Eine Einführung
in nuMetrix

Diagnostische Analytik für den Materialfluss im Spital

Februar 2026

Der Materialfluss im Spital leckt

Empfangen
→
Bewegt
→
Verbraucht
→
Verrechnet
  • Diese Kette leckt. Branchenschätzungen: 2–5% der Materialausgaben gehen durch Prozesslücken verloren.
  • Die Daten existieren — aber eingesperrt in herstellerspezifischen ERP-Silos, die nicht miteinander sprechen.
  • Niemand gleicht ab, bis zur Jahresrevision. Dann ist die Spur kalt.

Was nuMetrix ist (und was nicht)

Was es ist
Eine strukturierte Untersuchungspipeline. Nimmt ERP-Exporte auf, validiert jede Zeile, führt automatisierte Diagnostik durch und liefert prüfbare Befunde mit Ursachenanalyse.

Jede Zahl ist nachvollziehbar. Jeder Befund hat eine Quellzeile.
Was es nicht ist
Kein Dashboard. Kein BI. Kein ERP-Plugin. Nicht «KI-getrieben» im Marketing-Sinne.

Es ist ein Ingenieursystem mit KI als Beschleuniger — keine Blackbox.

Die zwei Säulen

Stabiles Gerüst
dbt + DuckDB Pipeline. Versionierte Verträge. YAML-kompilierte Probes. Multi-Tenant-Isolation.

Das Fundament, das Ergebnisse reproduzierbar und prüfbar macht.
KI als Fachexperte
KI betreibt nuMetrix nicht — sie hat es informiert. ERP-Datenformate, medizinisches Wissen, regulatorischer Kontext, Betriebslogik.

Fachwissen zur Bauzeit injiziert, nicht zur Laufzeit.
Das Framework nutzt moderne Technologie, verlässt sich aber nicht auf KI ohne stabiles Gerüst.

Das Datenfundament

Alles aufnehmen. Nichts beurteilen. Dann alles validieren.

Bronze / Silver / Gold

CSV-Dateien
→
Bronze
Aufnahme
→
Silver
Validierung
→
Gold
Vertrag
  • Bronze — Jede Zeile aus jeder CSV, genau wie sie ankommt. Keine Transformation.
  • Silver — Jede Zeile validiert und markiert. Ungültige Zeilen werden nie still entfernt.
  • Gold — Nur gültige Zeilen. Versioniertes Schema. Die API-Oberfläche für alle nachgelagerten Analysen.

Quellsystem-agnostisch

OPALE
Schweizer Spital-ERP
case_token
SAP MM
Deutscher Standard
AUFNR
Navision
Microsoft Dynamics
No_
SAP nennt einen Patientenfall AUFNR. Navision nennt ihn No_. OPALE nennt ihn case_token.
Alle werden zu case_id. Einmal übersetzen, an der Grenze. Ab Silver weiss kein Modell mehr, welches ERP die Daten lieferte.

Sieben Kernentitäten

Fall
Patientenepisode
Eingriff
Klinische Intervention
Material
Artikelstammdaten
Kostenstelle
Organisationseinheit
Verbrauch
Materialeinsatz
Bewegung
Lagertransfer
Verrechnungsereignis
Erlösposition

Das kanonische Schema. Quellsystem-agnostisch. Pseudonymisiert. Jeder Probe arbeitet auf diesen Entitäten.

Multi-Tenant-Isolation

hospital_alpha
hospital_beta
hospital_zeta
↓
↓
↓
Platform Layer
UNION ALL über alle Mandanten
  • Jedes Spital ist ein isoliertes DuckDB-Schema. Unabhängig zurücksetzbar.
  • Die Platform-Schicht vereint alle Mandanten für spitalübergreifende Analytik.
  • Gleiche Probes, gleiche Fragen — andere Daten, andere Antworten.

Kein stilles Filtern

Traditioneller Ansatz
Ungültige Zeilen im ETL entfernen. «98% Datenqualität» im Bericht.

Niemand fragt nach den 2%.
nuMetrix-Ansatz
Jede Zeile markieren: is_valid + invalid_reason.
Ungültige Zeilen bleiben sichtbar.

Datenqualität wird ein Befund, keine Fussnote.
In einem Spital: 17'250 Nullpreis-Materialien kaskadieren zu 211K ungültigen Verrechnungs- + Verbrauchszeilen. CHF 1.24M unsichtbar für jedes System, das still filtert.

Gold = Der Produktvertrag

gold_contract.v1.json
→
Probes
→
Explorer
→
Berichte
  • Gold hat einen versionierten JSON-Schema-Vertrag. Jeder nachgelagerte Konsument programmiert dagegen.
  • Probes, Explorer, Dashboards — alle referenzieren Gold, nie interne Schichten.
  • Schichtverantwortung darf nicht lecken. Bronze = Struktur. Silver = Fachwahrheit. Gold = Konsum.

Die Analytikpyramide

Von Symptomen zu Ursachen

Fünf Schichten

Massnahmenlisten
«Was tun wir dagegen?»
Diagnosen
«Warum passiert das?»
Hypothesen
«Ist dieses Geschäftsrisiko real?»
Assessments
«Wie gesund ist diese Entität?»
Probes
«Was ist anomal?»

Jede Schicht fügt Bedeutung hinzu. Jede Schicht ist zurückverfolgbar bis zu den Daten.

Probes

Automatisierte Diagnosetests. Wie Laboranalysen für die Daten eines Spitals.

12
Probe-Typen
24
aktive Probes
3
Kategorien
finanziell · Datenqualität · Compliance
Jeder Probe liefert: finding_id, severity, entity_type, entity_id, money_at_risk, evidence.
Jeder Probe ist YAML-definiert, versionskontrolliert und prüfbar.

Assessments

Befunde aus mehreren Probes zu einem Gesundheitswert pro Entität aggregieren.

Material Gesamt
Alle Material-Probes
Material Gesundheit
I/O, Trend, Preise, Haltbarkeit, Marge
Material Compliance
Regulatorik & Rückverfolgbarkeit
Verrechnungsqualität
Duplikate, Waisen, Integrität
Fall-Finanzintegrität
Erlösverlust, KST-Abweichung

Ein Material, das von 3 Probes mit CHF 100K Risiko markiert wird ≠ eines mit 1 Probe und CHF 10K. Assessments erfassen das.

Hypothesen

Geschäftsfragen in natürlicher Sprache, ausgewertet gegen Probe-Evidenz.

  • REVO Materialien verbraucht, aber nicht verrechnet?
  • DUPL Gleiches Ereignis doppelt verrechnet?
  • PHAN Verrechnung für nicht existierende Fälle?
  • STAL Artikelkatalog veraltet?
  • COMA Kosten am falschen Ort?
  • COGA Kontrollierte Substanzen rückverfolgbar?
  • XILE Materialien zwischen Standorten unverfolgt?
  • GENO Überzahlung für Generika?
  • IOIM Mehr rein als raus?
4
Verdicts
bestätigt · plausibel · nicht beobachtet · unzureichend
Gleiche Hypothesen über alle Spitäler. Gleiche Frage, andere Daten, andere Verdicts.

Diagnosen

Warum ist eine bestätigte Hypothese wahr? Strukturierte Ursachenanalyse.

KategorieBeschreibung
process_failureUnterbrochener oder unvollständiger Geschäftsprozess
system_failureIT-Systemfehler oder Integrationslücke
data_qualityVeraltete, fehlende oder inkonsistente Stammdaten
behavioralMenschliche Verhaltensmuster (Workarounds, übersprungene Schritte)
structuralOrganisatorische oder vertragliche Fehlausrichtung
externalExterne Faktoren (Lieferant, Regulierung)

8 Diagnosen definiert. Jede liefert: Ursache + Konfidenz + Erklärung + Empfehlung in DE / FR / EN.

Massnahmenlisten

Die Schicht, die den Kreis schliesst. Aktuell geplant, noch nicht umgesetzt.

Erkennen
→
Bewerten
→
Hypothese
→
Diagnose
→
Handeln
→
Verifizieren
Massnahmentypen: Untersuchen, Korrigieren, Überwachen, Akzeptieren, Unterdrücken.
Lösungsverfolgung: Befund-Disposition über die Zeit.

Heute diagnostiziert nuMetrix. Menschen entscheiden und handeln. Morgen schliesst sich der Kreis.

Ein Beispiel durchgehen

Erlösverlust — ein Befund, fünf Schichten

  1. 1 Probe — probe_revenue_leakage findet 54'830 Verbrauchsereignisse ohne passende Verrechnung.
  2. 2 Assessment — assessment_case_financial_integrity bewertet 6'661 Fälle als mittleres Risiko.
  3. 3 Hypothese — REVO «Materialien verbraucht, aber nicht verrechnet?» → Bestätigt (Score 0.67).
  4. 4 Diagnose — diag_billing_workflow_gap → process_failure, Lücken in der Verrechnungsschnittstelle.
  5. 5 Massnahme — «Verrechnungsschnittstellen-Logs für betroffene Kostenstellen prüfen.»

Vom Symptom zur Empfehlung. Jeder Schritt nachvollziehbar.

Dreisprachig ab Start

Deutsch
Hypothesen, Befunde,
Diagnosen, Empfehlungen
Français
Hypothèses, résultats,
diagnostics, recommandations
English
Hypotheses, findings,
diagnoses, recommendations
  • Jede Befundinterpretation, Hypothesenaussage, Diagnoseerklärung und Empfehlung in DE / FR / EN.
  • Explorer unterstützt Sprachwechsel. PDF-Berichte pro Sprache generiert.
  • Keine Übersetzungsschicht. Dreisprachig von Tag eins.

Die Haltung

Die Ingenieurdisziplin, die Ergebnisse vertrauenswürdig macht

Sieben Prinzipien

  • Kein stilles Filtern — ungültige Zeilen werden markiert, nicht entfernt
  • Qualität ist abfragbar — Datenqualität ist ein Befund, keine Fussnote
  • Jede Zahl ist nachvollziehbar — Befund → Probe → Entität → Quellzeile
  • Befunde, keine Meinungen — Schweregrad und money_at_risk, nicht «gut» oder «schlecht»
  • Schichtverantwortung darf nicht lecken — Bronze / Silver / Gold haben je eine Aufgabe
  • Gold ist der Produktvertrag — alles Nachgelagerte programmiert gegen Gold
  • Privacy by Design — alle IDs sind pseudonymisierte Token

Prüfbare Probes

probes/*.yaml
→
probecompile.py
→
dbt SQL
→
Befunde
  • YAML-definiert, versionskontrolliert, zu SQL kompiliert.
  • Jeder Probe hat: probe_id, version, klare Fragestellung, definierte Schwellenwerte.
  • 12 Probe-Typen: balance, duplicate, mandatory_item, ratio, trend, temporal_sequence, distribution_outlier, silver_audit, entity_filter, hand_written, enrichment, reconciliation.
Ein Revisor kann die Probe-Definition lesen, verstehen was geprüft wird, das SQL verifizieren und jeden Befund bis zur Quellzeile zurückverfolgen.

Kalibriert, nicht nur getestet

Synthetische Mandanten
4 Mandanten mit kalibrierten Fehlerraten.
Bekannte Seeds, bekannte Injektionsraten.
Deterministisch — gleicher Seed = gleiche Daten.

Precision / Recall-Messung gegen bekannte Defekte.
Reale Daten
1 Mandant — Schweizer Regionalspital.
68K Episoden, 2.4M Verrechnungsereignisse, CHF 33M.

Probe-Validierung gegen Produktionsdaten.
Synthetische Mandanten beweisen, dass die Probes Defekte finden können. Reale Daten beweisen, dass sie es tun.

Der Explorer

Kein Dashboard. Ein Untersuchungswerkzeug.

  • Datengetriebene Dimensionen — erkennt Entitäten automatisch aus dem Schema, kein Hardcoding
  • Probe-Befundkatalog — alle Befunde durchsuchen mit dreisprachiger Interpretation
  • Entität-Detailseiten — jeden Fall, jedes Material, jede Kostenstelle mit verwandten Fakten aufschlüsseln
  • Taxonomie-Browser — Kostenstellen-Hierarchien, ATC-Arzneimittelcodes, MiGEL-Codes
  • Überall navigierbar — Hypothese → Evidenzkette → Probes → Befunde → Entitäten
SvelteKit-App. DE / FR / EN Sprachwechsel. Liest DuckDB read-only — keine Lock-Konflikte.

Architektur

Moderne Technologie. Stabiles Gerüst.

Der Stack

dbt + DuckDB
Pipeline & Warehouse
In-Process, kein Server
SvelteKit
Explorer-App
Untersuchungsoberfläche
Dagster
Orchestrierung
Automatischer Rebuild
Evidence.dev
Statisches BI-Dashboard
Spitalübergreifende Sicht
Python
Compiler, Validatoren
Datengenerierung
YAML + JSON
Gesamte Fachlogik
Deklarativ
Keine Cloud-Abhängigkeit. Läuft auf einem Laptop. Lieferbar als statische Seite oder Desktop-App (Tauri).

KI als Fachexperte

Was KI zu nuMetrix beigetragen hat:

  • ERP-Datenformate — OPALE-CSV-Schemata, SAP-MM-Tabellen, Navision-Konventionen
  • Betriebswissen — Bewegungsarten, DRG-Abrechnungsregeln, I/O-Koeffizienten
  • Medizin & Regulierung — Implantat-Rückverfolgbarkeit, Betäubungsmittelgesetz, MiGEL-Codes, KVG-Pflichten
Kein Spital-Beratungsmandat. Keine sechsmonatige Analysephase.
KI lieferte das Fachwissen. Das Framework machte es nutzbar.
KI ist der Multiplikator. Das Framework ist das Fundament.
Ohne Gerüst ist KI Halluzination. Ohne KI dauert das Gerüst Jahre.

Der Weg nach vorn

Was gebaut ist. Was als Nächstes kommt. Wohin das führt.

Was gebaut ist

5
Mandanten
4 synthetisch + 1 real
3
Quellsysteme
24 + 5
Probes + Assessments
9
Hypothesen
8
Diagnosen
29
Platform-Modelle
3
PDF-Berichtstypen
DE / FR / EN
Explorer
SvelteKit-App
DE / FR / EN

Bewährt an echten Spitaldaten: 68K Episoden, 2.4M Verrechnungsereignisse, CHF 33M Materialfluss.

Was als Nächstes kommt

  1. 1 Massnahmenlisten — Den Kreis von Erkennung bis Lösung schliessen. Befund-Dispositionsverfolgung.
  2. 2 Temporale Modellierung — SCD-Typ-2-Snapshots für historische Genauigkeit. Veränderungen über die Zeit verfolgen.
  3. 3 Konfigurierbare Probes — Anwendbar auf spezifische Materialgruppen, Preisbereiche, Kostenstellen.
  4. 4 Forward Compiler — Natürliche Sprache → Probe-YAML. Eine Prüfung in Worten beschreiben, einen Probe erhalten.
  5. 5 Cloud-Deployment — Hybrides Modell: Verarbeitung lokal, Exploration über DuckDB-WASM im Browser. Zero-Server-Analytik.
  6. 6 Automatisierte Aufnahme — SFTP / Upload-Endpunkt. Von manuellen CSV-Drops zu geplanter Pipeline.

Ein System,
das Vertrauen verdient

nuMetrix ersetzt kein menschliches Urteil.
Es liefert die Evidenzbasis dafür.

Jeder Befund ist nachvollziehbar. Jeder Probe ist prüfbar.
Jede Ursache hat eine Empfehlung.

nuMetrix — Februar 2026

nuMetrix