Интегриране на AI в RCM в здравеопазването: Защо хората трябва да останат в течение

AI се превърна в неизменна част от управлението на цикъла на приходите в здравеопазването (RCM), тъй като финансовите лидери се стремят да осигурят известна мярка за облекчение за претоварените отдели с недостатъчен персонал, изправени пред безпрецедентни обеми от искания за одит от трети страни и нарастващ процент на откази.

Според новоиздадените Сравнителен доклад за 2023 г, нарастващите инвестиции в данни, AI и технологични платформи позволиха на отделите за съответствие и интегритет на приходите да намалят размера на своя екип с 33%, като същевременно извършват 10% повече одитни дейности в сравнение с 2022 г. Във време, когато недостигът на персонал в RCM е голям, AI осигурява критично повишаване на производителността.

Здравните организации сега отчитат четири пъти повече искания за одит, отколкото са получавали през предходните години – и писмата с искания за одит са над 100 страници. Това е мястото, където AI блести – най-голямата му способност е да разкрива отклонения и игли в купата сено в милиони точки с данни. AI представлява значително конкурентно предимство за функцията RCM и финансовите лидери в здравеопазването, които отхвърлят AI като реклама, скоро ще открият, че техните организации са изоставени.

Къде AI може да се провали

Истински автономен ИИ в здравеопазването е неосъществима мечта. Въпреки че е вярно, че AI е позволил автоматизирането на много RCM задачи, обещанието за напълно автономни системи остава неизпълнено. Това се дължи отчасти на склонността на доставчиците на софтуер да се фокусират върху технологиите, без първо да отделят време, за да разберат напълно целевите работни потоци и, което е важно, човешките допирни точки в тях – практика, която води до неефективна интеграция на AI и възприемане от крайния потребител.

Хората трябва винаги да са в течение, за да гарантират, че AI може да функционира правилно в сложна RCM среда. Точността и прецизността остават най-трудните предизвикателства с автономния AI и това е мястото, където включването на хора в цикъла ще подобри резултатите. Въпреки че залозите може да не са толкова високи за RCM, колкото са от клиничната страна, последиците от лошо проектираните решения на AI са значителни.

Финансовите въздействия са най-очевидни за здравните организации. Лошо обучени AI инструменти, използвани за извършване на бъдещи одити на искове, може да пропуснат случаи на подкодиране, което означава пропуснати възможности за приходи. Един клиент на MDaudit откри, че неправилно правило в рамките на тяхната така наречена автономна система за кодиране е неправилно кодиране на администрирани лекарствени единици, което води до $25 милиона пропуснати приходи. Грешката никога нямаше да бъде уловена и коригирана, ако не беше човек в цикъла, който разкри недостатъка.

По същия начин изкуственият интелект също може да се провали с свръхкодиране на резултатите с фалшиви положителни резултати – област, в която здравните организации трябва да поддържат съответствие в съответствие с мисията на правителството за борба с измамите, злоупотребите и разхищаването (FWA) в системата на здравеопазването.

Лошо проектираният AI също може да повлияе на отделните доставчици. Помислете за последиците, ако даден инструмент за изкуствен интелект не е правилно обучен на концепцията за „доставчик в риск“ в смисъла на цикъла на приходите. Лекарите могат да се окажат несправедливо обект на допълнителен контрол и обучение, ако бъдат включени в проверки за рискови доставчици с висок процент на отказ. Това губи време, което трябва да се изразходва за прегледи на пациенти, забавя паричния поток чрез забавяне на искове за бъдещи прегледи и може да навреди на репутацията им, като им лепне етикет „проблематичен“.

Поддържане на хората в течение

Предотвратяването на тези типове негативни резултати изисква хората да са в процес. Има три области на ИИ, които винаги ще изискват човешко участие за постигане на оптимални резултати.

1. Изграждане на силна основа от данни.

Изграждането на стабилна основа за данни е от решаващо значение, тъй като основният модел на данни с подходящи метаданни, качество на данните и управление е от ключово значение за позволяването на AI да постигне максимална ефективност. За да се случи това, разработчиците трябва да отделят време, за да навлязат в окопите с ръководителите и персонала за съответствие с таксуването, кодирането и цикъла на приходите, за да разберат напълно техните работни процеси и данни, необходими за изпълнение на техните задължения.

Ефективното откриване на аномалии изисква не само данни за фактуриране, откази и други искове, но и разбиране на сложното взаимодействие между доставчици, кодиращи, фактуриращи, платци и т.н., за да се гарантира, че технологията е в състояние непрекъснато да оценява рисковете в реално време и да доставя до потребителите информацията, необходима за фокусиране на техните действия и дейности по начини, които водят до измерими резултати. Ако организациите пропуснат основата на данни и ускорят внедряването на своите AI модели с помощта на блестящи инструменти, това ще доведе до халюцинации и фалшиви положителни резултати от AI моделите, които ще причинят шум и ще възпрепятстват приемането.

2. Непрекъснато обучение.

Healthcare RCM е непрекъснато развиваща се професия, изискваща непрекъснато обучение, за да се гарантира, че нейните специалисти разбират най-новите разпоредби, тенденции и приоритети. Същото важи и за RCM инструментите с активиран AI. Обучението с подсилване позволява на ИИ да разшири базата си от знания и да увеличи своята точност. Потребителският принос е от решаващо значение за усъвършенстването и актуализациите, за да се гарантира, че AI инструментите отговарят на настоящите и бъдещите нужди.

AI трябва да може да се обучава в реално време, което позволява на крайните потребители незабавно да предоставят информация и обратна връзка за резултатите от търсенето на информация и/или анализа в подкрепа на непрекъснатото обучение. Трябва също така да е възможно потребителите да маркират данните като опасни, когато това е оправдано, за да се предотврати тяхното увеличаване в мащаб. Например приписване на финансова загуба или риск от спазване на изискванията на конкретни субекти или лица, без правилно обяснение защо е подходящо да се направи това.

3. Правилно управление.

Хората трябва да валидират изхода на AI, за да се уверят, че е безопасен. Дори при автономно кодиране, професионалистът по кодиране трябва да гарантира, че изкуственият интелект се е „научил“ правилно как да прилага актуализирани кодови набори или да се справя с новите регулаторни изисквания. Когато хората са изключени от цикъла на управление, една здравна организация се оставя широко отворена за изтичане на приходи, отрицателни резултати от одита, загуба на репутация и много други.

Няма съмнение, че AI може да трансформира здравеопазването, особено RCM. Това обаче изисква здравните организации да увеличат своите технологични инвестиции с обучение на хора и работна сила, за да оптимизират точността, производителността и бизнес стойността.