Integration von KI in das Healthcare-RCM: Warum Menschen im Entscheidungsprozess bleiben müssen

KI ist im Healthcare-Revenue-Cycle-Management (RCM) zu einer festen Größe geworden, da Finanzleiter nach Wegen suchen, um überlasteten und unterbesetzten Abteilungen, die mit unvergleichlichen Mengen an Anfragen von Drittanbietern und steigenden Ablehnungsraten konfrontiert sind, eine gewisse Entlastung zu bieten.

Laut dem kürzlich veröffentlichten 2023-Benchmark-Bericht haben wachsende Investitionen in Daten, KI und Technologieplattformen es den Abteilungen für Compliance und Revenue-Integrität ermöglicht, ihre Teamgröße um 33 % zu reduzieren, während sie im Vergleich zu 2022 um 10 % mehr Audit-Aktivitäten durchführen. Zu einer Zeit, in der es an RCM-Personal mangelt, bietet KI einen kritischen Produktivitätsschub.

Gesundheitsorganisationen erhalten jetzt viermal mehr Audit-Anfragen als in den Vorjahren – und Audit-Anforderungsschreiben umfassen mehr als 100 Seiten. Hier kommt KI ins Spiel – ihre größte Fähigkeit besteht darin, Ausreißer und Nadeln im Heuhaufen über Millionen von Datenpunkten hinweg zu entdecken. KI stellt einen erheblichen Wettbewerbsvorteil für die RCM-Funktion dar, und Gesundheitsfinanzleiter, die KI als Hype abtun, werden bald feststellen, dass ihre Organisationen zurückbleiben.

Wo KI versagen kann

Wahrhaft autonome KI im Gesundheitswesen ist ein Traum. Zwar hat KI die Automatisierung vieler RCM-Aufgaben ermöglicht, aber das Versprechen vollständig autonomer Systeme bleibt unerfüllt. Dies liegt teilweise an der Neigung von Software-Anbietern, sich auf Technologie zu konzentrieren, ohne sich zunächst die Zeit zu nehmen, die Ziel-Workflows und wichtiger noch, die menschlichen Schnittstellen innerhalb davon zu verstehen – eine Praxis, die zu ineffektiver KI-Integration und Endbenutzer-Akzeptanz führt.

Menschen müssen immer im Entscheidungsprozess bleiben, um sicherzustellen, dass KI in einem komplexen RCM-Umfeld ordnungsgemäß funktioniert. Genauigkeit und Präzision bleiben die größten Herausforderungen bei autononer KI, und hier kann die Einbeziehung von Menschen in den Entscheidungsprozess die Ergebnisse verbessern. Zwar sind die Einsätze möglicherweise nicht so hoch wie auf der klinischen Seite, aber die Folgen schlecht konzipierter KI-Lösungen sind dennoch erheblich.

Die finanziellen Auswirkungen sind für Gesundheitsorganisationen am offensichtlichsten. Schlecht trainierte KI-Tools, die für prospektive Anspruchsprüfungen verwendet werden, können Fälle von Unter kodierung übersehen, was zu verpassten Umsatzchancen führt. Ein Kunde von MDaudit entdeckte, dass eine falsche Regel in ihrem sogenannten autonomen Codierungssystem falsch kodifizierte Medikamenteneinheiten, was zu 25 Millionen Dollar an verlorenem Umsatz führte. Der Fehler wäre nie entdeckt und korrigiert worden, wenn nicht ein Mensch im Entscheidungsprozess den Fehler entdeckt hätte.

Ebenso kann KI auch bei Überkodierungsergebnissen mit falschen Positiven versagen – ein Bereich, in dem Gesundheitsorganisationen mit der Regierung bei der Bekämpfung von Betrug, Missbrauch und Verschwendung (FWA) im Gesundheitssystem zusammenarbeiten müssen.

Schlecht konzipierte KI kann auch einzelne Anbieter beeinträchtigen. Denken Sie an die Auswirkungen, wenn ein KI-Tool nicht ordnungsgemäß auf das Konzept des “risikobehafteten Anbieters” im Sinne des Revenue-Cycle-Management trainiert wird. Ärzte könnten sich unfairerweise für zusätzliche Überprüfung und Schulung ausgesucht sehen, wenn sie in Überprüfungen für risikobehaftete Anbieter mit hohen Ablehnungsraten einbezogen werden. Dies verschwendet Zeit, die für die Behandlung von Patienten aufgewendet werden sollte, verlangsamt den Cash-Flow, indem Ansprüche für prospektive Überprüfungen verzögert werden, und könnte ihren Ruf schädigen, indem sie mit einem “problematischen” Label versehen werden.

Menschen im Entscheidungsprozess halten

Die Vermeidung dieser negativen Ergebnisse erfordert Menschen im Entscheidungsprozess. Es gibt drei Bereiche von KI, die immer menschliche Beteiligung erfordern, um optimale Ergebnisse zu erzielen.

1. Aufbau einer starken Datenbasis.

Der Aufbau einer robusten Datenbasis ist kritisch, da das zugrunde liegende Datenmodell mit ordnungsgemäßer Metadaten, Datenqualität und Governance der Schlüssel ist, um KI zu ermöglichen, Spitzenleistungen zu erzielen. Dazu müssen Entwickler Zeit mit den Abteilungen für Abrechnungskompatibilität, Kodierung und Revenue-Cycle-Management verbringen, um ihre Workflows und die benötigten Daten zu verstehen.

Eine effektive Anomalie-Erkennung erfordert nicht nur Abrechnungs-, Ablehnungs- und andere Anspruchsdaten, sondern auch ein Verständnis des komplexen Zusammenspiels zwischen Anbietern, Kodierern, Rechnern, Zahlern usw., um sicherzustellen, dass die Technologie in der Lage ist, kontinuierlich Risiken in Echtzeit zu bewerten und den Benutzern die benötigten Informationen zu liefern, um ihre Maßnahmen und Aktivitäten so zu gestalten, dass sie messbare Ergebnisse erzielen. Wenn Organisationen die Datenbasis überspringen und die Bereitstellung ihrer KI-Modelle mit glänzenden Tools beschleunigen, wird dies zu Halluzinationen und falschen Positiven von den KI-Modellen führen, die Lärm verursachen und die Akzeptanz behindern.

2. Kontinuierliches Training.

Das Healthcare-RCM ist ein kontinuierlich evolvierender Beruf, der eine kontinuierliche Ausbildung erfordert, um sicherzustellen, dass die Fachleute die neuesten Vorschriften, Trends und Prioritäten verstehen. Gleiches gilt für KI-gestützte RCM-Tools. Durch Verstärkendes Lernen kann KI ihre Wissensbasis erweitern und ihre Genauigkeit erhöhen. Die Eingabe des Benutzers ist entscheidend für die Verfeinerung und Aktualisierung, um sicherzustellen, dass KI-Tools den aktuellen und zukünftigen Bedürfnissen gerecht werden.

KI sollte in Echtzeit trainierbar sein, um es den Endbenutzern zu ermöglichen, sofortige Eingabe und Feedback zu den Ergebnissen von InformationsSuchen und/oder Analysen zu geben, um kontinuierliches Lernen zu unterstützen. Es sollte auch möglich sein, Daten als unsicher zu markieren, wenn dies angebracht ist, um ihre Verstärkung im großen Maßstab zu verhindern. Zum Beispiel die Zuweisung von finanziellen Verlusten oder Compliance-Risiken zu bestimmten Entitäten oder Personen, ohne ordnungsgemäß zu erklären, warum dies angemessen ist.

3. Ordnungsgemäße Governance.

Menschen müssen die Ausgabe von KI validieren, um sicherzustellen, dass sie sicher ist. Selbst bei autononer Kodierung muss ein Kodierungs-Experte sicherstellen, dass KI ordnungsgemäß “gelernt” hat, wie man aktualisierte Code-Sets anwendet oder mit neuen regulatorischen Anforderungen umgeht. Wenn Menschen aus der Governance-Schleife ausgeschlossen werden, setzt sich eine Gesundheitsorganisation einem erheblichen Risiko von Umsatzverlust, negativen Audit-Ergebnissen, Rufverlust und vielem mehr aus.

Es besteht kein Zweifel, dass KI das Gesundheitswesen, insbesondere das RCM, transformieren kann. Dies erfordert jedoch, dass Gesundheitsorganisationen ihre Technologieinvestitionen mit menschlicher und Arbeitskräfte-Ausbildung kombinieren, um Genauigkeit, Produktivität und Geschäftswert zu optimieren.