Δρ. Rihan Javid, Διευθύνων Σύμβουλος και Συνιδρυτής της Rinova – Σειρά Συνεντεύξεων

Δρ. Rihan Javid, Διευθύνων Σύμβουλος και Συνιδρυτής της Rinova AI, είναι γιατρός-διευθυντής και επιχειρηματίας που επικεντρώνεται στην εκσυγχρονισμένη λειτουργία της υγείας μέσω της τεχνητής νοημοσύνης. Εκτός από την ηγεσία της Rinova, είναι ο Συνιδρυτής και Πρόεδρος της Edge, η οποία παρέχει λύσεις υποδομής απομακρυσμένου χώρου εργασίας σε ασφαλιστικές, ιατρικές και οδοντιατρικές πρακτικές. Ως γιατρός ψυχίατρος, υπηρετεί ως Ιατρικός Διευθυντής και Αρχίατρος στο CommonSpirit Health και στο Κέντρο Ψυχικής Υγείας St. Joseph, ενώ επίσης διατηρεί κλινική θέση στο Τμήμα Ιατρικής του Πανεπιστημίου Touro. Η προηγούμενη εμπειρία του περιλαμβάνει την άσκηση της ψυχιατρικής στο The Permanente Medical Group, Inc. και την ολοκλήρωση της ειδίκευσής του στο California Pacific Medical Center και το Πανεπιστήμιο της Νότιας Φλόριντα, μαζί με προηγούμενη ηγετική εμπειρία ως αρχισυντάκτης στη νομική προσλήψη.

Rinova AI είναι μια εταιρεία τεχνολογίας υγείας που επικεντρώνεται στην διαχείριση κύκλου εσόδων και αυτοματοποίηση ιατρικής lậpης με τη βοήθεια της τεχνητής νοημοσύνης. Η πλατφόρμα σχεδιάστηκε για να μειώσει τις διοικητικές επιβαρύνσεις για τους παρόχους αυτοματοποιώντας βασικές διαδικασίες όπως η επαλήθευση ασφάλισης, η βελτιστοποίηση κωδικοποίησης, η υποβολή αιτημάτων και η διαχείριση απορρίψεων. Με την αξιοποίηση της τεχνητής νοημοσύνης για να ροηματοποιήσει τις διαδικασίες και να βελτιώσει την ακρίβεια, η Rinova στοχεύει να προσφέρει σημαντικές οικονομίες σε σύγκριση με τις παραδοσιακές υπηρεσίες lậpης, ενώ ταυτόχρονα επιταχύνει τις αποζημιώσεις και βελτιώνει την οικονομική απόδοση των οργανισμών υγείας.

Συνίδρυσε την Edge το 2021 μετά από χρόνια εργασίας ως ψυχίατρος και αργότερα ως ιατρικός διευθυντής και αρχίατρος. Από την πλευρά της τεχνητής νοημοσύνης, ποια πρώιμα σήματα παρατήρησες στις διαδικασίες lậpης, όπως η κατακερματισμένη δεδομένων, η αλλαγή των κανόνων των ασφαλιστικών εταιρειών ή η χειροκίνητη διαχείριση εξαιρέσεων, που σε έκαναν να πιστεύεις ότι η αυτοματοποίηση θα γίνει αναπόφευκτη;

Όταν άσκησα και αργότερα διηύθυνα κλινικές λειτουργίες, είδα πόσο τριβή υπήρχε στη διαδικασία lậpης. Τα δεδομένα ζούσαν σε πολλαπλά συστήματα που δεν επικοινωνούσαν καλά. Οι απαιτήσεις των ασφαλιστικών εταιρειών άλλαζαν συνεχώς. Το προσωπικό περνούσε ώρες επαναεργαζόμενο αιτήματα για λόγους που συχνά ήταν προβλέψιμοι στην αναδρομή.

Το που ξεχώρισε ήταν η επανάληψη. Τα ίδια λάθη, τα ίδια μοτίβα απορρίψεων, τα ίδια κενά τεκμηρίωσης. Αυτά δεν ήταν σπάνια, περίπλοκα ζητήματα. Ήταν επαναλαμβανόμενες λειτουργικές διακοπές. Σε κάποιο σημείο, καταλαβαίνεις ότι να ζητάς από τους ανθρώπους να διαχειριστούν χειροκίνητα αυτή τη复雑ότητα δεν είναι βιώσιμο. Αυτό είναι όταν γίνεται σαφές ότι η αυτοματοποίηση δεν είναι προαιρετική. Είναι αναπόφευκτη.

Όταν ξεκίνησες την Rinova AI einige χρόνια αργότερα, τι είχε αλλάξει στην πλευρά της τεχνολογίας ή των δεδομένων που έκανε δυνατή την εφαρμογή της τεχνητής νοημοσύνης στη διαχείριση κύκλου εσόδων με τρόπο που θα μπορούσε να λειτουργήσει αξιόπιστα ενάντια σε ζωντανούς κανόνες ασφαλιστικών εταιρειών και πραγματική πολυπλοκότητα αιτημάτων;

Δύο πράγματα άλλαξαν. Πρώτον, το περιβάλλον δεδομένων βελτιώθηκε. Οι ενσωματώσεις μεταξύ ηλεκτρονικών ιατρικών αρχείων, clearing house και πλατφορμών lậpης έγιναν πιο δομημένες. Αυτό μας έδωσε καθαρότερες εισόδους και ισχυρότερες βρόχους ανατροφοδότησης.

Δεύτερον, η τεχνολογία ωρίμασε. Μετακινηθήκαμε πέρα από απλούς μηχανισμούς κανόνων. Τα μοντέλα έγιναν ικανά να αξιολογούν το контέκστ, όχι μόνο να ελέγχουν τις κενές θέσεις. Αυτό μας επέτρεψε να αναλύσουμε τη τεκμηρίωση, την κωδικοποίηση και την λογική των ασφαλιστικών εταιρειών μαζί και όχι σε απομόνωση.

Δεν ήταν ότι η διαδικασία lậpης έγινε ξαφνικά απλή. Ήταν ότι το οικοσύστημα έγινε αρκετά σταθερό για την τεχνητή νοημοσύνη να λειτουργήσει με αξιοπιστία.

Η διαχείριση κύκλου εσόδων έχει παραδοσιακά βασιστεί σε στατικούς κανόνες και ανάκτηση μετά από απόρριψη. Πώς η εισαγωγή της τεχνητής νοημοσύνης νωρίτερα στη διαδικασία αλλάζει τον τρόπο με τον οποίο τα νοσοκομεία σκέφτονται για τον οικονομικό κίνδυνο και την προβλέψιμη αποζημίωση;

Παραδοσιακά, οι ομάδες διαχείρισης κύκλου εσόδων αποδέχονται ένα certo επίπεδο απόρριψης ως μέρος της λειτουργίας. Η δουλειά αρχίζει μετά από κάποιο λάθος.

Όταν η τεχνητή νοημοσύνη εισαχθεί ροηματικά, ο στόχος μετατοπίζεται από την ανάκτηση στην πρόληψη. Μπορείτε να αναγνωρίσετε κενά στη τεκμηρίωση ή στη κωδικοποίηση πριν από την υποβολή. Αυτό μειώνει την μεταβλητότητα στην αποζημίωση.

Τα νοσοκομεία αρχίζουν να σκέφτονται λιγότερο για την καταδίωξη εσόδων και περισσότερο για τον έλεγχο του κινδύνου πριν από την εμφάνισή του. Αυτό αλλάζει την πρόβλεψη, τα μοντέλα προσωπικού και ακόμη και τις συζητήσεις του διοικητικού συμβουλίου σχετικά με την οικονομική σταθερότητα.

Οι συστήματα τεχνητής νοημοσύνης συχνά λειτουργούν καλά στις τυποποιημένες περιπτώσεις αλλά δυσκολεύονται στα άκρα. Στις σημερινές διαδικασίες lậpης, ποια σενάρια χειρίζονται πιο αποτελεσματικά από την αυτοματοποίηση και όπου η κρίση του ανθρώπου vẫn παίζει κρίσιμο ρόλο;

Η αυτοματοποίηση λειτουργεί καλύτερα στις δομημένες, υψηλής όγκου εργασίες. Οι έλεγχοι επιλεξιμότητας, η επαλήθευση εξουσιοδότησης, η συν nhấtότητα κωδικοποίησης και η ανίχνευση μοτίβων απόρριψης είναι όλες περιοχές όπου οι μηχανές μπορούν να επεξεργαστούν γρηγορότερα και πιο συνεπώς από τους ανθρώπους.

Η κρίση του ανθρώπου vẫn έχει σημασία στις περιπτώσεις άκρων. Οι ενδίκες που απαιτούν κλινική νουβ, οι συμβατικές διαμάχες, η ασυνήθιστη συμπεριφορά των ασφαλιστικών εταιρειών ή οι σύνθετες περιπτώσεις ασθενών ωφελούνται από την εμπειρία και την κρίση. Η τεχνητή νοημοσύνη μπορεί να υποδείξει κίνδυνο. Οι άνθρωποι ερμηνεύουν τις γκρίζες περιοχές και λαμβάνουν τις τελικές αποφάσεις.

Η Edge ενσωματώνει ομάδες διαχείρισης κύκλου εσόδων εκπαιδευμένες στην υγεία στις διαδικασίες των νοσοκομείων, ενώ η Rinova αυτοματοποιεί την λήψη αποφάσεων ροηματικά. Πώς προσεγγίζετε τον σχεδιασμό συστημάτων τεχνητής νοημοσύνης που ενισχύουν την ανθρώπινη λήψη αποφάσεων αντί να εισαγάγουν νέους оперατικούς κινδύνους;

Προσεγγίζουμε την τεχνητή νοημοσύνη ως ένα στρώμα υποστήριξης, όχι ως αντικατάσταση. Το σύστημα παρουσιάζει συστάσεις και εξηγεί την λογική του. Οι ομάδες υγείας μας παραμένουν ενσωματωμένες στη διαδικασία.

Αυτή η δομή έχει σημασία. Η τεχνητή νοημοσύνη χειρίζεται την κλίμακα και την αναγνώριση μοτίβων. Οι άνθρωποι χειρίζονται την εποπτεία και την ευθύνη. Όταν αυτοί οι ρόλοι είναι σαφείς, μειώνετε τον κίνδυνο αντί να τον αυξάνετε.

Ο στόχος είναι να μειώσετε την γνωστική υπερφόρτωση, όχι να αφαιρέσετε την ανθρώπινη κρίση.

Οι πολιτικές των ασφαλιστικών εταιρειών αλλάζουν συχνά και δεν εφαρμόζονται πάντα συνεπώς. Πώς η πραγματική ώρα πληροφόρησης ασφαλιστικών εταιρειών αναδιαμορφώνει τον κύκλο ανατροφοδότησης μεταξύ υποβολής αιτημάτων, απορρίψεων και συνεχούς βελτίωσης του μοντέλου;

Οι πολιτικές των ασφαλιστικών εταιρειών αλλάζουν συχνά και η εφαρμογή τους δεν είναι πάντα συνεπής. Ιστορικά, οι οργανισμοί ενημέρωναν τους κανόνες περιοδικά και ελπίζαν να είναι τρέχοντες.

Με την πραγματική ώρα ανατροφοδότησης, κάθε απόρριψη και έγκριση γίνεται ένα σημείο δεδομένων. Το μοντέλο μαθαίνει από τα πραγματικά αποτελέσματα αντί για στατικές υποθέσεις. Αυτό缩ίνει το χάσμα μεταξύ αλλαγής πολιτικής και λειτουργικής προσαρμογής.

Με τον καιρό, αυτό μειώνει τις απρόβλεπτες απορρίψεις και βελτιώνει την ακρίβεια της υποβολής. Κάνει το σύστημα πιο προσαρμοστικό.

Τα νοσοκομεία είναι κατανοητά προσεκτικά σχετικά με τα συστήματα τεχνητής νοημοσύνης που επηρεάζουν την ροή των εσόδων. Ποιο επίπεδο διαφάνειας ή ελέγχου πιστεύετε ότι οι ηγέτες της υγείας πρέπει να περιμένουν πριν από την εμπιστοσύνη στις αποφάσεις lậpης που οδηγούνται από την τεχνητή νοημοσύνη;

Οι ηγέτες πρέπει να περιμένουν σαφήτητα. Πρέπει να κατανοούν γιατί μια σύσταση έγινε. Πρέπει να μπορούν να την αντικαταστήσουν. Και πρέπει να έχουν einen σαφής ιχνηλατικό.

Η διαχείριση κύκλου εσόδων επηρεάζει trực tiếp την ροή των εσόδων και την συμμόρφωση. Η εμπιστοσύνη προέρχεται από την ορατότητα και τον έλεγχο, όχι από την τυφλή αυτοματοποίηση. Κάθε σύστημα τεχνητής νοημοσύνης που λειτουργεί σε αυτόν τον χώρο πρέπει να ανταποκρίνεται σε αυτόν τον chuẩn.

Οι ελλείψεις προσωπικού στις ομάδες διαχείρισης κύκλου εσόδων συχνά αντιμετωπίζονται ως προβλήματα εργασίας. Από την πλευρά σας, πόσο από το πρόβλημα είναι στην πραγματικότητα εδραιωμένο στην ποιότητα δεδομένων και τον σχεδιασμό της διαδικασίας, και όπου μπορεί η τεχνητή νοημοσύνη να έχει την μεγαλύτερη επίδραση;

Οι προκλήσεις προσωπικού είναι πραγματικές, αλλά πολλές από αυτές ενισχύονται από τον κακό σχεδιασμό της διαδικασίας. Όταν οι ομάδες περνούν το μεγαλύτερο μέρος του χρόνου τους διορθώνοντας προβλέψιμα λάθη, η εξουθένωση αυξάνεται και η παραγωγικότητα μειώνεται.

Εάν καθαρίσετε τις εισόδους δεδομένων και μειώσετε τις αποφεύξιμες απορρίψεις, η ίδια ομάδα μπορεί να λειτουργήσει πιο αποτελεσματικά. Η τεχνητή νοημοσύνη έχει την μεγαλύτερη επίδραση όπου αφαιρεί την επαναλαμβανόμενη επανεργασία και стандαρδοποιεί τις διαδικασίες.

Συχνά, το ζήτημα δεν είναι απλά το προσωπικό. Είναι η τριβή.

Όταν η τεχνητή νοημοσύνη ενσωματωθεί στις διαδικασίες διαχείρισης κύκλου εσόδων, πώς βλέπετε τον ρόλο των ομάδων διαχείρισης κύκλου εσόδων να εξελίσσεται τα επόμενα χρόνια σε σχέση με την εποπτεία, την χειρισμό εξαιρέσεων και τη διακυβέρνηση;

Περιμένω τις ομάδες διαχείρισης κύκλου εσόδων να γίνουν πιο στρατηγικές. Λιγότερος χρόνος στην επαναλαμβανόμενη επεξεργασία. Περισσότερος χρόνος στην εποπτεία, τις σύνθετες ενδίκες, τις διαπραγματεύσεις ασφαλιστικών εταιρειών και την ανάλυση απόδοσης.

Όταν η αυτοματοποίηση χειρίζεται την τυπική δουλειά, οι ανθρώπινες ομάδες μετατοπίζονται προς τη διακυβέρνηση και τη βελτίωση. Αυτό ανυψώνει τη λειτουργία αντί να τη μειώνει.

Κοιτάζοντας μπροστά, περιμένετε τα συστήματα διαχείρισης κύκλου εσόδων που οδηγούνται από την τεχνητή νοημοσύνη να γίνουν βασική οικονομική υποδομή για τα νοσοκομεία αντί για προαιρετικά εργαλεία, και τι θα ενεργοποιήσει αυτή η μετατόπιση για τους οργανισμούς που λειτουργούν υπό συνεχή πίεση περιθωρίου;

Ναι. Η πίεση περιθωρίου δεν θα πάψει να υπάρχει. Η προβλέψιμη αποζημίωση θα γίνει απαραίτητη.

Τα συστήματα που οδηγούνται από την τεχνητή νοημοσύνη που βελτιώνουν την ακρίβεια και μειώνουν την απώλεια θα μετατοπιστούν από προαιρετικά εργαλεία σε βασική υποδομή. Όταν η ροή των εσόδων γίνει πιο σταθερή, τα νοσοκομεία μπορούν να σχεδιάσουν με περισσότερη εμπιστοσύνη και να επενδύσουν πιο σκόπιμα στην φροντίδα των ασθενών.

Αυτός είναι ο τελικός στόχος που μας ενδιαφέρει.

Ευχαριστούμε για τη μεγάλη συνέντευξη, οι αναγνώστες που επιθυμούν να μάθουν περισσότερα πρέπει να επισκεφθούν την Rinova AI ή την Edge.