Scalable In-House Labeling for Invoicing Verification

Case Study
October 27, 2021

This is a case study from a joint project of Barmenia Krankenversicherung AG, a German insurance company, and onetask.ai. We applied large-scale data labeling to create 100,000 records within hours to train Deep Learning-based classifiers. For an english transcription, please contact us.

Skalierbares In-House Labeling für Rechnungsprüfungen

Ein zentraler Geschäftsprozess der Barmenia Krankenversicherung AG ist das Überprüfen von Arztrechnungen. Viele Leistungen der Gebührenordnung für Ärzte sind je Arzt-Patientenkontakt bzw. „Sitzung“ nur einmal berechenbar. Für die maschinelle Prüfung von Arztrechnungen auf Konformität mit den Regelungen der Gebührenordnung müssen Hinweise, welche Sitzungsabgrenzungen beschreiben, maschinell erkannt werden. Diese Hinweise sind häufig in den Beschreibungen der ärztlichen Leistungen vermerkt, also Bestandteile von Texten.

Das verbesserte maschinelle Erkennen solcher Informationen trägt zur Effektivität des Prüfprozesses bei. Die Aufgabe von onetask war es dabei, Rohdaten (mit OCR gewonnene Texte) in gelabelte Trainingsdaten für ein maschinell lernendes System zur Identifikation von Sitzungstrennungen zu transformieren.

In Zusammenarbeit mit Expert:innen der Leistungsabteilung der Barmenia Krankenversicherung wurden in einem zweistündigen Workshop sowohl wichtige aufgabenspezifische Heuristiken identifiziert als auch automatisiert dateneffiziente statistische Modelle trainiert, welche Wissen hinsichtlich der Sitzungstrennungen verkörpern. Durch Kombination dieser konnte die proprietäre Software von onetask aus den Rohdaten der Barmenia programmatisch wertvolle Trainingsdaten für ein tiefes neuronales Netz erzeugen und gleichzeitig deren Qualität über ihr intelligentes Monitoringsystem sicherstellen. Ergänzend konnten Labelfehler in Datenidentifiziert werden, welche die Barmenia in der Vergangenheit für dieseAufgabe gesammelt hat.

In kürzester Zeit wurden so rund 100.000 Rohdaten in KI-Trainingsdaten transformiert. Die hierauf trainierte KI erreichte auf Anhieb eine Genauigkeit von 88%. Sie übertrifft ein älteres, auf Pattern-Matching beruhendes Verfahren zur Identifikation der Sitzungstrennungen.  

Wir werden die maschinelle Auswahl auffälliger Arztrechnungen, die bei der Barmenia in die abschließende Expert:innen-Prüfung ausgesteuert werden, weiter verbessern können“ (Gerhard Hausmann, Barmenia KI-LAB).

Become a labeling pioneer now!

Join our Closed Beta