffizienz (J96.0), mit Linksherzinsuffizienz (I50.1) und akutem Nierenversagen (N17.9) oder akuter Blutungsanämie (D62) mit Diabetes und Hypertonie.
Diese Ergebnisse zeigen, dass die KI-gestützte Analyse von Abrechnungsdaten sowohl typische als auch seltene und klinisch bedeutsame Muster datenbasiert erfassen kann – eine wesentliche Grundlage für gezielte Versorgungs- und Interventionsstrategien.
Diskussion und Anwendungsbedeutung
Die Ergebnisse dieser Studie zeigen, dass moderne KI-basierte Methoden erstmals ermöglichen, große Routinedatenbestände wie GKV-Abrechnungsdaten datengetrieben und ohne die Notwendigkeit der Integration etwa klinischer Daten differenziert auszuwerten. Durch die Kombination von Kosten-, Inanspruchnahmedaten einschließlich Diagnosen und verschriebenen Arzneimitteln in multimodalen Feature-Embeddings sowie einen zweistufigen Clustering-Ansatz wurde ein innovatives Verfahren zur Identifikation von Versichertenmustern entwickelt. Besonders dort, wo klinische Zusatzinformationen fehlen, eröffnet dieses Vorgehen neue Möglichkeiten für Auswertung und Steuerung der Versorgung. Die Methode eignet sich sowohl zur Identifikation von Besonderheiten in den Versichertenprofilen und komplexen Patientenverläufen als auch zur Charakterisierung typischer Krankheitsverläufe über die Zeit.
Das Verfahren kann epidemiologische Studien verbessern, indem Verzerrungen durch überlagernde Erkrankungen berücksichtigt werden. Darüber hinaus könnte man durch diese Art der Segmentierung gezielte Zu- und Abschläge im Morbi-RSA berücksichtigen. Oder Krankenkassen könnten den Algorithmus intern verwenden, um passgenauere Angebote für die Versicherten zu formulieren. Letzteres setzt allerdings voraus, dass GKV-Abrechnungsdaten schneller als bislang für Auswertungen zur Verfügung stehen. Gleichzeitig zeigt sich, dass die datengetriebene Identifikation von unterschiedlichen Versichertenprofilen von einer stärkeren Integration medizinischen Expertenwissens profitieren würde. Die Entwicklung von Referenzdatensätzen, in denen „Ausreißer“ und typische Patienten fachlich klassifiziert sind, könnte die Aussagekraft künftiger Analysen und Klassifikationsmodelle weiter erhöhen.
Fazit
Das Projekt belegt, wie KI-gestützte Methoden genutzt werden können, um in Routinedaten komplexe multimorbide Patientengruppen zu identifizieren, deren Grunderkrankung durch andere Diagnosen oder Krankheitskombinationen überdeckt ist. Grundlage bildeten quartalsbezogene Diagnosen (ICD-Codes) und Arzneimittelverordnungen (ATC-Codes), die mittels neuronaler Netze in numerische Embeddings transformiert wurden. Diese Vektoren ermöglichen die datenbasierte Gruppierung von Patienten und die Analyse von Beziehungen zwischen medizinischen Merkmalen und Ressourcenverbrauch.
Das zweistufige HDBSCAN-Clustering – ergänzt durch UMAP – erfasst nicht nur Momentaufnahmen, sondern auch zeitliche Verläufe. Die Integration von Pattern-Mining und die Bewertung der Vektorvarianz liefern zusätzliche Erkenntnisse über die Stabilität oder Dynamik von Krankheitsbildern innerhalb der Cluster. Die Ergebnisse zeigen, dass KI-gestützte Analysen anonymisierter Abrechnungsdaten effektiv zur Identifikation von Ausreißern und komplexen Versorgungskonstellationen beitragen können. Die Methodik bietet einen Rahmen zur datenbasierten Weiterentwicklung der Versorgungsforschung und -steuerung und bildet die Grundlage für zukünftige Arbeiten, in denen durch gezielte Integration von Expertenwissen und weiteren Kontextdaten die praktische Relevanz noch weiter gesteigert werden kann. <<