OCR App Scannen für medizinische Rechnungen & Erstattungen in Deutschland

Wie funktioniert Pia?

Die Pia Health App bietet eine Smartphone-basierte Lösung zur Digitalisierung der Rechnungsbearbeitung für die Erstattungen der Krankenkassen in Deutschland. Die App ermöglicht es den Nutzern, physische Rechnungen mit der Smartphone-Kamera zu scannen, was durch einen integrierten Kontrastfilter zur Verbesserung der Lesbarkeit unterstützt wird. Sie unterstützt auch das Scannen mehrseitiger Dokumente. Die erfassten Bilder werden mit einem OCR-Algorithmus (Optical Character Recognition) analysiert, der nur die Metadaten extrahiert, d.h. Schlüsselfelder wie Empfängername, Rechnungsbetrag, Rechnungsdatum, Fälligkeitsdatum und Bankverbindung (IBAN).

Diese Metadaten werden dann durch ein vor Ort gehostetes Large Language Model (LLM) verarbeitet, das die Daten weiter parst und organisiert. Die gesamte Verarbeitung erfolgt auf Servern, die in Deutschland gehostet werden. Es wurden keine US-basierten Dienste verwendet. OCR und LLM-Analyse werden im Wesentlichen durch Open-Source-Lösungen betrieben. Die strukturierte Ausgabe wird in einer Backend-Oberfläche angezeigt, die einer Tabellenkalkulation (ähnlich wie Excel) ähnelt, um die Übersichtlichkeit und Verarbeitungseffizienz zu erhöhen. Die Pia Health App stellt dann die Daten in einem sauberen, konvertierten, lesbaren PDF zusammen und hängt es an eine vorausgefüllte E-Mail an, die die Kontaktinformationen und die Versicherungsnummer des Nutzers enthält, so dass es direkt an die Krankenkasse des Nutzers in Deutschland übermittelt werden kann.

Die Pia Health App macht das manuelle Ausfüllen von Formularen, den Postversand und Postbesuche überflüssig, was den Verwaltungsaufwand erheblich reduziert und die Geschwindigkeit und Genauigkeit der Erstattungsanträge verbessert. Die gesamte Kommunikation erfolgt digital per E-Mail und unterstützt die bundesweite Kompatibilität mit deutschen privaten Krankenversicherern, die die App nutzen.

Unter dem Gesichtspunkt der Compliance und der Kosteneffizienz hält sich Pia Health streng an die DSGVO-Vorschriften. Bei der Entwicklung werden die EU-Daten für OCR- und LLM-Vorgänge ausschließlich auf Servern in Deutschland verarbeitet, ohne dass Daten an Drittanbieter oder Server außerhalb der EU übertragen werden. Die Lösung nutzt Open-Source-Software für OCR- und LLM-Komponenten, die vollständig im eigenen Haus ausgeführt werden. Dieser Ansatz vermeidet hohe Lizenzgebühren, die mit kommerziellen OCR-Tools in Deutschland verbunden sind, und stellt sicher, dass keine externen Parteien Zugang zu sensiblen medizinischen oder finanziellen Daten haben, wobei die volle Datenhoheit gewahrt bleibt.

Kurz gesagt, die Pia Health App ist ein auf den Datenschutz ausgerichtetes, kosteneffizientes und vollautomatisches System zur Einreichung von Gesundheitsrechnungen, das für den deutschen Markt entwickelt wurde und OCR für Smartphones, LLMs und Open-Source-Technologien nutzt, wobei die gesetzlichen Bestimmungen strikt eingehalten werden.

Evaluierung von OCR- und LLM-Lösungen, die DSGVO-konform, skalierbar und budgetfreundlich sind

Aus produkttechnischer Sicht mussten wir als Entwicklungsteam die effektivsten OCR- und LLM-Integrationen identifizieren, die modernste Leistung bieten, vollständig mit den DSGVO-Vorschriften konform und kosteneffizient sind. Dies erforderte die Auswahl einer OCR, die in der Lage ist, die Variabilität beim Scannen von Dokumenten zu handhaben und gleichzeitig entweder Open-Source oder für den lokalen Einsatz vor Ort in einer EU-basierten Infrastruktur lizenziert ist. Gleichzeitig müssen bei der Auswahl eines geeigneten LLM die Leistungsgenauigkeit, die Kontextlänge und die Verarbeitungsgeschwindigkeit mit den Einschränkungen der firmeneigenen Hardware und begrenzten Budgets in Einklang gebracht werden. 

Kommerzielle Modelle wie ChatGPT sind zwar leistungsfähig, werden aber extern gehostet, sind auf eine große Infrastruktur angewiesen und sind unter DSGVO für den von uns entwickelten Anwendungsfall der Pia Health App nicht praktikabel. Das Kernproblem bestand darin, die bestmöglichen Ergebnisse innerhalb der kürzesten Verarbeitungszeit unter Verwendung der verfügbaren Ressourcen zu liefern, ohne die Einhaltung der Vorschriften zu gefährden. Bemerkenswert ist, dass Open-Source-LLMs veröffentlicht und täglich aktualisiert werden, und die Backend-Infrastruktur der App muss anpassungsfähig bleiben. Das bedeutet, dass neue Modelle regelmäßig einem Benchmarking unterzogen werden müssen, um festzustellen, ob sie bei gleichem oder geringerem Rechenaufwand schnellere oder genauere Ergebnisse liefern können. 

Als Entwicklungsteam sind wir ständig damit beschäftigt, sicherzustellen, dass der technische Stack sowohl wettbewerbsfähig als auch effizient bleibt. Dazu gehört die Schaffung eines Rahmens für die Prüfung von OCR- und LLM-Ergebnissen anhand tatsächlicher Anwendungsfälle, die Bewertung des Kosten-Leistungs-Verhältnisses auf der Grundlage der aktuellen Infrastruktur und die Anleitung unseres B2B-Kunden zu einer fundierten, informierten und rechtzeitigen Entscheidung über die Aufrüstung von Komponenten. 

To address these quality issues, the development team evaluated multiple EU vendors offering a proprietary camera Software Development Kit (SDK). This licensed SDK was then integrated into the app, enabling sophisticated document detection and image optimization.

This improvement allowed for a much better OCR accuracy, even under suboptimal conditions. Better OCR output led to improved LLM parsing performance, with data extraction accuracy reaching > 90% and text processing times of less than 20 seconds, depending on document volume.

With improved OCR results, documents are automatically recognized, contrast enhanced, and poor lighting corrected. More so, manual entry was largely eliminated. The system automatically verifies key metadata fields for example, IBANs are mathematically validated and marked with a confirmation check. Users then proceed to the next step, selecting the intended recipient. 

Nevertheless, while the OCR and LLM pipeline achieves high accuracy, users are still prompted to review and verify extracted data. A confirmation screen then follows that allows for manual corrections or additional input to ensure complete accuracy before submission.