Viele Akteure im deutschen Gesundheitswesen erarbeiten eigene Lösungen, obwohl ihre Aufgaben häufig deckungsgleich sind. So ist der größte Teil der Prozesse einer Krankenkasse direkt aus den gesetzlichen Aufträgen an die Kassen abgeleitet. D.h. fachlich sind die Prozesse identisch, doch jede Kasse setzt eigene technische Lösungen für diese Prozesse um. Und für diese Prozesse verwendet jede Krankenkasse ihr eigenes Datensilo. Diese Datensilos sind die Grundlage für potenzielle KI-Anwendungen und schränken die möglichen Use Cases ein, die eine Krankenkasse mit KI umsetzen kann.

Durch föderiertes Lernen und Kollaboration zu leistungsfähigen KI-Anwendungen

Föderiertes Lernen umgeht dieses Problem beim Anlernen leistungsfähiger KI-Modelle auf der Grundlage einer geringen eigenen Datenmenge, indem in einem globalen KI-Modell die Parameter zusammengeführt werden, die aus mehreren lokalen KI-Modellen stammen.

Für den Ansatz des föderierten Lernens schließen sich mehrere Kassen zusammen und trainieren mit ihren eigenen Daten jeweils ein lokales KI-Modell. Trainieren bedeutet dabei zunächst nur, dass die Parameter des Modells sich auf Basis der verwendeten Daten selbst einstellen.

Haben die Kassen ihre einzelnen lokalen Modelle trainiert, so werden die Parameter der Modelle (und nicht die zum Training verwendeten Daten!) in einem globalen Modell zusammengeführt. Durch die entsprechende Kombination der Parameter entsteht so ein globales Modell. Dieses globale Modell beruht implizit auf den Trainingsdaten aller lokalen Modelle und stellt einen Kompromiss aus allen lokalen Modellen dar, der eventuelle Unzulänglichkeiten einzelner lokaler Modelle, z.B. aufgrund der geringen Datenmenge mit denen diese trainiert wurden, ausgleicht.

Die Parameter dieses globalen Modells werden wieder an die lokalen Modelle der einzelnen Kassen zurückgespielt, sodass deren lokale Modelle die gleiche Mächtigkeit haben, als wären sie mit den kombinierten Daten aller teilnehmenden Kassen trainiert worden.

Sind die lokalen Modelle so konzipiert, dass sie durch Anwendung weiter lernen, so kann dieser Prozess beliebig wiederholt werden.

Föderiertes Lernen lässt sich prinzipiell auf alle Prozesse anwenden, bei denen die Datengrundlage bei einzelnen Akteuren ggf. schwach ist, aber mehrere Akteure das gleiche Problem lösen müssen. Dazu zählen viele der Verwaltungsprozesse bei Krankenkassen, wie z. B. die Prüfung von Anträgen (Heil-, Hilfsmittel, Fahrkostenerstattungen, Pflegeleistungen etc.) und Rechnungen (Krankenhausabrechnungen), als auch die Vorhersage von Kündigern.