Integrace AI do zdravotnického RCM: Proč lidé musí zůstat v smyčce

AI se stala součástí zdravotnického řízení cyklu výnosů (RCM) jako finanční lídři hledají způsob, jak poskytnout úlevu přetíženým a nedostatečně obsazeným oddělením, které čelí bezprecedentnímu počtu požadavků na audit třetí strany a rostoucím sazbám zamítnutí.

Podle nově vydané Zprávy o benchmarkingu 2023 rostoucí investice do dat, AI a technologických platforem umožnily oddělením compliance a revenue integrity snížit velikost svých týmů o 33 %, zatímco prováděly o 10 % více auditních aktivit ve srovnání s rokem 2022. V době, kdy je nedostatek personálu v RCM vysoký, AI poskytuje kritický produktivní impuls.

Zdravotnické organizace nyní hlásí čtyřnásobně více požadavků na audit než v předchozích letech – a dopisy s požadavky na audit přesahují 100 stran. Zde AI vyniká – jeho největší schopností je odhalování odchylek a jehel v kupce milionů datových bodů. AI představuje významnou konkurenční výhodu pro funkci RCM a finanční lídři ve zdravotnictví, kteří považují AI za mýtus, brzy zjistí, že jejich organizace budou pozadu.

Kde AI může selhat

Pravděpodobně autonomní AI ve zdravotnictví je pouhým snem. Ačkoli je pravda, že AI umožnila automatizaci mnoha úkolů RCM, slib plně autonomních systémů zůstává nesplněn. To je částečně způsobeno tím, že dodavatelé softwaru se soustředí na technologii bez toho, aby se nejprve dostatečně seznámili s cílovými pracovními postupy a důležitými lidskými kontaktními body v nich – postup, který vede k neúčinné integraci AI a přijetí koncovými uživateli.

Lidé musí být vždy v smyčce, aby zajistili, že AI může fungovat vhodně v komplexním prostředí RCM. Přesnost a přesnost zůstávají největšími výzvami pro autonomní AI a zde zapojení lidí do smyčky zvýší výsledky. Ačkoli jsou sázky možná nižší pro RCM než na klinické straně, důsledky špatně navržených řešení AI jsou přesto významné.

Finanční dopady jsou nejzřetelnější pro zdravotnické organizace. Špatně vyškolené nástroje AI používané pro prospektivní audity nároků mohou přehlédnout případy podkódování, což znamená ztrátu možností výnosů. Jeden zákazník MDaudit zjistil, že chybná pravidla v jejich údajně autonomním systému kódování nesprávně kódovaly jednotky léků, což vedlo ke ztrátě 25 milionů dolarů. Chyba by nebyla nikdy odhalena a opravena, kdyby nebyl člověk v smyčce, který odhalil vadu.

Podobně AI může také selhat u výsledků s nadkódováním s falešnými pozitivy – oblast, ve které zdravotnické organizace musí zůstat v souladu s vládním úkolem boje proti podvodům, zneužívání a plýtvání (FWA) ve zdravotnickém systému.

Špatně navržená AI může také mít dopad na jednotlivé poskytovatele. Zvažte důsledky, pokud nástroj AI není řádně vyškolen na koncept „poskytovatele v ohrožení“ ve smyslu cyklu výnosů. Lékaři by se mohli neoprávněně stát terčem dalšího zkoumání a školení, pokud by byli zahrnuti do prohlídek poskytovatelů s vysokými sazbami zamítnutí. Zbytečně se tím ztrácí čas, který by se měl věnovat pacientům, zpomaluje se tok peněz zpožděním nároků na prospektivní přezkum a mohlo by to poškodit jejich pověst označením „problémovým“.

Působení lidí v smyčce

Zabránění těchto typů negativních výsledků vyžaduje lidi v smyčce. Existují tři oblasti AI, které vždy vyžadují lidskou účast, aby dosáhly optimálních výsledků.

1. Budování silného základu dat.

Budování robustního základu dat je kritické, protože základní datový model s příslušnými metadaty, kvalitou dat a řízením je klíčem k tomu, aby AI dosáhlo vrcholných efektivity. K tomu musí vývojáři strávit čas v terénu s lídry a zaměstnanci compliance, kódování a cyklu výnosů, aby plně pochopili jejich pracovní postupy a data potřebná pro výkon jejich povinností.

Účinná detekce anomálií vyžaduje nejen data o fakturaci, zamítnutích a nárocích, ale také pochopení komplexní interakce mezi poskytovateli, kódéry, fakturanty, plátci atd., aby se zajistilo, že technologie je schopna nepřetržitě posuzovat rizika v reálném čase a dodávat uživatelům informace potřebné k tomu, aby zaměřili své akce a činnosti způsobem, který povede k měřitelným výsledkům. Pokud organizace přeskočí základnu dat a urychlí nasazení svých modelů AI pomocí lesklých nástrojů, bude to mít za následek halucinace a falešné pozitivy z modelů AI, které budou způsobovat hluk a brzdit přijetí.

2. Kontinuální školení.

Zdravotnické RCM je neustále se vyvíjejícím oborem, který vyžaduje neustálé vzdělávání, aby jeho odborníci rozuměli nejnovějším předpisům, trendům a prioritám. Totéž platí pro nástroje RCM založené na AI. Učení s posilováním umožňuje AI rozšířit svou znalostní bázi a zvýšit svou přesnost. Vstup uživatelů je kritický pro rafinaci a aktualizace, aby se zajistilo, že nástroje AI splňují současné a budoucí potřeby.

AI by mělo být možné školení v reálném čase, aby koncoví uživatelé mohli okamžitě poskytnout vstup a zpětnou vazbu na výsledky vyhledávání informací a/nebo analýzy, aby podpořili kontinuální učení. Mělo by být také možné, aby uživatelé označili data jako nebezpečná, pokud je to odůvodněné, aby se zabránilo jejich zesílení v měřítku. Například připsání finančních ztrát nebo rizika compliance konkrétním entitám nebo jednotlivcům bez řádného vysvětlení, proč je to vhodné.

3. Řízení.

Lidé musí ověřit výstup AI, aby se zajistilo, že je bezpečný. I u autonomního kódování musí odborník na kódování zajistit, že AI řádně „naučilo“, jak aplikovat aktualizované sady kódů nebo řešit nové regulační požadavky. Když jsou lidé vyloučeni z řídicí smyčky, zdravotnická organizace se vystavuje riziku úniku výnosů, negativních výsledků auditu, ztráty pověsti a mnohem více.

Neexistuje žádná pochyba o tom, že AI může transformovat zdravotnictví, zejména RCM. Nicméně to vyžaduje, aby zdravotnické organizace doplnily své technologické investice o školení lidí a pracovních sil, aby optimalizovaly přesnost, produktivitu a obchodní hodnotu.