Skip to content
BranchesTags

Latest commit

 

History

85 Commits

Folders and files

NameName
Last commit message
Last commit date
brick_quiz
brick_quiz
 
 
data
data
 
 
pauschalen
pauschalen
 
 
synonyms
synonyms
 
 
.gitattributes
.gitattributes
 
 
.gitignore
.gitignore
 
 
Procfile
Procfile
 
 
README.md
README.md
 
 
calculator.js
calculator.js
 
 
config.ini
config.ini
 
 
favicon-32.png
favicon-32.png
 
 
favicon-512.png
favicon-512.png
 
 
favicon.ico
favicon.ico
 
 
index.html
index.html
 
 
openai_wrapper.py
openai_wrapper.py
 
 
prompts.py
prompts.py
 
 
regelpruefer_einzelleistungen.py
regelpruefer_einzelleistungen.py
 
 
regelpruefer_pauschale.py
regelpruefer_pauschale.py
 
 
requirements.txt
requirements.txt
 
 
runtime_config.py
runtime_config.py
 
 
server.py
server.py
 
 
translations.json
translations.json
 
 
utils.py
utils.py
 
 

Repository files navigation

Arzttarif-Assistent

Dies ist ein Prototyp einer Webanwendung zur Unterstützung bei der Abrechnung medizinischer Leistungen nach dem neuen Schweizer Arzttarif (TARDOC und Pauschalen). Die Anwendung nimmt eine Freitextbeschreibung einer medizinischen Leistung entgegen und schlägt die optimale Abrechnungsart (Pauschale oder TARDOC-Einzelleistung) vor. Sie kombiniert eine KI-basierte Leistungsidentifikation mit detaillierter lokaler Regel- und Bedingungsprüfung.

Dokumentation

  • Anwenderdokumentation: doku/DOKU_ANWENDUNG.md
  • Technische Dokumentation: doku/DOKU_TECHNIK.md
  • Installation/Setup: doku/INSTALLATION.md

Wichtige Hinweise

  • Ohne Gewähr: Der Arzttarif-Assistent ist eine Open-Source-Anwendung und ein Prototyp. Die Ergebnisse können Fehler enthalten und sind nicht verbindlich.
  • Offizielle Quellen:
  • Open Source: Das Projekt ist öffentlich auf GitHub verfügbar: https://github.com/BeatArnet/Arzttarif-Assistent
  • Keine persönlichen Daten eingeben – KI-Abfragen laufen über externe LLM‑Dienste (z. B. Gemini, OpenAI, SwissAI/Apertus, Ollama‑Gateway).
  • Tarifbasis: OAAT‑OTMA AG, Tarifversion 1.1c vom 08.08.2025.

Versionsübersicht

Aktuelle Version: 4.9 (10.02.2026) – Erweiterte Pauschalenlogik mit konsolidierter Qualitätskontrolle und aktualisierter Datenbasis.
Die vollständige Versionshistorie befindet sich in doku/CHANGELOG.md.

Mehrsprachigkeit

Der Assistent ist in den drei Landessprachen DE, FR und IT verfügbar. Die Sprache richtet sich nach der Browsereinstellung, sie kann aber auch manuell geändert werden. Allerdings sollte man die Seite dann neu aufrufen, damit alles neu initialisiert wird. Es zeigt sich, dass die Antworten der KI nicht in allen drei Sprachen gleich (gut) funktioniert. An der Konsistenz der Antworten muss noch gearbeitet werden.

Übersetzen von Texten

Alle Beschriftungen und Meldungen der Benutzeroberfläche liegen zentral in der Datei translations.json. Diese enthält die deutschen Texte sowie Übersetzungen in Französisch und Italienisch. Die Dateien calculator.js und quality.js laden diese Datei über loadTranslations() und stellen mit t(key, lang) eine einfache Lookup-Funktion bereit. Neue Texte müssen nur in translations.json ergänzt werden.

Kernlogik / Architektur

  1. Frontend (index.html, calculator.js):

    • Nimmt Benutzereingaben (Text, optionale ICDs, GTINs, Kontext wie Alter/Geschlecht) entgegen.
    • Sendet die Anfrage an das Backend.
    • Empfängt das strukturierte Ergebnis vom Backend.
    • Stellt die Ergebnisse benutzerfreundlich dar.

  2. Backend (Python/Flask - server.py):

    • Empfängt Anfragen vom Frontend.
    • LLM Stufe 1 (call_gemini_stage1): Identifiziert LKNs und extrahiert Kontext aus dem Benutzertest mithilfe von Google Gemini.
    • Regelprüfung LKN (regelpruefer_einzelleistungen.py): Prüft die identifizierten LKNs auf Konformität mit TARDOC-Regeln.
    • Pauschalen-Anwendbarkeitsprüfung (regelpruefer_pauschale.py): Identifiziert und prüft potenzielle Pauschalen.
    • Entscheidung & TARDOC-Vorbereitung: Entscheidet "Pauschale vor TARDOC".
    • Sendet das Gesamtergebnis zurück an das Frontend.

  3. Daten (./data Verzeichnis):

    • Die JSON-Datendateien (LKAAT_Leistungskatalog.json, PAUSCHALEN_*.json, TARDOC_*.json etc.) dienen als lokale Wissensbasis.
    • Für Pauschalenlogik gilt: Der Server nutzt bevorzugt die kanonische Datei PAUSCHALEN_Logic.json und konvertiert sie intern in das Legacy-Zeilenformat. Falls die Datei fehlt oder ungültig ist, wird auf PAUSCHALEN_Bedingungen.json zurückgefallen.
    • Wichtiger Hinweis: Die JSON-Dateien werden direkt und ohne Umwege in diesem GitHub-Repository gespeichert und versioniert. Für grosse Dateien wird Git LFS verwendet.
    • Optional vorberechnete Pauschalen-Indizes (PAUSCHALEN_Tabellen_*_map.json, Pauschale_cond_table_*, lkn_to_tables_*, lkn_to_pauschalen_*, pauschale_to_lkn_*, pauschalen_indices_meta.json) beschleunigen die Kandidatensuche; der Server lädt sie automatisch, baut Fallback-Indizes zur Laufzeit und kann bei vorhandenen LP-Maps das Laden von PAUSCHALEN_Leistungspositionen.json überspringen.

Technologie-Stack

  • Backend: Python 3, Flask, Gunicorn (für Produktion)
  • Frontend: HTML5, CSS3, Vanilla JavaScript
  • KI-Service: Google Gemini API (via REST)
  • Daten: JSON (gespeichert in Git LFS)

Setup und Installation (Lokal)

  1. Voraussetzungen:
  2. Repository klonen: 
    git clone https://github.com/BeatArnet/Arzttarif-Assistent.git
cd Arzttarif-Assistent
  3. Virtuelle Umgebung (Empfohlen): 
    python -m venv venv
# Windows:
venv\Scripts\activate
# macOS/Linux:
source venv/bin/activate
  4. Abhängigkeiten installieren: 
    pip install -r requirements.txt
  5. Embeddings erzeugen (RAG ist standardmässig aktiviert, config.ini [RAG].enabled = 1): 
    pip install sentence-transformers
python generate_embeddings.py
    Das Skript erzeugt data/leistungskatalog_embeddings.json, data/vektor_index.faiss und data/vektor_index_codes.json. Nach Daten- oder Synonym-Updates erneut ausführen, sonst funktioniert die semantische Suche nicht.
  6. API-Schlüssel konfigurieren:
    • Erstelle eine Datei namens .env im Hauptverzeichnis.
    • Hinterlege die notwendigen Schlüssel abhängig vom gewählten Provider (nur die benötigten setzen): 
      # LLM-Provider
GEMINI_API_KEY="..."                 # für Google Gemini
OPENAI_API_KEY="..."                 # für OpenAI
APERTUS_API_KEY="..."                # für SwissAI/Apertus (PublicAI)
APERTUS_BASE_URL="https://api.publicai.co/v1"  # optional
OLLAMA_BASE_URL="http://localhost:11434/v1"     # optional, OpenAI-kompatibel

# Synonym-Generator (falls externes LLM gewünscht)
SYNONYM_LLM_API_KEY="..."
SYNONYM_LLM_MODEL="gemini-2.5-flash"
  7. Anwendung starten: 
    python server.py
    Öffne http://127.0.0.1:8000 im Browser.

Deployment auf Render.com

Die Anwendung kann auf Plattformen wie Render.com deployed werden. Hierfür sind eine Procfile und die Konfiguration von Umgebungsvariablen für den API‑Schlüssel des gewählten Providers notwendig (z. B. APERTUS_API_KEY, GEMINI_API_KEY). Der Standard‑Plan (oder höher) wird aufgrund des RAM‑Bedarfs (>512 MB) empfohlen.

Logs auf Render.com durchsuchen

Im Render-Dashboard kann man die Server-Logs einsehen. Rufe den entsprechenden Service auf und wähle den Reiter Logs. Oben rechts lässt sich ein Zeitraum festlegen. Über das Suchfeld kann dann nach inputText gesucht werden, um die Anfragen in diesem Zeitraum zu filtern.

Deployment auf Ubuntu-Server (/opt/apps/Arzttarif)

Für den Zielbetrieb auf Ubuntu mit systemd + nginx (Hostname arnet.internet-box.ch) steht ein Migrationspaket bereit:

  • Skript: deploy/ubuntu/migrate_Arzttarif_to_ubuntu.sh
  • Service-Template: deploy/ubuntu/arzttarif.service.template
  • Nginx-Template: deploy/ubuntu/nginx-arzttarif.conf.template
  • Detaillierte Schritt-für-Schritt-Anleitung: doku/MIGRATION_UBUNTU_SERVER.md

Kurzstart auf dem Server:

sudo bash deploy/ubuntu/migrate_Arzttarif_to_ubuntu.sh \
  --app-dir /opt/apps/Arzttarif \
  --domain arnet.internet-box.ch

Qualitätstests

Die Datei data/beispiele.json enthält Testfälle. Mit run_quality_tests.py können diese gegen die erwarteten Ergebnisse in data/baseline_results.json geprüft werden (inkl. Pauschale, Einzelleistungen und optional Analogie/Reservecode):

python run_quality_tests.py

Für die harte Daten-Qualitätskontrolle der kanonischen Pauschalenlogik steht zusätzlich ein separater Runner bereit:

python run_pauschalen_quality_control.py

Er erzeugt zwei Artefakte:

  • quality_reports/pauschalen_quality_report.json (maschinell auswertbar)
  • quality_reports/pauschalen_quality_report.html (grafische Übersicht im Browser)

Bei Fehlern liefert der Runner Exit-Code 1 (CI-tauglich). Für reinen Report-Lauf ohne Abbruch:

python run_pauschalen_quality_control.py --no-strict

Zusätzlich kann die Qualitätskontrolle als Test-Suite ausgeführt werden:

python -m pytest tests/test_pauschalen_quality_control.py -q

Feedback

Über den Button "Feedback geben" oben neben der Sprachauswahl öffnet sich ein modales Formular. Es sammelt automatisch Kontextinformationen (URL, Browser, Bildschirmauflösung sowie eine Momentaufnahme der aktuellen Formulareingaben und Analyseergebnisse) und sendet sie zusammen mit der Nachricht an das Backend. Sind GITHUB_TOKEN und GITHUB_REPO gesetzt, wird daraus ein GitHub-Issue erstellt, ansonsten landet das Feedback in feedback_local.json. Während der Pilotphase werden alle eingehenden Meldungen im Repository BeatArnet/Arzttarif_Assistent_dev gebündelt.

RAG-Modus und Embeddings generieren

Der optionale RAG-Modus reduziert den Tokenbedarf, indem nur die relevantesten Katalogeinträge per Vektor-Suche an das LLM gesendet werden. Die dafür benötigten Embeddings des Leistungskatalogs werden mit dem Skript generate_embeddings.py erzeugt:

python generate_embeddings.py

Das Skript benötigt die Bibliothek sentence-transformers und schreibt die Datei data/leistungskatalog_embeddings.json, die vom Server automatisch geladen wird. Um RAG zu aktivieren, setze in config.ini den Wert enabled = 1 unter [RAG] und stelle sicher, dass die Embedding-Datei vorhanden ist. Führe das Skript nach Datenänderungen erneut aus.

Synonym-Subsystem

Um auch umgangssprachliche Begriffe korrekt zu erkennen, besitzt der Assistent ein optionales Synonym-Subsystem. Es erweitert die bei der Schlüsselwortextraktion gefundenen Tokens um bekannte Synonyme und erhöht damit die Trefferquote im Leistungskatalog.

Synonyme generieren und pflegen

Ein einfaches Tkinter-Werkzeug kann neue Vorschläge aus den vorhandenen Katalogdaten ableiten. Welcher LLM-Dienst genutzt wird, lässt sich über die Werte llm_provider und llm_model im Abschnitt [SYNONYMS] der Datei config.ini steuern. Standardmässig wird ein lokaler Ollama‑Server (llm_provider = ollama) mit dem Modell gpt-oss-20b angesprochen. Die Adresse kann über die Umgebungsvariable OLLAMA_URL angepasst werden. Für den Betrieb mit Google Gemini kann llm_provider = gemini gesetzt werden.

Bei Verwendung eines externen LLMs muss in der .env‑Datei ein SYNONYM_LLM_API_KEY hinterlegt sein und optional SYNONYM_LLM_MODEL gesetzt werden. Für Gemini ist zusätzlich das Paket google-generativeai erforderlich. Ist kein LLM verfügbar, werden keine zusätzlichen Synonyme erzeugt:

python -m synonyms

Das Fenster zeigt Anzahl und Fortschritt der Anfragen, berechnet die voraussichtliche Endzeit und erlaubt das Festlegen des Startindex sowie des Ausgabepfades.

Die Datei data/synonyms.json kann anschliessend manuell geprüft und ergänzt werden. Beim Start des Servers wird sie automatisch eingelesen. Erfasst der Nutzer einen Begriff aus dieser Liste, wird nun automatisch der zugehörige Grundbegriff samt Varianten berücksichtigt.

Aktivierung in der Konfiguration

In config.ini kann das Feature unter dem Abschnitt [Synonyms] aktiviert werden:

[Synonyms]
enabled = 1
catalog_filename = synonyms.json

Steht enabled auf 0, bleibt der Synonymkatalog deaktiviert und es werden lediglich die ursprünglichen Schlüsselwörter der Eingabe verwendet.

Verwendung im System

Der Synonymkatalog wirkt sich an zwei Stellen aus:

  1. Embeddings: generate_embeddings.py lädt data/synonyms.json und fügt alle Varianten zu den Katalogtexten hinzu, bevor der Vektor berechnet wird. So landen auch umgangssprachliche Begriffe in der semantischen Suche.
  2. LLM 1 / Stichwortsuche: Beim Analysieren der Nutzereingabe erweitert server.py die Anfrage über expand_query um Synonyme. Direkte Treffer liefern sofort die hinterlegte LKN, während die Embedding‑Suche den unveränderten Ausgangstext verwendet.

Format data/synonyms.json

Der Katalog enthält nun zusätzlich die zugehörige Tarifposition (LKN) und unterscheidet Synonyme nach Sprache. Jede Position wird über den Grundbegriff referenziert und speichert ihre Varianten je Sprache unter synonyms. Ein Beispiel:

{
  "Foo": {
    "lkns": ["AA.00.0010", "AA.00.0011"],
    "lkn": "AA.00.0010",
      "de": ["bar"],
      "fr": ["baz"]
    }
  }
}

Dieses Format wird vom GUI-Werkzeug erzeugt und von synonyms.storage eingelesen. Vorherige Dateien ohne lkn- oder lkns-Feld oder ohne Sprachaufteilung werden weiterhin unterstützt.

Hinweis zu den Tokenanforderungen: Ohne RAG müssen mehr als 600 000 Tokens an das LLM geschickt werden. Mit RAG reichen etwa 10 000 Tokens für eine typische Anfrage.

LLM-Vergleich

Mit llm_vergleich.py können verschiedene LLM-Provider und Modelle automatisiert gegeneinander getestet werden. In llm_vergleich_results.json lässt sich für jede Stufe optional ein eigener Provider samt Modell (Stage1Provider/Stage1Model und Stage2Provider/Stage2Model) definieren; fehlen diese Felder, gelten Provider und Model für beide Stufen. Das Skript führt alle Beispiele aus data/baseline_results.json aus und speichert für jedes Modell Korrektheitsrate, Laufzeit sowie den verbrauchten Tokenumfang.

Unittests mit pytest

Die Python-Tests liegen im Verzeichnis tests/. Empfohlene Ausführung:

  • Windows (PowerShell)

    • py -3 -m venv venv
    • .\venv\Scripts\Activate.ps1
    • python -m pip install -r requirements.txt
    • python -m pytest -q

  • macOS/Linux

    • python3 -m venv venv
    • source venv/bin/activate
    • python -m pip install -r requirements.txt
    • python -m pytest -q

Beispiele

  • Einzelne Datei: python -m pytest tests/test_server.py -q
  • Qualitätskontrolle Pauschalen: python -m pytest tests/test_pauschalen_quality_control.py -q
  • Einzelner Test: python -m pytest tests/test_server.py::test_version_endpoint -q
  • Filter: python -m pytest -k "synonyms and not connectivity" -q

Hinweis: Einige Konnektivitätstests erfordern API‑Keys (z. B. GEMINI_API_KEY, OPENAI_API_KEY, APERTUS_API_KEY). Ohne Keys können diese mit -k "not llm_connectivity" übersprungen werden.

Urheber

Arnet Konsilium Beat Arnet Dr. med., MHA, SW-Ing. HTL/NDS Wydackerstrasse 41 CH-3052 Zollikofen https://what3words.com/apfelkern.gelehrig.konzentration beat.arnet@arkons.ch P: +41 31 911 32 36 M: +41 79 321 89 36 www.arkons.ch

About

Unterstützung beim Rechnungstellen und Prüfen

Resources

Readme
Activity

Stars

1 star

Watchers

1 watching

Forks

0 forks
Report repository

Releases

Packages

Contributors

Languages