Die Integration von KI in die Gesundheitswirtschaft: Warum Menschen im Entscheidungsprozess bleiben müssen

Die KI ist in der Gesundheitswirtschaft, insbesondere im Bereich der Ertragszyklusverwaltung (RCM), zu einem festen Bestandteil geworden, da Finanzleiter nach Wegen suchen, um überlasteten und unterbesetzten Abteilungen, die mit ungewöhnlich hohen Anforderungen an Drittanbieter-Audits und steigenden Ablehnungsraten konfrontiert sind, Erleichterung zu verschaffen.

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

Gesundheitsorganisationen berichten nun über viermal mehr Audit-Anfragen als in den Vorjahren – und Audit-Anforderungsschreiben umfassen mehr als 100 Seiten. Hier zeigt sich die Stärke der KI – ihre größte Fähigkeit besteht darin, Ausreißer und Nadeln im Heuhaufen über Millionen von Datenpunkten hinweg zu entdecken. Die KI bietet einen erheblichen Wettbewerbsvorteil für die RCM-Funktion, und Gesundheitsfinanzleiter, die die KI als Hype abtun, werden bald feststellen, dass ihre Organisationen zurückbleiben.

Wo die KI versagen kann

Eine wirklich autonome KI in der Gesundheitswirtschaft ist ein Traum. Zwar hat die KI die Automatisierung vieler RCM-Aufgaben ermöglicht, aber das Versprechen vollständig autonomer Systeme bleibt unerfüllt. Dies liegt teilweise daran, dass Software-Anbieter tendenziell auf Technologie ohne vorherige gründliche Kenntnis der Ziel-Workflows und wichtiger menschlicher Schnittstellen konzentrieren – eine Praxis, die zu ineffektiver KI-Integration und Endbenutzer-Akzeptanz führt.

Menschen müssen immer im Entscheidungsprozess bleiben, um sicherzustellen, dass die KI in einem komplexen RCM-Umfeld ordnungsgemäß funktioniert. Genauigkeit und Präzision bleiben die größten Herausforderungen bei autonomen KI-Systemen, und hier kann die Einbeziehung von Menschen im Entscheidungsprozess die Ergebnisse verbessern. Zwar sind die Einsätze in der RCM 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 eingesetzt werden, können Fälle von Unter kodierung übersehen, was zu verpassten Einnahmechancen führt. Ein Kunde von MDaudit entdeckte, dass eine falsche Regel in seinem sogenannten autonomen Kodierungssystem falsch kodierte Medikamenteneinheiten, was zu 25 Millionen Dollar an verlorenen Einnahmen führte. Der Fehler wäre nie entdeckt und korrigiert worden, wenn nicht ein Mensch im Entscheidungsprozess den Fehler entdeckt hätte.

Ebenso kann die KI auch bei Überkodierungen 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. Betrachten Sie die Auswirkungen, wenn ein KI-Tool nicht ordnungsgemäß auf das Konzept des “risikobehafteten Anbieters” im Sinne des Ertragszyklus trainiert ist. Ärzte könnten unfair für zusätzliche Überprüfungen und Schulungen ausgewählt werden, wenn sie in Überprüfungen für risikobehaftete Anbieter mit hohen Ablehnungsraten erfasst werden. Dies verschwendet Zeit, die für die Behandlung von Patienten aufgewendet werden sollte, verlangsamt den Cash-Flow, indem sie Ansprüche für prospektive Überprüfungen verzögert, 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 der KI, die immer menschliche Beteiligung erfordern, um optimale Ergebnisse zu erzielen.

1. Aufbau einer starken Datenbasis.

Der Aufbau einer robusten Datenbasis ist entscheidend, da das zugrunde liegende Datenmodell mit ordnungsgemäßer Metadaten, Datenqualität und Governance der Schlüssel ist, um die KI zu ermöglichen, Spitzenleistungen zu erzielen. Dazu müssen Entwickler Zeit aufwenden, um sich mit den Abteilungen für Rechnungsstellung, Kodierung und Ertragszyklus sowie deren Mitarbeitern auseinanderzusetzen, um ihre Workflows und die benötigten Daten vollständig zu verstehen.

Eine effektive Anomalie-Erkennung erfordert nicht nur Rechnungsstellungs-, Ablehnungs- und andere Anspruchsdaten, sondern auch ein Verständnis der komplexen Wechselwirkungen zwischen Anbietern, Kodierern, Rechnungsstellern, Zahlern usw., um sicherzustellen, dass die Technologie in der Lage ist, kontinuierlich Risiken in Echtzeit zu bewerten und den Benutzern die benötigten Informationen zur Verfügung zu stellen, um ihre Maßnahmen und Aktivitäten auf eine Weise zu konzentrieren, die messbare Ergebnisse liefert. Wenn Organisationen die Datenbasis überspringen und die Bereitstellung ihrer KI-Modelle mit glänzenden Tools beschleunigen, wird dies zu Halluzinationen und falschen Positiven der KI-Modelle führen, die Lärm verursachen und die Akzeptanz behindern.

2. Kontinuierliche Schulung.

Die Gesundheitswirtschaft ist ein ständig evolvierender Beruf, der kontinuierliche Schulung erfordert, um sicherzustellen, dass die Fachleute die neuesten Vorschriften, Trends und Prioritäten verstehen. Gleiches gilt für KI-gestützte RCM-Tools. Durch Verstärkungslernen kann die KI ihr Wissen erweitern und ihre Genauigkeit erhöhen. Benutzereingaben sind entscheidend für die Verfeinerung und Aktualisierung, um sicherzustellen, dass KI-Tools den aktuellen und zukünftigen Bedarf decken.

Die KI sollte in Echtzeit schulbar sein, um es Benutzern zu ermöglichen, sofortige Eingaben und Feedback zu den Ergebnissen von Informationsabfragen und/oder Analysen zu liefern, um kontinuierliches Lernen zu unterstützen. Es sollte auch möglich sein, Benutzern zu ermöglichen, Daten als unsicher zu markieren, wenn dies gerechtfertigt ist, um ihre Verbreitung im großen Maßstab zu verhindern. Zum Beispiel die Zuweisung von finanziellen Verlusten oder Compliance-Risiken zu bestimmten Einheiten oder Personen ohne ordnungsgemäße Erklärung, warum dies gerechtfertigt ist.

3. Ordnungsgemäße Governance.

Menschen müssen die Ausgabe der KI validieren, um sicherzustellen, dass sie sicher ist. Selbst bei autonomen Kodierungen muss ein Kodierfachmann sicherstellen, dass die KI ordnungsgemäß “gelernt” hat, aktualisierte Kodiersätze anzuwenden oder mit neuen regulatorischen Anforderungen umzugehen. Wenn Menschen aus der Governance-Schleife ausgeschlossen werden, setzt sich eine Gesundheitsorganisation einem erheblichen Risiko von Ertragsverlust, negativen Prüfergebnissen, Rufschädigung und vielem mehr aus.

Es gibt keinen Zweifel, dass die KI die Gesundheitswirtschaft, insbesondere die RCM, transformieren kann. Dies erfordert jedoch, dass Gesundheitsorganisationen ihre Technologieinvestitionen mit menschlicher und Arbeitskräfte-Schulung kombinieren, um Genauigkeit, Produktivität und Geschäftswert zu optimieren.