Heilmittelabrechnung ohne Rücksendung

Das echte Ausmaß des Problems

Die Heilmittel-Richtlinie des Gemeinsamen Bundesausschusses (G-BA) ist das Regelwerk, das bestimmt, wann und wie Physiotherapie zulasten der GKV erbracht und abgerechnet werden darf. Die HeilM-RL ist komplex — und sie wird regelmäßig geändert.

Zuletzt wurde sie zum 1. Januar 2025 überarbeitet (Fassung vom 29. Oktober 2024, g-ba.de). Die Änderungen betreffen unter anderem die Blankoverordnung in der Physiotherapie für 114 Schulter-Diagnosen sowie Anpassungen der Diagnosegruppen. Jede Änderung bedeutet: Abrechnungsregeln, die gestern galten, können heute anders gelten.

Die häufigsten Ablehnungsgründe, die zu Rücksendungen führen:

• ICD-10-Code passt nicht zur Diagnosegruppe: Eine Verordnung für Krankengymnastik (KG) mit dem ICD-10-Code M54.9 (Rückenschmerzen, nicht näher bezeichnet) kann abgelehnt werden, wenn die Kasse eine spezifischere Diagnose fordert oder der Code außerhalb der zulässigen Diagnosegruppe liegt
• Abgelaufene Verordnungsfrist: Für dringlich markierte Verordnungen muss die Behandlung innerhalb von 14 Kalendertagen begonnen werden; bei Standardverordnungen sind es 28 Tage (§ 15 HeilM-RL). Wird diese Frist nicht eingehalten, verliert die Verordnung ihre Gültigkeit
• Falscher Verordnungstyp: Verwechslung von Krankengymnastik (KG) und Krankengymnastik in Gruppen (KGG) oder Krankengymnastik auf neurophysiologischer Grundlage (KGN) — unterschiedliche Abrechnungsregeln, unterschiedliche Diagnosegruppen-Anforderungen
• Fehlende Langfristgenehmigung: Wer im Regelfall mehr als sechs Verordnungen in zwölf Monaten ausstellt, benötigt eine Langfristgenehmigung der Kasse — ohne diese wird die Abrechnung der Folge-Verordnungen abgelehnt
• Nicht korrekte Frequenzangaben: Die HeilM-RL gibt Frequenzempfehlungen je nach Diagnosegruppe; Abweichungen können zu Rücksendungen führen, wenn sie nicht medizinisch begründet sind

Laut § 125 SGB V regeln Rahmenverträge zwischen Krankenkassen und den Physiotherapieverbänden die Vergütung. Diese Verträge enthalten kassenseitige Auslegungsregeln, die über die reine HeilM-RL hinausgehen — und die nicht immer öffentlich dokumentiert sind.

Typischer Bearbeitungszeitraum nach einer Rücksendung: 6 bis 12 Wochen bis zur Korrektur und erneuten Einreichung. In dieser Zeit liegt das Geld für erbrachte Leistungen beim Kostenträger.

Mit vs. ohne KI — ein ehrlicher Vergleich

Einschätzung auf einen Blick

Zeitersparnis — mittel (3/5) Der Zeitgewinn liegt primär in den eingesparten Wochen für Rücksendungsbearbeitung, nicht in der direkten Beschleunigung der täglichen Arbeit. Wenn eine Verordnung nicht zurückgesendet wird, spart das 30 bis 60 Minuten Nacharbeit — aber dieser Zeitgewinn verteilt sich unsichtbar auf viele einzelne Fälle. Deshalb kein hoher Score: Die Zeitersparnis ist real, aber schwerer spürbar als zum Beispiel beim Diktat-Workflow.

Kosteneinsparung — sehr hoch (5/5) Jede abgelehnte Leistung ist direkter Umsatzverlust: Material- und Personalkosten für die Behandlung sind angefallen, die Vergütung kommt nicht oder erheblich verzögert. Eine Physiotherapie-Einheit bringt im GKV-Bereich typischerweise 15 bis 30 Euro. Bei drei bis fünf Rücksendungen pro Monat summiert sich das. Kein anderer Physiotherapie-Use-Case hat so direkten Einfluss auf die Liquidität.

Schnelle Umsetzung — mittel (3/5) Der Einstieg mit einem Prompt ist sofort möglich — aber der Prompt braucht echtes HeilM-RL-Regelwissen, damit er zuverlässig prüft. Ein generischer “Prüfe diese Verordnung”-Prompt ist zu unspezifisch. Entweder du bringst das Regelwissen selbst mit (erfahrene Praxis) oder du nimmst dir Zeit, den Prompt sorgfältig aufzubauen. Deshalb kein 4 oder 5 auf dieser Achse — mehr Vorarbeit als beim reinen Textdiktat.

ROI-Sicherheit — sehr hoch (5/5) Das ist der stärkste Aspekt dieses Use Case: Der ROI ist direkt messbar. Du zählst Rücksendungen vor und nach der KI-Prüfung. Die Verbesserung ist eindeutig einer Maßnahme zuzuordnen. Keine Interpretation, kein Schätzen — entweder kommt die Verordnung zurück oder nicht. Diese Messbarkeit ist selten.

Skalierbarkeit — mittel (3/5) Der Prüfaufwand wächst proportional mit dem Verordnungsvolumen. Bei integrierten Abrechnungstools (wie optica oder epikur) läuft der Check automatisch. Beim manuellen Prompt-Workflow ist jede Verordnung ein eigener Schritt — das skaliert nicht linear mit dem Wachstum. Deshalb kein höherer Score.

Richtwerte — abhängig von aktuellem Fehlerniveau, Kassentyp und Verordnungsvolumen deiner Praxis.

Was die KI konkret prüft

Generative KI kann eine Heilmittelverordnung auf regelbasierte Fehler prüfen — genau wie bei der BEMA-Prüfung in der Zahnarztpraxis. Das Prinzip: Du gibst die Verordnungsfelder ein, der Prompt trägt das Regelwissen, die KI vergleicht und markiert Abweichungen.

Was prüfbar ist:

1. ICD-10-Code gegen Diagnosegruppe: Die HeilM-RL definiert, welche Diagnosegruppen welche Heilmittel indizieren. KI kann prüfen, ob der ICD-10-Code auf der Verordnung zur abgerechneten Diagnosegruppe passt — zum Beispiel ob ein neurophysiologisches Verfahren (KGN) bei einer orthopädischen Diagnose zulässig ist

2. Verordnungsdatum gegen Behandlungsbeginn: Liegt zwischen Ausstellungsdatum und erstem Behandlungstermin mehr als 28 Tage (oder 14 Tage bei dringlich)?

3. Verordnungstyp: Ist KG, KGG oder KGN die korrekte Leistungsform für die angegebene Diagnose?

4. Langfristgenehmigung: Ist die Verordnung in einer Reihe, die eine Langfristgenehmigung erfordert (mehr als 6 Verordnungen in 12 Monaten im Regelfall)?

5. Frequenzangaben: Sind die angegebenen Behandlungsfrequenzen plausibel im Rahmen der HeilM-RL-Empfehlungen?

Was nicht prüfbar ist:

KI kennt keine kassenindividuelle Auslegungspraxis. Manche Kassen interpretieren die HeilM-RL enger als andere — zum Beispiel bei bestimmten ICD-10-Codes oder Diagnosegruppen-Grenzen. Diese kassenseitigen Sonderregeln sind nicht öffentlich dokumentiert und nicht durch KI abbildbar. Der KI-Check ersetzt keine Rücksprache mit dem Kassenvertrag-Beauftragten deines Verbands bei strittigen Einzelfällen.

Konkrete Werkzeuge — was wann passt

optica — wenn du eine vollintegrierte Abrechnungslösung willst optica ist auf Heilmittelerbringer spezialisiert und prüft Verordnungen im Rahmen der Abrechnungsvorbereitung auf Vollständigkeit und Fristkonformität. Die regelbasierte Prüfung ist direkt in den Abrechnungsworkflow integriert — du bekommst Warnungen, bevor du einreichst. Empfehlenswert für Praxen mit hohem GKV-Volumen, die Abrechnung und Prüfung in einem System wollen.

epikur — wenn du Terminplanung, Dokumentation und Abrechnung in einem System brauchst epikur bietet ebenfalls integrierte Verordnungsprüfung für GKV-Heilmittelabrechnung. Stärker in der Praxisverwaltung als reine Abrechnungstools — sinnvoll für wachsende Praxen, die alle Prozesse in einer Software abbilden wollen. Preise auf Anfrage, modularer Aufbau.

theorg — wenn einfache Bedienung wichtiger ist als Funktionstiefe theorg ist die schlankste der drei Abrechnungslösungen — gut für kleinere Praxen, die ohne lange Einarbeitungszeit eine funktionierende GKV-Abrechnung wollen. Weniger Funktionstiefe als optica, aber niedrigere Einstiegshürde.

ChatGPT oder Claude mit dem Prompt unten — kostenloser Soforteinstieg Kein Vertrag, kein Setup. Du tippst die Verordnungsfelder in den Prompt, die KI prüft auf die häufigsten Fehlertypen. Einschränkung: Kein automatischer Datenzugriff auf deine Praxissoftware, kein Lernen über Zeit — jede Verordnung ist ein manueller Schritt. Für eine erste Fehleranalyse und für Praxen mit überschaubarem GKV-Volumen ein sinnvoller Einstieg.

Zusammenfassung: Wann welcher Ansatz

• Mehr als 100 GKV-Verordnungen pro Monat, Integration in bestehende Abläufe → optica oder epikur
• Einfacher Einstieg, kleinere Praxis, erste Fehleranalyse → theorg
• Soforteinstieg, kostenlos, manueller Workflow → ChatGPT oder Claude mit dem Prompt unten

Datenschutz und Datenhaltung

Heilmittelverordnungen enthalten Patientennamen, Diagnosen und behandelnde Ärzte — allesamt Gesundheitsdaten nach Art. 9 DSGVO. Das bedeutet: Erhöhte Schutzanforderungen und Pflicht zum Auftragsverarbeitungsvertrag (AVV) mit jedem Dienstleister, dem diese Daten zugänglich sind.

Abrechnungssoftware (optica, epikur, theorg): Alle drei Anbieter sind auf den deutschen Gesundheitsmarkt spezialisiert, betreiben Rechenzentren in Deutschland und haben AVV-Verträge als Standardbestandteil. Für den produktiven Einsatz mit echten Patientendaten geeignet — ohne zusätzliche Datenschutzprüfung (Anbieterverträge im Einzelfall prüfen).

ChatGPT und Claude (Standard-Tarife): Standard-Tarife sind nicht für personenbezogene Patientendaten geeignet — keine EU-Datenhaltung, keine standardmäßige AVV-Vereinbarung.

Lösung für den Prompt-Workflow: Anonymisiere vor der Eingabe. Für die Verordnungsprüfung braucht die KI nur: Diagnosegruppe, ICD-10-Code, Ausstellungsdatum, Behandlungsstart, Leistungsform, Anzahl der Verordnungen im Behandlungszeitraum. Kein Patientenname, kein Geburtsdatum, keine Krankenversichertennummer. Wenn du diese Felder anonymisierst, kann die KI vollständig prüfen — ohne Datenschutzrisiko.

Was du vor dem Produktivbetrieb klären musst:

1. AVV mit dem gewählten Softwareanbieter abschließen (Pflicht nach Art. 28 DSGVO)
2. Bei Nutzung von ChatGPT oder Claude: Anonymisierungsregel für das Team festlegen
3. Für striktere Anforderungen: Enterprise-Tarife von Claude (Anthropic EU) prüfen

Was es kostet — realistisch gerechnet

Szenario: Physiotherapiepraxis, 4 Therapeuten, ca. 120 GKV-Verordnungen pro Monat

Laufende Kosten monatlich:

• optica oder epikur: Preise auf Anfrage; erfahrungsgemäß 100–300 €/Monat je nach Praxisgröße und Modulumfang
• theorg: günstiger, Preise auf Anfrage
• ChatGPT / Claude für anonymisierte Prüfung: 0 € bis 20 €/Monat (kostenloser Tarif oft ausreichend)

Was du dagegenrechnen kannst:

Bei 120 Verordnungen und einer heutigen Rücksendequote von 5 Prozent (erfahrungsgemäß realistisch): 6 Rücksendungen pro Monat. Jede Rücksendung kostet ca. 30 Minuten Nacharbeit = 3 Stunden Therapeutenzeit (Stundensatz 30–50 €): 90–150 € indirekter Aufwand pro Monat, plus 6 bis 12 Wochen Liquiditätsverzögerung pro Fall.

Wenn KI die Rücksendequote auf 2 Prozent reduziert (4 vermiedene Rücksendungen): 120–200 € Aufwandseinsparung monatlich. Ein Software-Abo im mittleren Preissegment rechnet sich bereits bei drei vermiedenen Rücksendungen im Monat.

Konservatives Szenario: Nur 1 vermiedene Rücksendung pro Monat, 30 Minuten Zeitersparnis, 1 Behandlungseinheit (25 €) schneller abgerechnet: 55 € monatlicher Effekt. Deckung eines günstigen Software-Tarifs — knapp. Deshalb: Messe zuerst deine aktuelle Rücksendequote, bevor du investierst. Der Prompt-Workflow kostet nichts und gibt dir diese Zahl.

Wie du den ROI misst: Zähle drei Monate lang deine Rücksendungen und notiere den Grund. Nach Einführung der KI-Prüfung: dieselbe Zählung. Die Differenz ist dein ROI — direkt, ohne Interpretationsspielraum.

Drei typische Einstiegsfehler

1. Den Prompt zu allgemein halten. “Prüfe diese Verordnung auf Fehler” ist kein wirksamer Prüf-Prompt. Die KI braucht spezifisches Regelwissen: Welche Fristen gelten wann? Welche ICD-10-Codes passen zu welchen Diagnosegruppen? Welche Langfristgenehmigungsregeln? Ein guter Prüf-Prompt enthält die relevanten HeilM-RL-Regeln als explizite Prüfliste — nicht als Zusammenfassung, sondern als konkrete Wenn-Dann-Bedingungen. Der Prompt unten in diesem Artikel zeigt, wie das aussieht.

2. Keine Anonymisierung vor der Eingabe in Standard-KI-Dienste. Wer Patientennamen und Versichertennummern in ChatGPT eingibt, verletzt DSGVO und Berufsgeheimnis. Das ist vermeidbar: Die KI braucht keine personenbezogenen Daten zum Prüfen — nur die Verordnungsfelder ohne Patientenidentität. Lege vor dem ersten Einsatz eine klare Praxisregel fest.

3. Die KI-Prüfung nicht mit Kassenvertrag-Wissen kombinieren. Dies ist der schleichende Fehler: Die KI prüft korrekt nach HeilM-RL — aber der kassenspezifische Rahmenvertrag deines Verbands enthält Auslegungsregeln, die darüber hinausgehen. Manche Kassen lehnen bestimmte ICD-10-Codes ab, die formal zulässig wären. Diese Regeln ändern sich und sind nicht öffentlich dokumentiert. Wer nur auf den KI-Check vertraut und nie mit dem Kassenvertrag-Beauftragten des eigenen Therapeutenverbands spricht, hat eine blinde Stelle in der Prüfung. Die KI reduziert Fehler erheblich — sie ersetzt das Vertragswissen nicht vollständig.

Was mit der Einführung wirklich passiert — und was nicht

Die größte Hürde ist nicht die Technik, sondern der Workflow-Umbau.

Damit ein KI-Prüfcheck wirkt, muss er vor der Einreichung stattfinden — nicht danach. Das klingt offensichtlich. In der Praxis sieht es so aus: Die Abrechnung wird gesammelt und monatlich eingereicht. Der KI-Check muss in diesen Einreichungsworkflow integriert werden. Wenn das nicht passiert, bleibt das Tool ungenutzt.

Drei typische Adoptionshürden:

“Wir haben keine Zeit für einen zusätzlichen Schritt.” Der KI-Check dauert bei einem Prompt-Workflow 5 bis 10 Minuten für einen Verordnungsstapel. Das ist kein großer Aufwand — aber er muss explizit in den Monatszyklus eingeplant sein. Empfehlung: Die Person, die die Abrechnung vorbereitet, ist für den Check verantwortlich. Eine Checkliste im Abrechnungsordner reicht als Erinnerung.

“Das haben wir immer so gemacht.” Wenn die aktuelle Fehlerquote unbekannt ist (weil Rücksendungen nicht systematisch dokumentiert werden), fehlt die Dringlichkeit. Der erste Schritt ist nicht das KI-Tool — es ist die Messung. Zähle drei Monate lang, wie viele Verordnungen zurückgesendet werden und warum.

Integrations-Tool kaufen, aber nicht konfigurieren. Wer optica oder epikur kauft, aber die Verordnungsprüffunktion nicht aktiviert oder falsch konfiguriert, zahlt für etwas, das nicht läuft. Prüfe bei der Einrichtung explizit: Welche Prüfregeln sind aktiviert? Welche kassenspezifischen Anpassungen sind möglich?

Realistischer Zeitplan mit Risikohinweisen

Häufige Einwände — und was dahintersteckt

„Unsere Abrechnung läuft gut, wir hatten kaum Rücksendungen.” Vielleicht stimmt das. Aber: Weißt du, wie viele Verordnungen du wegen schlechter Fristlage gar nicht erst eingereicht hast? Und: Haben sich seit der letzten größeren HeilM-RL-Anpassung (Januar 2025) deine Regeln geändert? Eine 30-Minuten-Fehleranalyse mit dem Prompt unten zeigt dir, ob du wirklich auf dem aktuellen Stand bist.

„KI kann die HeilM-RL nicht richtig kennen.” Das stimmt — allgemeine Modelle wie ChatGPT kennen die aktuelle HeilM-RL nur bis zu ihrem Trainings-Cutoff. Deshalb ist der Prompt so gebaut, dass er die relevanten Regeln explizit enthält, anstatt zu erwarten, dass die KI sie “aus dem Gedächtnis” kennt. Das Regelwissen kommt von dir (aus der aktuellen HeilM-RL) — die KI wendet es an. Diese Aufteilung ist robuster als ein “KI weiß das schon”-Ansatz.

„Das klingt nach mehr Aufwand, nicht weniger.” Beim Einstieg: ja, kurz. Einmal einen soliden Prompt aufbauen, einmal den Workflow in den Monatszyklus integrieren. Danach: weniger Aufwand — weil die Rücksendungsbearbeitung wegfällt. Der Break-even liegt bei einer einzigen vermiedenen Rücksendung. Bei 30 Minuten Nacharbeit und einer Stunde Wartezeit je Fall ist das schnell erreicht.

Woran du merkst, dass das zu dir passt

• Du hast in den letzten sechs Monaten mindestens zwei Rücksendungen von Kassen erhalten — egal aus welchem Grund: Das ist das Signal, dass ein systematischer Prüfschritt fehlt
• Deine Abrechnung wird von einer Person vorbereitet, die nicht täglich mit HeilM-RL arbeitet — Empfangskraft, Büroassistenz oder Teilzeitkraft: Die Fehlerquote steigt, wenn das Regelwissen nicht täglich aktiviert wird
• Du rechnest mit mehr als drei verschiedenen Kassen ab — je mehr Kassenverträge, desto mehr kassenindividuelle Auslegungsregeln, desto höher das Risiko, eine davon nicht zu kennen
• Die HeilM-RL hat sich seit eurer letzten Schulung geändert — seit Januar 2025 gilt eine neue Fassung; wer nicht nachgeschult hat, hat blinde Stellen

Wann es sich (noch) nicht lohnt — drei harte Ausschlusskriterien:

1. Unter 20 GKV-Verordnungen pro Monat und noch nie eine Rücksendung. Der Einführungsaufwand übersteigt den erwartbaren Nutzen. Der kostenlose Prompt-Check bleibt trotzdem sinnvoll als einmalige Fehleranalyse — aber kein Grund, Software anzuschaffen.

2. Praxis arbeitet überwiegend Privat oder Selbstzahler. Dieser Use Case ist auf GKV-Heilmittelabrechnung nach HeilM-RL zugeschnitten. Privatpatienten-Abrechnung folgt anderen Regeln — ein anderes Thema.

3. Wenn deine Abrechnungsfehlerquote unter 2 Prozent liegt, ist der Einführungsaufwand kaum gerechtfertigt. Wenn du deine aktuelle Fehlerquote kennst (aus einer Messung, nicht aus dem Bauchgefühl) und sie unter zwei Prozent liegt, bringt der KI-Check marginalen Mehrwert gegenüber dem Status quo. Messe zuerst — dann entscheide.

Das kannst du heute noch tun

Öffne ChatGPT oder Claude. Suche aus dem letzten Monat drei bis fünf GKV-Verordnungen heraus. Anonymisiere die Daten: kein Patientenname, kein Geburtsdatum, keine Versichertennummer — nur Verordnungsfelder. Dann verwende den folgenden Prompt:

Quellen & Methodik

• HeilM-RL Fassung Oktober 2024: Richtlinie des Gemeinsamen Bundesausschusses über die Verordnung von Heilmitteln in der vertragsärztlichen Versorgung (Heilmittel-Richtlinie/HeilM-RL), beschlossen am 29. Oktober 2024, in Kraft ab 1. Januar 2025; g-ba.de/richtlinien/12/
• § 15 HeilM-RL (Fristen): Richtlinie des Gemeinsamen Bundesausschusses, §15 Beginn der Heilmittelbehandlung und Gültigkeit der Verordnung; g-ba.de/downloads/62-492-3676/HeilM-RL_2024-10-29_iK-2025-01-01.pdf
• § 125 SGB V (Rahmenverträge): Sozialgesetzbuch Fünftes Buch, aktuell gültige Fassung; Rahmenverträge zwischen Krankenkassen und Leistungserbringern.
• Abrechnungsfristen und Rücksendequoten: Erfahrungswerte aus Fachliteratur für Heilmittelerbringer und Praxisberichten; keine repräsentative Statistik verfügbar — praxisindividuelle Messung empfohlen.
• Art. 9 DSGVO (Gesundheitsdaten): Datenschutz-Grundverordnung, aktuelle Fassung; besondere Kategorien personenbezogener Daten.
• AOK Gesundheitspartner zur HeilM-RL-Gültigkeit (2024): aok.de/gp/heilmittel-richtlinie-vertragszahnaerzte/beginn-und-gueltigkeit-der-verordnung-neu-geregelt

Du willst wissen, wie viele deiner aktuellen Verordnungen tatsächlich fehlerhaft sind — bevor du in Software investierst? Führe den Prompt-Check mit fünf anonymisierten Fällen durch und teile das Ergebnis mit uns. Wir helfen dir einzuschätzen, ob sich ein Abrechnungstool lohnt.