Integrering af AI i sundhedsøkonomi: Hvorfor mennesker skal forblive i løkken

AI er blevet en fast del af sundhedsøkonomi (RCM) som finansledere søger at give en vis lettelse for overbelastede og underbemandede afdelinger, der står over for uhørt mange krav fra tredjepartsrevisioner og stigende afvisningsrater.

Ifølge den nyudgivne 2023 Benchmark Report, er investeringer i data, AI og teknologiplatforme blevet muliggjort for overensstemmelse og revenue-integritetsafdelinger til at reducere deres teams størrelse med 33%, mens de udfører 10% mere i revisionsaktiviteter sammenlignet med 2022. På et tidspunkt, hvor RCM-personalemanglen er høj, giver AI en kritisk produktivitetsboost.

Sundhedsorganisationer rapporterer nu fire gange flere revisionsanmodninger end tidligere – og revisionskravbrev er mere end 100 sider lange. Her er AI i sin rette element – dens største evne er at afsløre outliers og nåle i høsten over millioner af datapunkter. AI repræsenterer en betydelig konkurrencefordel for RCM-funktionen, og sundhedsfinansledere, der afviser AI som hype, vil snart finde deres organisationer efterladt.

Hvor AI kan svigte

Sandt autonome AI i sundhedssektoren er en pipe-dream. Selv om det er sandt, at AI har muliggjort automatisering af mange RCM-opgaver, er løftet om fuldt autonome systemer endnu ikke indfriet. Dette skyldes delvist software-udbydernes tendens til at fokusere på teknologi uden først at tage sig tid til at forstå de målrettede arbejdsgange og vigtigst, de menneskelige kontaktpunkter inden for dem – en praksis, der fører til ineffektiv AI-integration og slutbrugertilpasning.

Mennesker skal altid være i løkken for at sikre, at AI kan fungere korrekt i et komplekst RCM-miljø. Præcision og nøjagtighed er de største udfordringer med autonome AI, og her kan menneskers involvering i løkken forbedre resultaterne. Selv om spillet ikke er så højt for RCM som det er på den kliniske side, er følgerne af dårligt designede AI-løsninger alligevel betydelige.

Finansielle påvirkninger er de mest åbenlyse for sundhedsorganisationer. Dårligt trænet AI-værktøj, der bruges til prospektive kravrevisioner, kan overse tilfælde af underkodning, hvilket betyder missede indtægtsmuligheder. En MDaudit-kunde opdagede, at en forkert regel i deres såkaldte autonome kodningssystem var forkert kodet medicinenheder, der blev administreret, hvilket resulterede i 25 millioner dollars i tabte indtægter. Fejlen ville aldrig være blevet opdaget og korrekt, hvis ikke en menneske i løkken havde afsløret svagheden.

Ligeledes kan AI også svigte med overkodningsresultater med falske positiver – et område, hvor sundhedsorganisationer skal være i overensstemmelse med regeringens mission om at bekæmpe svindel, misbrug og spild i sundhedssektoren.

Dårligt designede AI kan også påvirke enkeltpraktiserende. Overvej konsekvenserne, hvis et AI-værktøj ikke er korrekt trænet på begrebet “på-risiko-praktiserende” i revenue-cyklus-sansen. Læger kunne finde sig selv uretfærdigt målrettede for yderligere undersøgelse og træning, hvis de er inkluderet i sweeps for på-risiko-praktiserende med høje afvisningsrater. Det spilder tid, der skulle bruges på at se patienter, langsommere kontantflow ved at forsinke krav for prospektive gennemgange og kunne skade deres rygte ved at give dem en “problematisk” mærkning.

At holde mennesker i løkken

Forebyggelse af disse negative resultater kræver mennesker i løkken. Der er tre områder af AI, der altid vil kræve menneskelig involvering for at opnå optimale resultater.

1. Opbygning af en stærk datagrundlag.

Opbygning af et robust datagrundlag er afgørende, da den underliggende datamodel med korrekt metadata, datakvalitet og styring er nøgle til at aktivere AI til at opnå top-effektivitet. For at dette kan ske, skal udviklere tage sig tid til at komme i trenches med faktureringsoverensstemmelse, kodning og revenue-cyklusledere og -personale for at fuldt ud forstå deres arbejdsgange og data, der er nødvendige for at udføre deres opgaver.

Effektiv afvigelsessporing kræver ikke kun fakturering, afvisninger og andre kravdata, men også en forståelse af den komplekse samspil mellem praktiserende læger, kodere, faktureringsservice og betalingsansvarlige for at sikre, at teknologien er i stand til kontinuerligt at vurdere risici i realtid og levere brugerne den information, der er nødvendig for at fokusere deres handlinger og aktiviteter på måder, der driver målbare resultater. Hvis organisationer springer datagrundlaget over og accelererer implementeringen af deres AI-modeller med glansfulde værktøjer, vil det resultere i hallucinationer og falske positiver fra AI-modellerne, der vil skabe støj og hæmme tilpasning.

2. Kontinuerlig træning.

Sundhedsøkonomi er en kontinuerligt udviklende profession, der kræver løbende uddannelse for at sikre, at professionelle forstår de seneste regler, trends og prioriteringer. Det samme gælder for AI-aktiverede RCM-værktøjer. Forstærkning af læring tillader AI at udvide sin videnbase og øge sin nøjagtighed. Brugerinput er afgørende for finjustering og opdatering for at sikre, at AI-værktøjer opfylder nuværende og fremtidige behov.

AI skal være trænet i realtid, så brugere kan umiddelbart give input og feedback på resultaterne af informations søgninger og/eller analyse for at støtte kontinuerlig læring. Det skal også være muligt for brugere at markere data som usikker, når det er berettiget, for at forhindre dets forstærkning i stor skala. For eksempel tillægning af finansielt tab eller overensstemmelsesrisiko til bestemte enheder eller personer uden at forklare, hvorfor det er berettiget at gøre det.

3. Korrekt styring.

Mennesker skal validere AI-udgangen for at sikre, at den er sikker. Selv med autonome kodning skal en kodningsprofessionel sikre, at AI har korrekt “lært” at anvende opdaterede kode-sæt eller håndtere nye reguleringskrav. Når mennesker udelades fra styringsløkken, efterlader en sundhedsorganisation sig selv åben for indtægtsleakage, negative revisionsresultater, rygteskade og meget mere.

Der er ingen tvivl om, at AI kan transformere sundhedssektoren, især RCM. Men det kræver, at sundhedsorganisationer supplerer deres teknologiinvesteringer med menneskelig og arbejdsstyrketræning for at optimere nøjagtighed, produktivitet og forretningsværdi.