Architektur

arc42-Architekturdokumentation: Leistungsabrechnung LEA

·Architektur·38 Min Lesezeit

Dieser Artikel ist die vollständige arc42-Architekturdokumentation eines Fallbeispiels aus der Krankenversicherung. LEA prüft und rechnet ambulante Leistungsrechnungen weitgehend automatisiert ab, mit versionierten Regeln als Daten, einer BPMN-Fallsteuerung und AI-Diensten, die Daten liefern, aber keine Entscheide fällen. Die zwölf Kapitel folgen dem arc42-Template; Diagramme und Tabellen entsprechen der PDF-Fassung.

Hinweis

Die Dokumentation gibt es auch als PDF zum Lesen offline oder zum Weitergeben, 41 Seiten, 1.5 MB, Stand 16. November 2026: arc42-Architekturdokumentation Leistungsabrechnung LEA herunterladen.

Über dieses Dokument

LEA ist die Plattform, mit der die fiktive LimmatVita Krankenversicherung AG Leistungsrechnungen automatisiert prüft und abrechnet. Dieses Dokument beschreibt ihre Architektur nach dem arc42-Template (Version 8) in allen zwölf Kapiteln.

Aspekt Inhalt
Charakter Fallbeispiel. Unternehmen, Kennzahlen, Teams und Entscheide sind erfunden. Tarife, Standards, Gesetze und Azure-Dienste sind real und unter «Quellen» belegt.
Systemumfang Release 1: ambulante Rechnungen nach TARDOC und ambulanten Pauschalen, elektronisch und als Dokument. Stationäre SwissDRG-Rechnungen, Medikamente und Pflege folgen in späteren Releases.
Architekturstand Baseline für Release 1. Der Pilot läuft im Schattenbetrieb parallel zum Altsystem.
Zielpublikum Architektur-Board, Entwicklungsteams, Plattformbetrieb, Informationssicherheit, Datenschutzberatung, interne Revision
Notation Kästen und Pfeile, angelehnt an C4 (Kontext, Container, Komponenten). Prozessmodelle in BPMN liegen im Repository, nicht in diesem Dokument.
Flüchtige Details Versionsnummern von Bibliotheken, Sizing und Konfiguration stehen im Repository (Version Catalog, Kustomize-Overlays). Dieses Dokument hält fest, was länger als ein Release gilt.

Rechtliche Aussagen sind Entwurfsannahmen des Fallbeispiels und keine Rechtsberatung.

1 Einführung und Ziele

LEA soll 85 % der ambulanten Leistungsrechnungen ohne manuellen Eingriff prüfen und abrechnen und dabei jeden Entscheid nachvollziehbar halten.

1.1 Aufgabenstellung

LimmatVita versichert rund 620'000 Personen in der obligatorischen Krankenpflegeversicherung (OKP) und in Zusatzversicherungen. Pro Jahr treffen etwa 8 Mio. Leistungsbelege ein: im Mittel 32'000 pro Arbeitstag, von Januar bis März bis 60'000. 82 % kommen elektronisch als XML, 18 % als Papier, PDF oder Foto.

Seit dem 1. Januar 2026 werden ambulante ärztliche Leistungen nach TARDOC und ambulanten Pauschalen abgerechnet; TARMED ist abgelöst (BAG). Das Altsystem wurde dafür mit hart codierten Regeln nachgezogen. Seither ist die Dunkelverarbeitungsquote elektronischer Rechnungen von 71 % auf 58 % gefallen. Dokumentbelege werden vollständig von Hand erfasst.

Kennzahl Heute (Altsystem) Ziel mit LEA
Dunkelverarbeitung elektronische Rechnungen 58 % 90 %
Dunkelverarbeitung Dokumentbelege 0 % 60 %
Dunkelverarbeitung über alle Kanäle 48 % 85 %
Durchlaufzeit dunkel verarbeiteter Fälle (95. Perzentil) 1 Arbeitstag (Nachtlauf) 5 Minuten
Regeländerung bis Produktion 6 bis 10 Wochen höchstens 10 Arbeitstage

Wesentliche Funktionen:

ID Funktion Beschreibung
F1 Eingang XML-Rechnungen nach generalInvoiceRequest 5.0 (Forum Datenaustausch) sowie Dokumentbelege aus Kundenportal, App und Scan-Strasse annehmen
F2 Dokumentenverständnis Belege klassifizieren und in ein kanonisches Rechnungsmodell überführen, mit Konfidenz je Feld
F3 Prüfung Formal-, Deckungs- und Tarifprüfung sowie Auffälligkeitsprüfung gegen einen versionierten Regelstand
F4 Fallsteuerung Dunkel verarbeiten oder in einen Arbeitskorb leiten, mit Fristen, Eskalation und Vier-Augen-Prinzip
F5 Abrechnung Kostenbeteiligung berechnen, Leistungsabrechnung und Zahlungsauftrag erzeugen, Rechnungsantwort an Leistungserbringer senden
F6 Nachweis Entscheidhistorie lückenlos führen, Entscheide zum Stichtag reproduzieren, Belege archivieren

Nicht im Umfang: Kostengutsprachen, Regress, Prämieninkasso, Tarifverhandlung und Vertragsmanagement.

1.2 Qualitätsziele

Die fünf Ziele sind nach Priorität geordnet. Bei Konflikten gewinnt das höhere Ziel. Messbare Szenarien dazu stehen in Kapitel 10.

Prio Qualitätsziel Was das konkret heisst
1 Nachvollziehbarkeit und Korrektheit Jeder Entscheid lässt sich mit Eingangsdaten, Regelstand und Modellversion reproduzieren. Fehlentscheide in der Dunkelverarbeitung liegen unter 0.5 % (Stichprobe).
2 Vertraulichkeit Gesundheitsdaten werden nur in der Schweiz gespeichert und bearbeitet. Zugriff nach Need-to-know, jeder Zugriff protokolliert.
3 Automatisierungsgrad Mindestens 85 % Dunkelverarbeitung über alle Kanäle, 95 % dieser Fälle in unter 5 Minuten entschieden.
4 Änderbarkeit Neue Tarifversion oder Regeländerung in höchstens 10 Arbeitstagen produktiv. Reine Regeldaten ohne Software-Deployment.
5 Robustheit Kein Beleg geht verloren. Fällt ein AI-Dienst aus, läuft die XML-Verarbeitung unverändert weiter.

1.3 Stakeholder

Rolle Erwartung an die Architektur
Leiterin Leistungen (Auftraggeberin) Automatisierungsgrad, Durchlaufzeit, Kosten je Beleg
Sachbearbeitende Leistungen (rund 140 Vollzeitstellen) Ein Cockpit, verständliche Prüfhinweise, keine Doppelerfassung
Tarifspezialistinnen und -spezialisten Regeln selbst pflegen, gegen historische Fälle testen und freigeben
Vertrauensärztlicher Dienst Abgeschirmter Zugriff auf medizinische Angaben
Datenschutzberater und CISO Datenhaltung Schweiz, Datenschutz-Folgenabschätzung, Zugriffskonzept
Interne Revision, Aufsicht (BAG für OKP, FINMA für Zusatzversicherung) Nachvollziehbare Entscheide, kontrollierte Auslagerung, AI-Governance
Entwicklungsteams (3 Teams, 21 Personen) Klare Modulgrenzen, schnelle Rückmeldung aus Tests
Plattformteam Einheitliches Deployment, einheitliche Observability
Versicherte Schnelle, verständliche Rückerstattung; menschliche Überprüfung auf Wunsch
Leistungserbringer Zügige Zahlung, strukturierte und begründete Rückweisungen

2 Randbedingungen

Drei Vorgaben prägen die Architektur am stärksten: Gesundheitsdaten bleiben in der Schweiz, jeder Entscheid muss begründbar sein, und der Betrieb läuft auf der bestehenden Azure-Plattform.

2.1 Technische Randbedingungen

ID Randbedingung Hintergrund und Folge
T1 Azure ist die strategische Cloud. Produktion in Switzerland North, Switzerland West nur für Backup und Notfall. Gruppenvorgabe; die Landing Zone des Plattformteams besteht bereits.
T2 Laufzeitplattform ist Kubernetes (AKS), ausgeliefert wird per GitOps mit Argo CD. Plattformstandard. Teams haben keinen schreibenden Clusterzugriff.
T3 Backend in Java mit Spring Boot, relationale Daten in PostgreSQL. Unternehmensstandard und Know-how der Teams.
T4 Geschäftsprozesse werden in BPMN auf Flowable modelliert. Flowable ist seit 2021 für Vertragsmutationen im Einsatz; Betriebserfahrung vorhanden.
T5 Das Kernsystem «Bestand» (Partner, Policen, Deckungen) bleibt führend und on-premises. Zugriff nur über dessen REST-API. Ablösung nicht vor 2029. LEA darf dessen Daten puffern, aber nicht ändern.
T6 Elektronische Rechnungen folgen den Standards des Forum Datenaustausch: generalInvoiceRequest und generalInvoiceResponse 5.0. Version 4.5 nimmt LimmatVita nur noch für Storni und Mahnungen zu Altfällen an. Branchenstandard (Forum Datenaustausch).
T7 Stationäre SwissDRG-Rechnungen mit medizinischem Datensatz laufen über die zertifizierte Datenannahmestelle nach Art. 59a KVV. Nicht Teil von Release 1. LEA erhält daraus später nur die freigegebenen Angaben.
T8 AI-Dienste werden nur genutzt, wenn die Verarbeitung in der Schweiz erfolgt und der Anbieter die Daten nicht zum Training verwendet. Folgt aus R3. Schränkt die Modellauswahl ein (siehe ADR-004, Risiko RK1).

2.2 Organisatorische Randbedingungen

ID Randbedingung Hintergrund und Folge
O1 Drei Teams entwickeln LEA: «Eingang und Dokumente», «Prüfung und Regeln», «Abrechnung und Cockpit». Das Plattformteam stellt Cluster, Pipelines und Observability. Bausteingrenzen folgen den Teamgrenzen.
O2 Die Regelpflege liegt beim Tarifteam im Fachbereich, nicht in der IT. Regeln sind Daten mit eigenem Freigabeprozess.
O3 Software-Releases alle zwei Wochen, Regeldaten bei Bedarf täglich. Regeldaten und Code haben getrennte Lieferwege.
O4 Vier-Augen-Prinzip für manuelle Zahlungsfreigaben über CHF 5'000 und für jede Regelfreigabe. Internes Kontrollsystem.
O5 Schattenbetrieb parallel zum Altsystem, bis die Abweichungsquote vier Wochen in Folge unter 0.5 % liegt. Abnahmekriterium für die Umschaltung je Rechnungstyp.
O6 Architekturdokumentation, ADRs und BPMN-Modelle liegen im Repository und werden per Pull Request geändert. Docs as Code; dieses Dokument wird daraus erzeugt.

2.3 Regulatorische Randbedingungen

ID Randbedingung Folge für die Architektur
R1 KVG und KVV: Leistungen müssen wirksam, zweckmässig und wirtschaftlich sein. Der Versicherer prüft die Rechnungen darauf. Prüfkern mit Tarif- und Auffälligkeitsregeln; begründete Rückweisungen.
R2 Der vertrauensärztliche Dienst gibt nur jene medizinischen Angaben weiter, die für den Leistungsentscheid nötig sind (Art. 57 KVG). Abgeschirmter Bereich mit eigenen Rollen und eigener Datenablage.
R3 Datenschutzgesetz (DSG): Gesundheitsdaten sind besonders schützenswert. Im OKP-Bereich handelt der Versicherer als Bundesorgan, in der Zusatzversicherung als Privater. Datenhaltung Schweiz, Datenschutz-Folgenabschätzung, Mandantentrennung OKP und Zusatz.
R4 Automatisierte Einzelentscheide (Art. 21 DSG): Die betroffene Person wird informiert und kann eine Überprüfung durch einen Menschen verlangen. Bundesorgane kennzeichnen solche Entscheide. Kennzeichnung auf der Leistungsabrechnung, Einsprachekanal, der einen manuellen Fall eröffnet.
R5 Aufsicht durch das BAG (OKP) und die FINMA (Zusatzversicherung). Das FINMA-Rundschreiben 2018/3 regelt Auslagerungen; LimmatVita wendet es gruppenweit an. Prüfrechte, dokumentierte Exit-Strategie, portable Technologiewahl.
R6 FINMA-Aufsichtsmitteilung 08/2024 zu Künstlicher Intelligenz: Inventar, Tests, laufende Überwachung, Dokumentation, Erklärbarkeit, unabhängige Überprüfung. AI-Governance in Kapitel 8.4.
R7 Belege und Entscheide werden 10 Jahre unveränderbar aufbewahrt (Art. 958f OR). Archiv mit Schreibschutz (WORM), getrennt von den operativen Datenbanken.

3 Kontextabgrenzung

LEA verantwortet die Rechnung vom Eingang bis zum Zahlungsauftrag und zur Leistungsabrechnung. Vertragsdaten, Zahlungsverkehr und Druck bleiben in den Nachbarsystemen.

3.1 Fachlicher Kontext

LEA verbindet drei Eingangskanäle mit vier Nachbarsystemen Mitarbeitende im Cockpit Leistungen, Vertrauensarzt, Tarifteam LEA Leistungsabrechnung Eingang und Dokumente, Prüfung und Fallsteuerung, Abrechnung und Nachweis Leistungserbringer XML über Intermediäre Versicherte Belege aus Portal und App Scan-Dienstleister Gescannte Papierbelege Kernsystem Bestand Deckung zum Stichtag Finanzsystem Zahlungsaufträge, Status Output-Management Abrechnungen, Schreiben Data Warehouse Pseudonymisierte Ereignisse AI-Dienste (Azure) Extraktion, Sprachmodell Tarif- und Registerdaten Kataloge, Taxpunktwerte, ZSR
Fachlicher Kontext · 3 Eingangskanäle, 4 Nachbarsysteme

Pfeile zeigen die Richtung des Datenflusses. Doppelpfeile stehen für Rückmeldungen wie Rechnungsantwort oder Zahlungsstatus.

Nachbar Liefert an LEA Erhält von LEA
Leistungserbringer (Praxen, Spitalambulatorien, Therapeuten), angebunden über Intermediäre Elektronische Rechnungen, Storni, Antworten auf Rückfragen Rechnungsantwort: akzeptiert, Rückfrage oder begründete Rückweisung
Versicherte, über Kundenportal und App Rückforderungsbelege als PDF oder Foto, Einsprachen Status des Belegs, Leistungsabrechnung
Scan-Dienstleister Gescannte Papierbelege mit Metadaten Quittung je Lieferung
Kernsystem Bestand Versicherte Person, Deckungen und Produkte zum Behandlungsdatum Nichts; LEA liest nur
Tarif- und Registerdaten Tarifkataloge (TARDOC, ambulante Pauschalen), Taxpunktwerte, Leistungserbringer-Register (ZSR, GLN) Nichts
Finanzsystem Zahlungsstatus, Rückläufer Zahlungsaufträge an Leistungserbringer und Versicherte
Output-Management Versandstatus Aufträge für Leistungsabrechnungen und Schreiben
Sachbearbeitung, vertrauensärztlicher Dienst, Tarifteam Entscheide, Korrekturen, Regeländerungen Arbeitskörbe, Prüfhinweise, Testergebnisse
AI-Dienste der Cloud-Plattform Extrahierte Felder, Textvorschläge Belegbilder, minimierte Textausschnitte
Data Warehouse Nichts Pseudonymisierte Ereignisse und Kennzahlen
Altsystem Leistungen (nur im Schattenbetrieb) Dessen Entscheid je Rechnung Nichts

3.2 Technischer Kontext

Partner Kanal Format Hinweise
Intermediäre HTTPS mit gegenseitiger TLS-Authentisierung, Abholung alle 2 Minuten generalInvoiceRequest und generalInvoiceResponse 5.0 (XML) Schema-Validierung am Eingang; Quittung erst nach dauerhafter Ablage
Kundenportal und App REST, OAuth 2.0 PDF, JPEG, HEIC bis 20 MB Virenprüfung vor Ablage; Upload ist idempotent über eine Beleg-ID des Portals
Scan-Dienstleister SFTP, vier Lieferungen pro Arbeitstag PDF/A mit JSON-Begleitdatei Stapelweise Quittung, fehlende Seiten werden zurückgemeldet
Kernsystem Bestand REST über ExpressRoute, synchron JSON Zeitlimit 800 ms; Antworten 15 Minuten gepuffert; stichtagsbezogene Abfrage
Tarifkataloge, Taxpunktwerte Dateiimport durch das Tarifteam Kataloge der Tariforganisation, CSV Import erzeugt einen neuen Regelstand im Entwurf, nie direkt produktiv
Register ZSR und GLN Täglicher Abgleich CSV Historisiert; Prüfung gegen den Stand am Behandlungsdatum
Finanzsystem Kafka-Ereignis, Adapter ruft REST-API des Finanzsystems JSON Zahlungslauf und Bankanbindung liegen im Finanzsystem
Output-Management REST, asynchrone Rückmeldung JSON mit Dokumentdaten Vorlagen liegen im Output-Management
Azure AI Document Intelligence REST über privaten Endpunkt Belegbild hin, JSON zurück Nur Switzerland North
Azure OpenAI REST über privaten Endpunkt JSON Regionale Bereitstellung; nur minimierte Texte ohne Namen und Versichertennummer
Data Warehouse Kafka-Topics Avro Pseudonymisierung vor der Veröffentlichung
Microsoft Entra ID OpenID Connect Tokens Anmeldung der Mitarbeitenden, Workload Identity für Dienste

4 Lösungsstrategie

LEA trennt, was sich unterschiedlich schnell ändert: Regeln sind versionierte Daten, Abläufe sind BPMN-Modelle, AI-Dienste sitzen hinter austauschbaren Schnittstellen. Der Entscheid selbst fällt immer in deterministischem Code oder durch einen Menschen.

4.1 Vom Qualitätsziel zum Ansatz

Qualitätsziel Ansatz Vertieft in
1 Nachvollziehbarkeit Der Prüfkern ist eine reine Funktion: Rechnung, Kontext und Regelstand hinein, Prüfergebnis heraus. Jeder Entscheid speichert Eingaben, Regelstand-ID und Modellversionen. 5.2, 8.2, ADR-002
1 Nachvollziehbarkeit AI liefert Daten und Hinweise, nie den Entscheid. Kürzungen und Rückweisungen stammen aus Regeln oder von Menschen. 8.4, ADR-008
2 Vertraulichkeit Alle Daten und alle Verarbeitung in Switzerland North, private Endpunkte, eigene Schlüssel. AI-Dienste erhalten nur, was sie für die Aufgabe brauchen. 7, 8.3
3 Automatisierungsgrad Zwei Eingangspfade münden in ein kanonisches Rechnungsmodell. Konfidenzschwellen je Feld bestimmen, was dunkel läuft. 5.3, 6.2
3 Automatisierungsgrad Die Fallsteuerung behandelt Dunkelverarbeitung als Normalpfad. Menschen kommen nur über definierte Aufgaben ins Spiel. 6.1, ADR-001
4 Änderbarkeit Regeln sind zeitlich versionierte Daten, die das Tarifteam pflegt, gegen historische Fälle testet und freigibt. 8.2
4 Änderbarkeit Acht fachlich geschnittene Services mit hexagonalem Aufbau. Nachbarsysteme sind über Adapter entkoppelt. 5.1, ADR-007
5 Robustheit Asynchrone Kopplung über Kafka mit Transactional Outbox und idempotenten Verbrauchern. Fällt ein AI-Dienst aus, gehen Dokumentbelege in die manuelle Erfassung. 6.3, 8.6, ADR-005, ADR-006

4.2 Technologieentscheide im Überblick

Bereich Wahl Kurzbegründung
Backend Java, Spring Boot Unternehmensstandard (T3)
Prozesssteuerung Flowable mit BPMN, DMN für Routingregeln Vorgabe T4; Aufgaben, Fristen und Eskalation ohne Eigenbau
Messaging Apache Kafka, betrieben mit Strimzi auf AKS Portabel, volle Kafka-Semantik (ADR-005)
Operative Daten Azure Database for PostgreSQL, eine Datenbank je Service Standard T3; klare Datenhoheit je Baustein
Belege und Archiv Azure Blob Storage mit Unveränderbarkeitsrichtlinie Aufbewahrung R7
Dokumentextraktion Azure AI Document Intelligence mit eigenen Modellen je Belegtyp Strukturierte Extraktion mit Konfidenzwerten (ADR-003)
Sprachmodell Azure OpenAI als regionale Bereitstellung, hinter eigenem Port Nur für Normalisierung und Assistenz (ADR-004)
Oberfläche React-Anwendung mit Backend-for-Frontend Ein Cockpit für drei Nutzergruppen
Plattform AKS, Argo CD, Kustomize, Terraform Vorgaben T1 und T2
Observability OpenTelemetry, Prometheus, Loki, Tempo, Grafana Plattformstandard; fachliche und technische Kennzahlen in einem Werkzeug
Identität Microsoft Entra ID, Workload Identity Keine Passwörter und Schlüssel in Konfigurationen

5 Bausteinsicht

LEA besteht aus acht Services, gekoppelt über Kafka-Ereignisse. Die Fallsteuerung führt den Ablauf, der Prüfkern beurteilt, alle anderen liefern zu oder führen aus.

5.1 Ebene 1: Gesamtsystem

Die Fallsteuerung führt den Ablauf, Kafka koppelt die Services LEA REST REST Prüf-API cockpit Cockpit: Weboberfläche für Sachbearbeitung, Vertrauensarzt und Tarifteam, mit Backend-for-Frontend intake Eingang XML und Dokumente annehmen, ablegen docai Dokumentenverständnis Klassifikation, Extraktion, Konfidenz case Fallsteuerung BPMN-Prozess je Fall, Aufgaben, Fristen rules Prüfkern Regelstände, Befunde, Vorschlag Kafka BelegEingegangen · RechnungBereit · FallEntschieden · AbrechnungErstellt · ZahlungsauftragErstellt settlement Abrechnung Kostenbeteiligung berechnen, Zahlungsauftrag erzeugen integration Integration Adapter zu Bestand, Finanzen, Output, Data Warehouse audit Audit und Archiv Entscheidhistorie, Belegarchiv, Nachweise
Bausteinsicht Ebene 1 · 8 Services, 1 Ereignisbus

Services oberhalb von Kafka erzeugen und prüfen den Fall, jene unterhalb führen den Entscheid aus. Nicht gezeichnet sind die Assistenz-API für Begründungsentwürfe (cockpit an docai) und die Bestand-API, die rules und settlement über integration aufrufen.

Die Zerlegung folgt fachlichen Fähigkeiten und der Änderungsgeschwindigkeit: Regeln ändern sich wöchentlich, Extraktionsmodelle monatlich, Abrechnungslogik jährlich. Jeder Service gehört genau einem Team.

Baustein Verantwortung Team
Eingang (intake) Nimmt XML und Dokumente an, validiert, prüft auf Viren und Duplikate, legt das Original ab. Überführt XML direkt in das kanonische Rechnungsmodell. Eingang und Dokumente
Dokumentenverständnis (docai) Klassifiziert Dokumentbelege, extrahiert Felder, normalisiert sie in das kanonische Rechnungsmodell und liefert eine Konfidenz je Feld. Kapselt alle AI-Dienste. Eingang und Dokumente
Fallsteuerung (case) Führt je Rechnung einen Fall als BPMN-Prozess. Stösst Prüfung und Abrechnung an, erzeugt Aufgaben, überwacht Fristen. Prüfung und Regeln
Prüfkern (rules) Prüft eine Rechnung gegen einen Regelstand und liefert Befunde mit Entscheidvorschlag. Verwaltet Regelstände und Referenzdaten. Prüfung und Regeln
Abrechnung (settlement) Berechnet die Kostenbeteiligung, führt das Kostenbeteiligungskonto, erzeugt Leistungsabrechnung, Zahlungsauftrag und Rechnungsantwort. Abrechnung und Cockpit
Cockpit (cockpit) Weboberfläche für Sachbearbeitung, vertrauensärztlichen Dienst und Tarifteam. Ein Backend-for-Frontend bündelt die Zugriffe. Abrechnung und Cockpit
Integration (integration) Adapter zu Bestand, Finanzsystem, Output-Management und Data Warehouse. Übersetzt deren Modelle in jene von LEA. Abrechnung und Cockpit
Audit und Archiv (audit) Schreibt die Entscheidhistorie unveränderbar fort, archiviert Belege, beantwortet Nachweisabfragen. Abrechnung und Cockpit

Wichtige Schnittstellen:

Schnittstelle Art Von → an Inhalt
BelegEingegangen Ereignis intake → docai, audit Beleg-ID, Kanal, Verweis auf das Original
RechnungBereit Ereignis intake oder docai → case Rechnung im kanonischen Modell, bei Dokumenten mit Konfidenz je Feld
Prüf-API REST, synchron case → rules Prüfauftrag hinein, Prüfergebnis heraus; idempotent über die Fall-ID
FallEntschieden Ereignis case → settlement, audit Entscheid, Befunde, Regelstand-ID, Entscheidweg (dunkel oder manuell)
AbrechnungErstellt, ZahlungsauftragErstellt Ereignis settlement → integration, audit Beträge, Empfänger, Verweis auf den Fall
Bestand-API REST, gepuffert rules, settlement → integration Person und Deckungen zum Stichtag
Aufgaben- und Fall-API REST cockpit → case Arbeitskörbe, Aufgaben übernehmen und abschliessen
Regelstand-API REST cockpit → rules Regelstände bearbeiten, testen, freigeben
Assistenz-API REST cockpit → docai Entwurf eines Begründungstexts zu einem Befund

5.2 Ebene 2: Prüfkern

Der Prüfkern ist hexagonal gebaut. Im Inneren liegt ein funktionaler Kern ohne Ein- und Ausgabe, ohne Uhr und ohne Zufall. Dieselben Eingaben ergeben immer dasselbe Prüfergebnis.

Komponente Aufgabe
Prüf-API Nimmt den Prüfauftrag an, lädt den Kontext, ruft den Kern, speichert das Ergebnis.
Kontextlader Holt Deckung (über Integration), Stammdaten des Leistungserbringers und die Leistungshistorie der Person für Mengen- und Kumulationsregeln.
Funktionaler Kern pruefe(rechnung, kontext, regelstand) durchläuft vier Stufen: formal, Deckung, Tarif, Auffälligkeit. Ergebnis: Befunde mit Regel-ID, Position, Schweregrad, Begründung und Betragswirkung sowie ein Entscheidvorschlag.
Regelstand-Verwaltung Hält Regelstände mit Gültigkeit und Status (Entwurf, getestet, freigegeben). Importiert Tarifkataloge und Register.
Regel-Testbank Lässt einen Entwurf gegen Referenzfälle und gegen die Rechnungen der letzten 90 Tage laufen und zeigt jede Abweichung zum gültigen Regelstand.
Ergebnisspeicher Legt jedes Prüfergebnis mit Hash der Eingaben und Regelstand-ID ab.
Regeltyp Beispiel Darstellung
Katalogregel Tarifposition am Behandlungsdatum gültig, Taxpunkte korrekt Daten aus dem Tarifkatalog
Kombinationsregel Position nicht kumulierbar mit einer anderen; Mengenlimit je Sitzung oder Zeitraum Regeltabellen
Deckungsregel Produkt deckt die Leistungsart; Leistungserbringer am Behandlungsdatum zugelassen Regeltabellen plus Deckung aus Bestand
Auffälligkeitsregel Gleiche Leistung auf zwei Rechnungen; Menge weit über dem Üblichen für die Fachrichtung Parametrisierte Regeln mit Schwellenwerten
Routingregel Ab welchem Betrag, welcher Konfidenz oder Befundkombination ein Mensch prüft DMN-Tabelle in der Fallsteuerung, nicht im Prüfkern

5.3 Ebene 2: Dokumentenverständnis

Das Dokumentenverständnis ist eine Pipeline aus sechs Schritten. Die Schritte 2 bis 4 rufen AI-Dienste auf, alle über denselben Port.

  1. Vorverarbeitung: Seiten trennen und drehen, Bildqualität prüfen. Unlesbare Belege gehen mit einem Hinweis an die Versicherten zurück.
  2. Klassifikation: Belegtyp bestimmen, zum Beispiel Rückforderungsbeleg einer Arztpraxis, Therapierechnung, Apothekenquittung oder kein Leistungsbeleg.
  3. Extraktion: Azure AI Document Intelligence liest Kopf- und Positionsdaten mit einem eigenen Modell je Belegtyp.
  4. Normalisierung: Leistungserbringer und Tarifpositionen werden gegen die Referenzdaten abgeglichen. Bei unklaren Positionstexten schlägt das Sprachmodell eine Katalogposition vor; übernommen wird nur, was im Katalog existiert.
  5. Konfidenzbewertung: Jedes Feld erhält eine Konfidenz, kalibriert an den Korrekturen der Sachbearbeitung. Für kritische Felder (Person, Leistungserbringer, Datum, Tarifposition, Betrag) gelten strengere Schwellen.
  6. Übergabe: RechnungBereit mit kanonischem Modell, Konfidenzen und Modellversionen.

Der AI-Port protokolliert jeden Aufruf mit Modellversion und Dauer, begrenzt Parallelität und öffnet bei Störungen einen Circuit Breaker (siehe 6.3).

6 Laufzeitsicht

Vier Szenarien zeigen das Zusammenspiel: der dunkle Normalfall, der Dokumentbeleg mit menschlicher Prüfung, der Ausfall eines AI-Dienstes und die Freigabe einer Regeländerung.

6.1 Elektronische Rechnung, dunkel verarbeitet

Menschen prüfen nur, wo Daten unsicher oder Entscheide belastend sind Rechnung bereit XML oder Dokumentbeleg Kritische Felder sicher? Elektronische Rechnung: immer ja. Dokumentbeleg: jedes kritische Feld über seiner Schwelle. Extraktion prüfen Sachbearbeitung im Cockpit Prüfkern prüft gegen den Regelstand Dunkel entscheidbar? Vorschlag Freigabe oder regelbasierte Kürzung, Betrag unter der Limite, kein Auffälligkeitsbefund. Entscheid bestätigen Sachbearbeitung oder Arzt Entscheid festhalten Regelstand, Begründung, Weg Abrechnung und Zahlung Leistungsabrechnung, Auftrag ja nein ja nein
Ablauf Rechnungsprüfung · 6 Schritte, 2 Entscheidpunkte

Der gerade Weg nach unten ist die Dunkelverarbeitung. Die beiden Abzweigungen nach rechts sind die einzigen Stellen, an denen ein Mensch eingreift. Die Schritte im Einzelnen:

  1. intake holt die Rechnung beim Intermediär ab, validiert sie gegen das XML-Schema und prüft auf Duplikate.
  2. intake speichert Original und kanonisches Modell und schreibt RechnungBereit in seine Outbox, alles in einer Transaktion. Erst danach quittiert es dem Intermediär.
  3. case startet den Prozess «Rechnungsprüfung» und ruft die Prüf-API auf.
  4. rules lädt Deckung, Stammdaten und Leistungshistorie, wählt den Regelstand zum Behandlungsdatum, führt den Kern aus und speichert das Prüfergebnis.
  5. Die Routingtabelle in case wertet das Ergebnis aus. Dunkel entschieden wird, wenn der Vorschlag «Freigabe» oder «regelbasierte Kürzung» lautet, der Betrag unter CHF 20'000 liegt und kein Auffälligkeitsbefund vorliegt.
  6. case veröffentlicht FallEntschieden. settlement berechnet die Kostenbeteiligung, bucht auf dem Kostenbeteiligungskonto und erzeugt Leistungsabrechnung, Zahlungsauftrag und Rechnungsantwort.
  7. integration übergibt Zahlungsauftrag und Dokumentauftrag an die Nachbarsysteme. audit schreibt die Entscheidhistorie fort.

Im Normalbetrieb dauert der Durchlauf unter 10 Sekunden. Das Ziel von 5 Minuten lässt Raum für Lastspitzen und Wiederholversuche. 2 % der dunkel entschiedenen Fälle gehen nachgelagert in eine Stichprobenkontrolle, ohne die Zahlung aufzuhalten.

6.2 Dokumentbeleg mit menschlicher Prüfung

  1. Eine versicherte Person lädt in der App das Foto eines Rückforderungsbelegs hoch. intake prüft auf Viren, legt das Original ab und veröffentlicht BelegEingegangen.
  2. docai durchläuft die Pipeline aus 5.3. Bei zwei Rechnungszeilen liegt die Konfidenz für die Tarifposition unter der Schwelle.
  3. docai veröffentlicht RechnungBereit mit den Konfidenzen. case startet den Fall und erzeugt die Aufgabe «Extraktion prüfen».
  4. Die Sachbearbeiterin sieht im Cockpit Beleg und extrahierte Felder nebeneinander, unsichere Felder sind markiert. Sie korrigiert eine Position und bestätigt.
  5. case ruft die Prüf-API mit den bestätigten Daten auf. Der Kern meldet den Befund «Mengenlimit überschritten» und schlägt eine Kürzung vor.
  6. Der Entscheid belastet die versicherte Person und beruht auf Dokumentdaten. Deshalb erzeugt case die Aufgabe «Entscheid bestätigen». Das Cockpit schlägt einen Begründungstext vor, die Sachbearbeiterin passt ihn an und bestätigt.
  7. Weiter wie in 6.1 ab Schritt 6. Die Korrektur aus Schritt 4 geht in die Auswertung der Extraktionsqualität ein (8.4).

Dokumentbelege laufen nur dunkel, wenn alle kritischen Felder über der Schwelle liegen und der Prüfkern «Freigabe» vorschlägt.

6.3 Ausfall eines AI-Dienstes

  1. Aufrufe an Document Intelligence laufen in Zeitüberschreitungen. Nach fünf Fehlern innert 30 Sekunden öffnet der Circuit Breaker im AI-Port.
  2. docai pausiert seinen Verbraucher. Die Belege bleiben im Topic, keiner geht verloren. Die XML-Verarbeitung läuft unverändert weiter.
  3. Alle 60 Sekunden prüft ein Testaufruf, ob der Dienst wieder antwortet.
  4. Überschreitet der Rückstau 2'000 Belege oder 30 Minuten, geht ein Alarm an die Bereitschaft.
  5. Ab vier Stunden Rückstau kann die Betriebsleitung Leistungen im Cockpit die manuelle Erfassung einschalten. case erzeugt dann Erfassungsaufgaben mit Beleg und leerer Maske.
  6. Antwortet der Dienst wieder, schliesst der Circuit Breaker schrittweise. docai arbeitet den Rückstau mit begrenzter Parallelität ab.

Nachrichten, die sich dreimal nicht verarbeiten lassen, landen mit Fehlergrund in einem Dead-Letter-Topic. Die Betriebsansicht im Cockpit zeigt sie an und erlaubt die erneute Einspeisung.

6.4 Regeländerung freigeben

  1. Ein Tarifspezialist importiert einen neuen Katalog oder ändert eine Regel. Es entsteht ein Regelstand im Entwurf mit Gültigkeitsdatum.
  2. Die Regel-Testbank lässt den Entwurf gegen die Referenzfälle und die Rechnungen der letzten 90 Tage laufen. Der Bericht zeigt jede Abweichung, zum Beispiel «412 Rechnungen würden neu gekürzt».
  3. Eine zweite Person prüft den Bericht und gibt frei (Vier-Augen-Prinzip, O4).
  4. Der freigegebene Regelstand ist unveränderbar und wird ab seinem Gültigkeitsdatum angewendet. Ein Software-Deployment ist nicht nötig.
  5. Korrekturen erzeugen immer einen neuen Regelstand. Bereits gefällte Entscheide verweisen weiter auf den Stand, mit dem sie gefällt wurden.

7 Verteilungssicht

LEA läuft in einem privaten AKS-Cluster in Switzerland North, verteilt über drei Verfügbarkeitszonen. Alle Plattformdienste sind nur über private Endpunkte erreichbar.

7.1 Produktionsumgebung

Alle Daten und Dienste liegen in Switzerland North, erreichbar nur privat Azure Switzerland North ExpressRoute nur ausgehend private Endpunkte Sicherungen OpenID Connect Rechenzentrum Bestand, Finanzsystem, Output, Mitarbeitende Intermediäre Internet, gegenseitiges TLS Application Gateway mit WAF Eingang für Cockpit und Portal-Uploads Azure Firewall Ausgehend nur zu freigegebenen Zielen AKS, privater Cluster über drei Verfügbarkeitszonen Node-Pool apps Acht LEA-Services, je mindestens 3 Replikate Node-Pool kafka 3 Broker mit Strimzi, Schema-Registry Node-Pool platform Argo CD, Ingress, Telemetrie-Kollektoren PostgreSQL Datenbank je Service, zonenredundant Blob Storage Belege und Archiv, unveränderbar Key Vault Eigene Schlüssel, Zertifikate AI-Dienste Document Intelligence, Azure OpenAI Switzerland West Sicherungen, Wiederanlauf im Notfall Microsoft Entra ID Anmeldung, Workload Identity
Verteilungssicht Produktion · Region Switzerland North

Der einzige Weg hinein führt aus dem Unternehmensnetz über das Application Gateway, der einzige Weg hinaus über die Firewall zu den Intermediären.

Knoten oder Dienst Was dort läuft Auslegung
AKS, Node-Pool «apps» Die acht LEA-Services Mindestens drei Replikate je Service, verteilt über die Zonen. docai und rules skalieren nach Kafka-Rückstau auf bis zu zwölf.
AKS, Node-Pool «kafka» Kafka mit Strimzi, Schema-Registry Drei Broker, einer je Zone; Replikationsfaktor 3, mindestens zwei synchrone Replikate
AKS, Node-Pool «platform» Argo CD, Ingress, Telemetrie-Kollektoren Betrieben vom Plattformteam
Azure Database for PostgreSQL Eine Datenbank je Service mit eigenem Login, verteilt auf drei Server Zonenredundante Hochverfügbarkeit, Wiederherstellung auf einen Zeitpunkt
Azure Blob Storage Belegspeicher für Originale; Archiv mit Unveränderbarkeitsrichtlinie über 10 Jahre Zonenredundant; Sicherungskopie in Switzerland West
Azure Key Vault Eigene Schlüssel für Datenbanken und Speicher, Zertifikate Zugriff nur über Workload Identity
Azure AI Document Intelligence, Azure OpenAI Extraktion und Sprachmodell Private Endpunkte, öffentlicher Zugriff abgeschaltet
Application Gateway mit Web Application Firewall Eingang für Cockpit und Portal-Uploads aus dem Unternehmensnetz Kein direkter Zugang aus dem Internet
Azure Firewall Ausgehender Verkehr Nur freigegebene Ziele, etwa die Intermediäre
ExpressRoute Verbindung ins Rechenzentrum zu Bestand, Finanzsystem und Output-Management Redundant ausgelegt

7.2 Umgebungen

Umgebung Zweck Daten
dev Entwicklung, ein Namespace je Team Synthetisch
test Automatisierte Integrations- und Vertragstests Synthetisch
abnahme Fachtests, Lasttests, Vergleichsläufe der Regel-Testbank Anonymisierte Rechnungsdaten, synthetische Belegbilder
prod Produktion inklusive Schattenbetrieb Echte Daten

Produktion hat einen eigenen Cluster in einer eigenen Subscription. Die drei übrigen Umgebungen teilen sich einen Cluster.

7.3 Verfügbarkeit und Notfall

Ereignis Verhalten Ziel
Ausfall einer Zone Die verbleibenden zwei Zonen tragen die Last ohne Eingriff. Keine Unterbrechung
Ausfall der Region Wiederanlauf in Switzerland West aus Infrastruktur-Code und Sicherungen. Kafka wird neu aufgebaut; die Outbox-Tabellen halten Ereignisse 14 Tage und befüllen die Topics neu. Wiederanlauf innert 8 Stunden, Datenverlust höchstens 1 Stunde
Ausfall der AI-Dienste Siehe 6.3 XML-Verarbeitung unberührt

Im Notfallbetrieb in Switzerland West ist die Verfügbarkeit der AI-Dienste nicht zugesichert. Dokumentbelege werden dann manuell erfasst oder zurückgestellt (Risiko RK6).

7.4 Auslieferung

  1. Ein Merge in den Hauptzweig startet die Pipeline: bauen, testen, Code und Abhängigkeiten prüfen, Container-Image scannen, Stückliste (SBOM) erzeugen, Image signieren.
  2. Die Pipeline trägt die neue Image-Version im GitOps-Repository ein, im Kustomize-Overlay der Zielumgebung.
  3. Argo CD gleicht den Cluster mit dem Repository ab. Eine Zulassungsrichtlinie lässt nur signierte Images zu.
  4. Der Rollout erfolgt stufenweise, zuerst 10 % der Instanzen. Steigt die Fehlerquote, wird automatisch zurückgerollt.
  5. Infrastrukturänderungen (Terraform) haben einen eigenen Lieferweg mit Plan-Review durch das Plattformteam.

8 Querschnittliche Konzepte

Acht Konzepte gelten in allen Bausteinen. Die ersten fünf tragen die Qualitätsziele 1 und 2 und sind deshalb ausführlicher beschrieben.

8.1 Fachliches Modell

Begriff Bedeutung Führender Baustein
Beleg Das eingegangene Original, XML oder Dokument, unverändert intake
Rechnung Inhalt des Belegs im kanonischen Modell: Kopf (Person, Leistungserbringer, Behandlungszeitraum, Vergütungsart, Gesetz) und Positionen (Tarif, Tarifposition, Menge, Datum, Betrag) intake, docai
Fall Bearbeitungsvorgang zu einer Rechnung mit Status, Aufgaben und Entscheid case
Regelstand Unveränderbare Version aller Regeln und Kataloge mit Gültigkeitszeitraum rules
Prüfergebnis Befunde und Entscheidvorschlag zu einer Rechnung unter einem Regelstand rules
Entscheid Freigabe, Kürzung oder Rückweisung mit Entscheidweg und Begründung case
Abrechnung Vergüteter Betrag, Kostenbeteiligung, Auszahlung und Empfänger settlement

Das kanonische Rechnungsmodell liegt als versioniertes Avro-Schema in der Schema-Registry. Änderungen müssen abwärtskompatibel sein.

8.2 Regelversionierung und Reproduzierbarkeit

Jeder Entscheid lässt sich neu berechnen, weil alle Eingaben des Prüfkerns unveränderbar gespeichert sind.

  • Ein Regelstand hat eine ID, einen fachlichen Gültigkeitszeitraum und einen Freigabezeitpunkt. Er wird nie geändert, nur abgelöst.
  • Für jede Rechnungsposition gilt der Regelstand, der am Behandlungsdatum gültig und zum Prüfzeitpunkt freigegeben war.
  • Der Entscheid speichert den Hash der Rechnung, einen Schnappschuss des Kontexts (Deckung, Auszug der Leistungshistorie), die Regelstand-ID und die Version des Prüfkerns. Bei Dokumentbelegen kommen Modellversionen und Konfidenzen dazu.
  • audit rechnet jede Nacht 1'000 zufällig gewählte Entscheide nach. Jede Abweichung löst einen Alarm aus.
  • Ändert sich der Code des Kerns, muss das Ergebnis für bestehende Regelstände gleich bleiben. Das sichern rund 12'000 Referenzfälle mit erwartetem Prüfergebnis.

8.3 Sicherheit und Datenschutz

Thema Umsetzung
Datenhaltung Alle Daten liegen in Switzerland North, Sicherungen in Switzerland West. Kein Dienst verarbeitet Daten ausserhalb der Schweiz.
Verschlüsselung TLS auf allen Verbindungen, gegenseitige Authentisierung zwischen den Services über das Service Mesh. Ruhende Daten sind mit eigenen Schlüsseln aus dem Key Vault verschlüsselt.
Identität Mitarbeitende melden sich über Entra ID mit Mehrfaktor-Authentisierung an. Dienste nutzen Workload Identity; es gibt keine statischen Geheimnisse.
Berechtigung Rollen (Sachbearbeitung, Teamleitung, Vertrauensarzt, Tarifpflege, Betrieb, Revision) kombiniert mit Attributen (Mandant, Team). Geprüft im Backend-for-Frontend und nochmals im Service.
Abschirmung des vertrauensärztlichen Dienstes Medizinische Zusatzunterlagen liegen in einem eigenen Speicherbereich mit eigenem Schlüssel. Die Sachbearbeitung sieht nur die Beurteilung der Leistungspflicht.
Mandantentrennung Jeder Datensatz trägt das Kennzeichen OKP oder Zusatzversicherung. Zugriffe und Auswertungen sind danach getrennt.
Datenminimierung gegenüber AI-Diensten Document Intelligence erhält das Belegbild. Das Sprachmodell erhält nur Positionstexte und Katalogkandidaten, keine Namen, Adressen oder Versichertennummern.
Zugriffsprotokoll Jeder lesende Zugriff auf Falldaten wird mit Person, Fallbezug und Zeitpunkt protokolliert. Technische Logs enthalten nur IDs, keine Personendaten.
Aufbewahrung und Löschung 10 Jahre im Archiv (R7). Operative Datenbanken werden 24 Monate nach Fallabschluss ausgedünnt; Löschläufe sind protokolliert.
Datenschutz-Folgenabschätzung Liegt vor und wird bei jeder neuen AI-Verwendung nachgeführt.

8.4 AI-Governance

Jede AI-Verwendung ist inventarisiert, hat einen messbaren Qualitätsmassstab und einen Rückfallweg. Die Gliederung folgt den Erwartungen der FINMA-Aufsichtsmitteilung 08/2024 (R6).

Verwendung Technik Wirkung auf den Entscheid Risikoklasse Rückfall
Belegklassifikation Document Intelligence, eigenes Klassifikationsmodell Bestimmt das Extraktionsmodell Mittel Manuelle Zuordnung
Feldextraktion Document Intelligence, eigene Extraktionsmodelle Liefert die Rechnungsdaten; unter der Schwelle prüft ein Mensch Hoch Manuelle Erfassung
Normalisierung von Positionen Sprachmodell Schlägt eine Katalogposition vor; der Katalog validiert Hoch Aufgabe «Extraktion prüfen»
Begründungsentwurf Sprachmodell Keine; ein Mensch redigiert und verantwortet den Text Tief Textbausteine
Auffälligkeitsregeln Statistische Schwellenwerte, kein lernendes Modell Führt nur zu manueller Prüfung Mittel Regel abschalten
  • Messung: Ein Referenzdatensatz mit 5'000 von Menschen geprüften Belegen, geschichtet nach Belegtyp und Sprache (Deutsch, Französisch, Italienisch). Ziel für dunkel verarbeitete Belege: mindestens 99 % korrekte kritische Felder.
  • Freigabe: Ein neues Modell, ein neuer Prompt oder eine neue Schwelle geht erst nach einem Vergleichslauf gegen den Referenzdatensatz in Produktion. Entwicklung und Freigabe liegen bei verschiedenen Personen.
  • Überwachung: Korrekturquote je Feld und Belegtyp, Verteilung der Konfidenzen, Anteil dunkel. Weicht die Korrekturquote über sieben Tage um mehr als zwei Prozentpunkte ab, geht ein Alarm an das Team.
  • Versionierung: Jedes Ergebnis trägt Modell-, Prompt- und Schwellenversion.
  • Dokumentation: Je Verwendung ein Steckbrief im Repository mit Zweck, Daten, Modell, Kennzahlen, Grenzen, Tests und Begründung der Risikoklasse.
  • Unabhängige Überprüfung: Das Risikomanagement prüft Verwendungen der Klasse «Hoch» jährlich.
  • Schutz des Sprachmodells: Belegtexte gelten als nicht vertrauenswürdige Eingabe. Das Modell hat keine Werkzeuge, antwortet in einem festen JSON-Schema, und nur existierende Katalogpositionen werden übernommen.

8.5 Menschen im Entscheidweg

Situation Wer entscheidet Kennzeichnung
Elektronische Rechnung ohne Befund System Automatisiert
Elektronische Rechnung mit eindeutigem Regelbefund, etwa ungültige Tarifposition System; die Rechnungsantwort nennt Regel und Begründung Automatisiert, Überprüfung auf Verlangen
Dokumentbeleg, alle kritischen Felder sicher, Vorschlag «Freigabe» System Automatisiert
Dokumentbeleg mit Kürzung oder Rückweisung Mensch Manuell
Auffälligkeitsbefund oder Betrag ab CHF 20'000 Mensch; ab CHF 5'000 Auszahlung zusätzlich eine zweite Person Manuell
Medizinische Frage Vertrauensärztlicher Dienst Manuell

Automatisierte Entscheide sind auf der Leistungsabrechnung gekennzeichnet (R4). Verlangt eine Person die Überprüfung, eröffnet LEA einen manuellen Fall mit Verweis auf den ursprünglichen Entscheid.

8.6 Ereignisverarbeitung und Konsistenz

  • Transactional Outbox: Zustandsänderung und Ereignis werden in derselben Datenbanktransaktion geschrieben. Ein Relay veröffentlicht aus der Outbox nach Kafka.
  • Zustellung mindestens einmal. Verbraucher sind idempotent und erkennen Wiederholungen an der Ereignis-ID.
  • Reihenfolge: Partitionierung nach Fall-ID.
  • Schemas: Avro in der Schema-Registry, nur abwärtskompatible Änderungen. Die Pipeline prüft die Verträge.
  • Fehler: drei Wiederholungen mit wachsendem Abstand, danach Dead-Letter-Topic.
  • Mehrstufige Abläufe koordiniert die Fallsteuerung. Kompensationen wie das Storno einer Abrechnung sind als BPMN-Pfad modelliert.
  • Synchrone Aufrufe (Prüf-API, Bestand-API) haben Zeitlimit, Wiederholung, Circuit Breaker und begrenzte Parallelität.

8.7 Observability

  • Eine Trace-ID begleitet die Rechnung vom Eingang bis zur Abrechnung. Die Fall-ID ist Attribut in Traces und Logs.
  • Fachliche Kennzahlen: Dunkelverarbeitungsquote je Kanal, Durchlaufzeit, Rückstau je Arbeitskorb, Korrekturquote der Extraktion, Befunde je Regel.
  • Technische Kennzahlen: Kafka-Rückstau, Fehlerquoten, Antwortzeiten der Nachbarsysteme, Zustand der Circuit Breaker.
  • Alarmiert wird auf den Verbrauch des Fehlerbudgets der Service-Level-Ziele, nicht auf Einzelmetriken.

8.8 Test und Qualitätssicherung

Ebene Gegenstand Zeitpunkt
Unit- und Property-Tests Funktionaler Kern, Abrechnungslogik Jeder Commit
Golden-Master-Tests Rund 12'000 Referenzfälle mit erwartetem Prüfergebnis Jeder Commit, jede Regeländerung
Vertragstests Ereignis-Schemas und REST-Verträge Pipeline
Prozesstests BPMN-Pfade inklusive Fristen und Eskalation Pipeline
AI-Evaluation Referenzdatensatz mit 5'000 Belegen Jede Änderung an Modell, Prompt oder Schwelle
Last- und Störungstests 20 Rechnungen pro Sekunde über 30 Minuten; Zonenausfall; AI-Ausfall Monatlich in der Abnahmeumgebung
Schattenbetrieb Entscheid von LEA gegen Entscheid des Altsystems, je Rechnung Laufend bis zur Umschaltung

9 Architekturentscheidungen

Neun Entscheide prägen LEA. Alle haben den Status «akzeptiert». Die vollständigen ADRs mit Diskussion liegen im Repository.

ADR-001: Die Fallsteuerung orchestriert mit BPMN

  • Kontext: Die Rechnungsprüfung kennt menschliche Aufgaben, Fristen, Eskalationen und Kompensationen. Reine Choreografie über Ereignisse würde diese Ablauflogik über alle Services verstreuen.
  • Entscheid: Ein BPMN-Prozess je Fall in case, mit eingebetteter Flowable-Engine. Die übrigen Services bleiben über Ereignisse entkoppelt.
  • Verworfen: Choreografie nur mit Kafka; eine selbst gebaute Zustandsmaschine.
  • Konsequenzen: Der Ablauf ist sichtbar und für den Fachbereich lesbar, Aufgabenverwaltung ist enthalten. Dafür wird case zur zentralen Komponente, deren Durchsatz laufend zu testen ist (RK5). Laufende Prozessinstanzen brauchen Migrationsregeln bei Modelländerungen.

ADR-002: Der Prüfkern ist ein funktionaler Kern, Regeln sind Daten

  • Kontext: Regeln ändern sich häufig, und jeder Entscheid muss reproduzierbar sein. Die Genehmigung des Tarifsystems ist bis Ende 2028 befristet; weitere Anpassungen sind absehbar (BAG).
  • Entscheid: Ein eigener Kern in Java aus reinen Funktionen. Regeln liegen als typisierte, versionierte Tabellen vor. Der Kern kennt keine Ein- und Ausgabe.
  • Verworfen: Eine Regel-Engine mit Regeln als Skripten, weil das Tarifteam sie nicht selbst pflegen kann und die Reproduktion über Versionen aufwendig wird. DMN für alle Regeln, weil Mengen- und Zeitraumregeln über die Leistungshistorie darin unhandlich sind.
  • Konsequenzen: Deterministisch, schnell und mit Referenzfällen testbar. Neue Regeltypen brauchen weiterhin Code. Architekturtests verhindern, dass Ein- und Ausgabe in den Kern wandert.

ADR-003: Dokumentextraktion mit Document Intelligence, Sprachmodell nur zur Normalisierung

  • Kontext: 18 % der Belege sind Dokumente, rund 1.4 Mio. pro Jahr. Layouts variieren, und die Fallsteuerung braucht eine Konfidenz je Feld.
  • Entscheid: Azure AI Document Intelligence mit eigenen Modellen je Belegtyp. Das Sprachmodell ordnet nur unklare Positionstexte einer Katalogposition zu. Beides liegt hinter dem AI-Port.
  • Verworfen: Ein Sprachmodell mit Bildeingabe für die gesamte Extraktion, weil es keine kalibrierten Feldkonfidenzen liefert und jeder Modellwechsel die ganze Extraktion betrifft. Selbst betriebene Texterkennung mit eigenem Modell, weil dem Team dafür die Erfahrung fehlt.
  • Konsequenzen: Konfidenz je Feld und planbare Kosten je Beleg. Jeder Belegtyp braucht gelabelte Trainingsbelege. Die Bindung an Azure wird durch den Port und den Referenzdatensatz gemildert.

ADR-004: Sprachmodell als regionale Bereitstellung in der Schweiz, mit Ausstiegsweg

  • Kontext: T8 verlangt Verarbeitung in der Schweiz. Azure OpenAI ist seit September 2023 in Switzerland North verfügbar (Microsoft). Nur regionale Bereitstellungen verarbeiten in der Region. Ob Nachfolgemodelle dort regional bereitstehen, sagt Microsoft nicht zu (Microsoft Q&A, Mai 2026).
  • Entscheid: Regionale Bereitstellung in Switzerland North. Die Verwendungen sind so geschnitten, dass ein kleines Modell genügt und ein Ausfall verkraftbar ist. Ein Modellwechsel braucht die AI-Evaluation aus 8.4. Als Ausstiegsweg wird halbjährlich ein offenes Modell auf GPU-Knoten in AKS gegen den Referenzdatensatz geprüft.
  • Verworfen: Bereitstellung in einer EU-Datenzone, weil die Verarbeitung die Schweiz verlässt. Ausschliesslich selbst betriebenes Modell, weil GPU-Betrieb und Modellpflege vom ersten Tag an anfallen würden.
  • Konsequenzen: T8 ist erfüllt. Die verfügbare Modellgeneration hinkt nach, und Abkündigungen können einen Wechsel erzwingen (RK1).

ADR-005: Kafka mit Strimzi auf AKS statt eines verwalteten Dienstes

  • Kontext: Ereignisse koppeln alle Services. R5 verlangt eine dokumentierte Exit-Strategie.
  • Entscheid: Apache Kafka, betrieben mit dem Strimzi-Operator in einem eigenen Node-Pool.
  • Verworfen: Azure Event Hubs mit Kafka-Protokoll, weil es an Azure bindet und sich nicht deckungsgleich mit Apache Kafka verhält.
  • Konsequenzen: Portabel, und dieselbe Technik läuft in allen Umgebungen bis zum Entwicklerrechner. Betrieb und Upgrades liegen beim Plattformteam (TS4).

ADR-006: Transactional Outbox statt verteilter Transaktionen

  • Kontext: Der Zustand in PostgreSQL und das Ereignis in Kafka müssen zusammenpassen.
  • Entscheid: Eine Outbox-Tabelle je Service, ein Relay veröffentlicht, Verbraucher sind idempotent.
  • Verworfen: Veröffentlichen direkt nach dem Commit, weil bei einem Absturz Ereignisse verloren gehen. Durchgängiges Event Sourcing, weil der Umstellungsaufwand für die Teams den Nutzen übersteigt.
  • Konsequenzen: Kein Ereignis geht verloren, und Topics lassen sich aus der Outbox neu befüllen (7.3). Idempotenz ist in jedem Verbraucher Pflicht.

ADR-007: Acht fachlich geschnittene Services

  • Kontext: Drei Teams mit 21 Personen. docai und rules haben ein anderes Lastprofil und einen anderen Änderungsrhythmus als der Rest.
  • Entscheid: Acht Services, zwei bis vier je Team, jeder intern hexagonal aufgebaut. Ein neuer Service entsteht nur bei eigenem Skalierungs- oder Teamgrund.
  • Verworfen: Ein modularer Monolith, weil die AI-Abhängigkeit isoliert und die Prüfung getrennt skalierbar sein soll. Feingranulare Microservices je Prüfstufe, weil sie Betriebsaufwand und verteilte Fehlerbilder ohne Gegenwert bringen.
  • Konsequenzen: Jedes Team liefert unabhängig. Dafür gelten die Regeln verteilter Systeme aus 8.6 und 8.7.

ADR-008: AI fällt keine belastenden Entscheide

  • Kontext: Qualitätsziel 1 und R4. Extraktionsfehler lassen sich nicht ausschliessen.
  • Entscheid: Kürzungen und Rückweisungen entstehen nur aus einer deterministischen Regel auf strukturiert gelieferten Daten oder nach Bestätigung durch einen Menschen. Bei Dokumentbelegen ist jeder belastende Entscheid zu bestätigen.
  • Verworfen: Dunkle Kürzung bei hoher Konfidenz. Sie brächte geschätzt drei Prozentpunkte mehr Automatisierung, aber Fehlkürzungen träfen Versicherte direkt.
  • Konsequenzen: Ein AI-Fehler führt zu Mehrarbeit oder im schlechtesten Fall zu einer Überzahlung, nie zu einer ungerechtfertigten Ablehnung. Das Überzahlungsrisiko begrenzen Schwellen und die Stichprobe. Der Automatisierungsgrad bei Dokumenten bleibt bei rund 60 %.

ADR-009: Deckungsdaten synchron aus Bestand lesen, nicht replizieren

  • Kontext: Nach T5 bietet Bestand eine REST-API, aber keine Ereignisse. Die Deckung muss stichtagsgenau sein.
  • Entscheid: Synchroner Aufruf über integration mit 15 Minuten Puffer. Antwortet Bestand nicht, wartet der Fall und versucht es erneut; es gibt keinen Entscheid auf veralteten Daten.
  • Verworfen: Eine nächtliche Replik in LEA, weil bis zu 24 Stunden alte Deckungen bei Mutationen zu Fehlentscheiden führen.
  • Konsequenzen: Die Deckung ist immer aktuell. Verfügbarkeit und Antwortzeit von Bestand begrenzen den Durchsatz von LEA (RK4, TS2).

10 Qualitätsanforderungen

Zwölf Szenarien machen die fünf Qualitätsziele aus 1.2 prüfbar. Jedes hat eine Messgrösse; gemessen wird in Produktion oder in der Abnahmeumgebung.

10.1 Qualitätsbaum

Qualitätsziel Teilmerkmal Szenarien
1 Nachvollziehbarkeit und Korrektheit Reproduzierbarkeit, Begründbarkeit Q1, Q2
1 Nachvollziehbarkeit und Korrektheit Fachliche Richtigkeit, Extraktionsgüte Q3, Q4
2 Vertraulichkeit Datenhaltung, Zugriffsschutz Q5, Q6
3 Automatisierungsgrad Dunkelverarbeitung, Durchlaufzeit, Durchsatz Q7, Q8
4 Änderbarkeit Regeln, Modelle Q9, Q10
5 Robustheit Fehlertoleranz, Wiederherstellbarkeit Q11, Q12

10.2 Qualitätsszenarien

ID Auslöser Erwartete Reaktion Messgrösse
Q1 Die Revision verlangt die Herleitung eines Entscheids aus dem Vorjahr. audit liefert Eingaben, Regelstand, Befunde und Entscheidweg und rechnet den Entscheid nach. Antwort in unter 1 Minute; Nachrechnung identisch
Q2 Ein Leistungserbringer erhält eine Rückweisung. Die Rechnungsantwort nennt je Befund Regel, Position und Begründung. 100 % der Rückweisungen mit Regel-ID und Begründungstext
Q3 Die Stichprobenkontrolle bewertet 2 % der dunkel entschiedenen Fälle nach. Die Entscheide halten der Nachprüfung stand. Fehlentscheide unter 0.5 %
Q4 Dokumentbelege werden dunkel verarbeitet. Die kritischen Felder stimmen mit dem Beleg überein. Mindestens 99 % korrekt, gemessen am Referenzdatensatz und an der Stichprobe
Q5 Ein Team will einen Dienst ausserhalb der Schweiz einbinden. Die Plattformrichtlinie verweigert das Anlegen der Ressource. Keine Ressource ausserhalb der zugelassenen Regionen; täglicher Bericht
Q6 Eine Sachbearbeiterin öffnet einen Fall ausserhalb ihres Mandanten. Der Zugriff wird verweigert und protokolliert. 100 % verweigert; monatliche Auswertung an den CISO
Q7 Normalbetrieb über einen Kalendermonat. LEA entscheidet ohne manuellen Eingriff. Mindestens 85 % über alle Kanäle, 90 % elektronisch, 60 % Dokumente
Q8 Januar-Spitze mit 60'000 Belegen am Tag und Lieferungen von bis zu 5'000 Rechnungen auf einmal. docai und rules skalieren nach Rückstau. 95 % der dunklen Fälle in unter 5 Minuten; Lasttest mit 20 Rechnungen pro Sekunde über 30 Minuten ohne wachsenden Rückstau
Q9 Die Tariforganisation publiziert eine neue Katalogversion. Das Tarifteam importiert, testet und gibt frei. Produktiv in höchstens 10 Arbeitstagen, ohne Software-Deployment
Q10 Das eingesetzte Sprachmodell wird abgekündigt. Das Team stellt hinter dem AI-Port um und durchläuft die AI-Evaluation. Umstellung in höchstens 15 Arbeitstagen; Änderungen nur in docai
Q11 Document Intelligence fällt zwei Stunden aus. Dokumentbelege stauen sich, XML läuft weiter, der Rückstau wird danach abgebaut. Kein verlorener Beleg; XML-Durchlaufzeit unverändert; Rückstau innert 4 Stunden abgebaut
Q12 Eine Verfügbarkeitszone fällt aus. Die übrigen Zonen übernehmen ohne Eingriff. Unterbrechung unter 60 Sekunden, kein Datenverlust. Bei Regionsausfall: Wiederanlauf innert 8 Stunden, Datenverlust höchstens 1 Stunde, jährlich geübt

11 Risiken und technische Schulden

Das grösste Risiko für das Automatisierungsziel ist die Extraktionsgüte bei Dokumentbelegen (RK2), das grösste für die Korrektheit ein fehlerhafter Regelstand (RK3).

11.1 Risiken

ID Risiko Eintritt Auswirkung Massnahmen
RK1 Das genutzte Sprachmodell wird abgekündigt, bevor ein Nachfolger in Switzerland North regional bereitsteht. Mittel Mittel AI-Port, AI-Evaluation, halbjährlich geprüftes Ausstiegsmodell (ADR-004). Alle Verwendungen des Sprachmodells dürfen ausfallen.
RK2 Die Extraktionsgüte bleibt unter dem Ziel, vor allem bei Handyfotos, handschriftlichen Ergänzungen und französischen oder italienischen Belegen. Die Dunkelquote für Dokumente bleibt unter 60 %. Hoch Mittel Schwellen je Belegtyp, Nachtraining aus Korrekturen, Prüfung der Bildqualität schon in der App, stufenweise Zielwerte.
RK3 Ein fehlerhafter Regelstand kürzt oder bezahlt tausende Rechnungen falsch. Tief Hoch Regel-Testbank mit Abweichungsbericht, Vier-Augen-Freigabe, Ablösung durch neuen Regelstand, vorbereiteter Prozess für Massenkorrekturen.
RK4 Antwortzeit oder Verfügbarkeit von Bestand begrenzt den Durchsatz in der Januar-Spitze. Mittel Mittel Puffer, gemeinsame Lasttests mit dem Bestand-Team, Drosselung in integration (ADR-009).
RK5 Die Flowable-Engine wird bei 60'000 Prozessstarts am Tag zum Engpass. Tief Hoch Monatliche Lasttests, kurzlebige Prozessinstanzen, Historie asynchron auslagern.
RK6 In der Notfallregion Switzerland West sind Kapazität und AI-Dienste nicht zugesichert. Tief Mittel Manuelle Erfassung als Rückfall, jährliche Klärung der Kapazität mit Microsoft, jährliche Wiederanlaufübung.
RK7 Sachbearbeitende bestätigen Vorschläge des Systems ungeprüft. Mittel Mittel Unsichere Felder markieren, Kontrollfälle einstreuen, Stichprobe auch auf manuell bestätigte Fälle, Schulung.
RK8 Ein Beleg enthält Text, der das Sprachmodell manipulieren soll. Tief Tief Keine Werkzeuge, festes Antwortschema, Validierung gegen den Katalog (8.4).
RK9 Das Tarifsystem ändert sich stärker als erwartet; seine Genehmigung ist bis Ende 2028 befristet. Hoch Mittel Regeln als Daten (ADR-002), Szenario Q9.

11.2 Technische Schulden

ID Schuld Folge Abbau
TS1 Altsystem und LEA laufen parallel. Das Kostenbeteiligungskonto wird im Schattenbetrieb doppelt geführt. Abgleichaufwand, Abweichungen Umschaltung je Rechnungstyp bis Ende 2027, danach Stilllegung des Altsystems
TS2 Bestand liefert keine Ereignisse (ADR-009). Synchrone Kopplung, Durchsatz hängt an Bestand Mit der Ablösung von Bestand ab 2029 auf Ereignisse umstellen
TS3 Für Altfälle wird XML 4.5 weiter angenommen. Zwei Übersetzer in intake Entfernen, sobald keine Storni im alten Format mehr eintreffen
TS4 Das Kafka-Wissen liegt bei zwei Personen im Plattformteam (ADR-005). Betriebsrisiko bei Ausfällen und Upgrades Dritte Person ausbilden, Betriebshandbücher, halbjährliche Neubewertung verwalteter Angebote
TS5 Die Regel-Testbank vergleicht Entscheide, aber nicht die Beträge der Kostenbeteiligung. Lücke bei Änderungen an der Abrechnung Erweiterung auf settlement im 1. Quartal 2027
TS6 Auffälligkeitsregeln sind einfache Schwellenwerte. Geringe Trefferquote, viele unnötige manuelle Prüfungen Bewusst so für Release 1; lernendes Modell wird nach zwölf Monaten Betriebsdaten evaluiert

12 Glossar

Begriff Bedeutung
AI-Port Schnittstelle in docai, hinter der alle AI-Dienste liegen. Macht Modelle austauschbar und protokolliert jeden Aufruf.
Ambulante Pauschalen Tarifstruktur, die ambulante Behandlungen pauschal vergütet. Gilt seit dem 1. Januar 2026 zusammen mit TARDOC.
Circuit Breaker Schutzschalter, der Aufrufe an einen gestörten Dienst vorübergehend unterbindet.
Datenannahmestelle Zertifizierte Stelle des Versicherers, die bei DRG-Rechnungen als einzige die medizinischen Datensätze entgegennimmt (Art. 59a KVV).
Dead-Letter-Topic Kafka-Topic für Nachrichten, die sich wiederholt nicht verarbeiten liessen.
Dunkelverarbeitung Verarbeitung vom Eingang bis zum Entscheid ohne manuellen Eingriff.
Fall Bearbeitungsvorgang zu genau einer Rechnung.
Forum Datenaustausch Verein, der die XML-Standards für den administrativen Datenaustausch im Schweizer Gesundheitswesen publiziert.
generalInvoiceRequest, generalInvoiceResponse XML-Meldungen des Forum Datenaustausch für Rechnung und Rechnungsantwort, aktuell Version 5.0.
GLN Global Location Number. Identifiziert Leistungserbringer und Versicherer im Datenaustausch.
Golden-Master-Test Test, der ein gespeichertes erwartetes Ergebnis mit dem aktuellen vergleicht.
Hexagonale Architektur Aufbau, bei dem die Fachlogik im Kern liegt und Technik über Ports und Adapter angebunden ist.
Intermediär Dienstleister, der elektronische Rechnungen zwischen Leistungserbringern und Versicherern übermittelt.
Kostenbeteiligung Anteil, den Versicherte selbst tragen: Franchise und Selbstbehalt.
KVG, KVV Bundesgesetz und Verordnung über die Krankenversicherung.
Leistungsabrechnung Dokument an die versicherte Person mit vergütetem Betrag und Kostenbeteiligung.
OAAT Organisation ambulante Arzttarife AG. Tariforganisation, die TARDOC und die ambulanten Pauschalen pflegt.
OKP Obligatorische Krankenpflegeversicherung nach KVG.
Outbox Tabelle, in die ein Service Ereignisse in derselben Transaktion wie seine Zustandsänderung schreibt.
Referenzdatensatz 5'000 von Menschen geprüfte Belege, an denen jede AI-Änderung gemessen wird.
Regelstand Unveränderbare Version aller Regeln und Kataloge mit Gültigkeitszeitraum.
Rückforderungsbeleg Rechnung, die Versicherte im Tiers garant zur Rückerstattung einreichen.
Schattenbetrieb LEA verarbeitet produktive Rechnungen parallel zum Altsystem; wirksam ist nur dessen Entscheid.
TARDOC Einzelleistungstarif für ambulante ärztliche Leistungen, seit dem 1. Januar 2026 in Kraft.
Taxpunktwert Frankenbetrag je Taxpunkt, je Kanton vereinbart oder festgesetzt.
Tiers garant Die versicherte Person bezahlt die Rechnung und fordert den Betrag beim Versicherer zurück.
Tiers payant Der Versicherer bezahlt den Leistungserbringer direkt.
Vertrauensärztlicher Dienst Ärztinnen und Ärzte, die den Versicherer in medizinischen Fragen der Leistungspflicht beraten.
VVG Versicherungsvertragsgesetz. Grundlage der Zusatzversicherungen.
Workload Identity Verfahren, mit dem sich ein Dienst im Cluster ohne gespeichertes Geheimnis gegenüber Azure ausweist.
WZW Wirksamkeit, Zweckmässigkeit, Wirtschaftlichkeit: Voraussetzungen für die Leistungspflicht nach KVG.
ZSR Zahlstellenregister der SASIS. Die ZSR-Nummer identifiziert Leistungserbringer gegenüber den Versicherern.

Quellen

Die realen Rahmenbedingungen des Fallbeispiels stützen sich auf diese Seiten, abgerufen am 16. November 2026:

Kommentare

Kommentar schreiben

Formular wird geladen …


Zurück zur Übersicht