Ενοποίηση του AI στη Διαχείριση Εσόδων Υγείας: Γιατί οι Άνθρωποι Πρέπει να Μείνουν στην Λειτουργία

Το AI έχει γίνει ένα σταθερό στοιχείο στη διαχείριση εσόδων υγείας (RCM) καθώς οι ηγέτες των οικονομικών προσπαθούν να παρέχουν κάποια ανακούφιση στις υπερφορτωμένες και υποαπασχολημένες υπηρεσίες που αντιμετωπίζουν беспреCEDENT volumes απαιτήσεων ελέγχου τρίτων και αυξανόμενους ρυθμούς απόρριψης.

Σύμφωνα με την πρόσφατα κυκλοφορημένη Ετήσια Έκθεση 2023, οι αυξανόμενες επενδύσεις σε δεδομένα, AI και τεχνολογικές πλατφόρμες έχουν επιτρέψει στις υπηρεσίες συμμόρφωσης και ακεραιότητας εσόδων να μειώσουν το μέγεθος της ομάδας τους κατά 33% ενώ πραγματοποιούν 10% περισσότερες δραστηριότητες ελέγχου σε σύγκριση με το 2022. Σε μια εποχή που οι ελλείψεις προσωπικού στη διαχείριση εσόδων υγείας είναι υψηλές, το AI παρέχει einen κρίσιμο βόηθο στην παραγωγικότητα.

Οι οργανώσεις υγείας αναφέρουν τώρα τέσσερις φορές περισσότερες αιτήσεις ελέγχου από ό,τι είχαν τις προηγούμενες χρονιές – και τα γράμματα αιτήσεων ελέγχου είναι πάνω από 100 σελίδες. Αυτό είναι το σημείο όπου το AI διακρίνεται – η μεγαλύτερη ικανότητά του είναι η ανίχνευση των εξαιρετικών περιπτώσεων και των βελών στο σωρό σε εκατομμύρια σημεία δεδομένων. Το AI αντιπροσωπεύει einen σημαντικό ανταγωνιστικό πλεονέκτημα για τη λειτουργία RCM, και οι ηγέτες των οικονομικών υγείας που απορρίπτουν το AI ως υπερβολή θα βρουν σύντομα τις οργανώσεις τους να μένουν πίσω.

Πού το AI μπορεί να Αποτύχει

Το πραγματικά αυτόνομο AI στη υγεία είναι ένα όνειρο. Ενώ είναι αλήθεια ότι το AI έχει επιτρέψει την αυτοματοποίηση πολλών εργασιών RCM, η υπόσχεση για πλήρως αυτόνομες συστήματα παραμένει ανεκπλήρωτη. Αυτό οφείλεται εν μέρει στη τάση των προμηθευτών λογισμικού να επικεντρώνονται στην τεχνολογία χωρίς να λάβουν πρώτα τον χρόνο να κατανοήσουν πλήρως τις στοχευμένες ροές εργασιών και, 무엇 είναι πιο σημαντικό, τις ανθρώπινες επαφές μέσα σε αυτές – μια πρακτική που οδηγεί σε ανεπιτυχή ενοποίηση AI και υιοθέτηση από τους τελικούς χρήστες.

Οι άνθρωποι πρέπει πάντα να είναι στην λειτουργία για να διασφαλίσουν ότι το AI μπορεί να λειτουργήσει σωστά σε ένα σύνθετο περιβάλλον RCM. Η ακρίβεια και η ακρίβεια παραμένουν οι πιο δύσκολοι προκλησεις με το αυτόνομο AI και αυτό είναι το σημείο όπου η συμμετοχή των ανθρώπων στην λειτουργία θα βελτιώσει τα αποτελέσματα. Ενώ οι ποντίες μπορεί να μην είναι τόσο υψηλές για τη διαχείριση εσόδων όσο είναι στην κλινική πλευρά, οι επιπτώσεις των κακώς σχεδιασμένων λύσεων AI είναι σημαντικές.

Οι οικονομικές επιπτώσεις είναι οι πιο προφανείς για τις οργανώσεις υγείας. Τα κακώς εκπαιδευμένα εργαλεία AI που χρησιμοποιούνται για τη διεξαγωγή προοπτικών ελέγχων απαιτήσεων μπορεί να χάσουν περιπτώσεις υποκωδικοποίησης, που σημαίνει χαμένες ευκαιρίες εσόδων. Ένας πελάτης της MDaudit ανακάλυψε ότι ένας λάθος κανόνας μέσα στο так называемό του αυτόνομο σύστημα κωδικοποίησης κωδικοποιούσε λανθασμένα τις μονάδες φαρμάκων που χορηγήθηκαν, με αποτέλεσμα την απώλεια 25 εκατομμυρίων δολαρίων σε έσοδα. Ο λάθος δεν θα είχε ανακαλυφθεί και διορθωθεί αν δεν ήταν για έναν άνθρωπο στην λειτουργία που ανακάλυψε το σφάλμα.

Επίσης, το AI μπορεί να αποτύχει με τα αποτελέσματα της υπερκωδικοποίησης με ψευδείς θετικούς – ένα πεδίο στο οποίο οι οργανώσεις υγείας πρέπει να παραμείνουν συμμορφωμένες με την αποστολή της κυβέρνησης για την καταπολέμηση της απάτης, της κακοδιαχείρισης και της σπατάλης (FWA) στο σύστημα υγείας.

Το κακώς σχεδιασμένο AI μπορεί επίσης να επηρεάσει τους ατόμους. Σκεφτείτε τις επιπτώσεις εάν ένα εργαλείο AI δεν έχει εκπαιδευτεί σωστά στην έννοια του “παραγωγικού παρόχου” στη διαχείριση εσόδων. Οι γιατροί θα μπορούσαν να βρεθούν άδικα στοχοποιημένοι για επιπλέον έλεγχο και εκπαίδευση εάν περιλαμβάνονται στις σαρώσεις για παραγωγικούς παρόχους με υψηλούς ρυθμούς απόρριψης. Αυτό σπαταλά χρόνο που θα μπορούσε να ξοδευτεί για την εξέταση ασθενών, επιβραδύνει τη ροή των εσόδων με την καθυστέρηση των απαιτήσεων για προοπτικές αναθεωρήσεις και θα μπορούσε να βλάψει τη φήμη τους με την τοποθέτηση ενός “προβληματικού” σήματος.

Διατήρηση των Ανθρώπων στην Λειτουργία

Η πρόληψη αυτών των τύπων αρνητικών αποτελεσμάτων απαιτεί ανθρώπους στην λειτουργία. Υπάρχουν τρία πεδία του AI που θα απαιτούν πάντα την ανθρώπινη συμμετοχή για την επίτευξη βέλτιστων αποτελεσμάτων.

1. Κατασκευή ενός ισχυρού θεμελίου δεδομένων.

Η κατασκευή ενός ισχυρού θεμελίου δεδομένων είναι κρίσιμη, καθώς το υποκείμενο μοντέλο δεδομένων με σωστό μετα-δεδομένα, ποιότητα δεδομένων και διακυβέρνηση είναι το κλειδί για την ενεργοποίηση του AI να επιτύχει την υψηλότερη αποδοτικότητα. Για να συμβεί αυτό, οι développers πρέπει να πάρουν τον χρόνο να μπουν στα χαντάκια με τους ηγέτες και το προσωπικό της συμμόρφωσης και της διαχείρισης εσόδων για να κατανοήσουν πλήρως τις ροές εργασιών και τα δεδομένα που απαιτούνται για την εκτέλεση των καθηκόντων τους.

Η αποτελεσματική ανίχνευση ανωμαλιών απαιτεί όχι μόνο δεδομένα χρεώσεων, απορρίψεων και άλλων απαιτήσεων, αλλά και την κατανόηση του σύνθετου διαδραματισμού μεταξύ παρόχων, κωδικοποιητών, χρεωστήρων, ασφαλιστών, κ.λπ. για να διασφαλιστεί ότι η τεχνολογία είναι ικανή να αξιολογεί συνεχώς τους κινδύνους σε πραγματικό χρόνο και να παρέχει στους χρήστες τις πληροφορίες που απαιτούνται για να εστιάσουν τις ενέργειές τους και τις δραστηριότητές τους με τρόπο που οδηγεί σε μετρήσιμα αποτελέσματα. Εάν οι οργανώσεις παραλείψουν το θεμέλιο δεδομένων και επιταχύνουν την ανάπτυξη των μοντέλων AI χρησιμοποιώντας λαμπρά εργαλεία, θα οδηγήσει σε ψευδείς θετικούς και ψευδείς αρνητικούς από τα μοντέλα AI που θα προκαλέσουν θόρυβο και θα εμποδίσουν την υιοθέτηση.

2. Συνεχής εκπαίδευση.

Η διαχείριση εσόδων υγείας είναι μια συνεχώς εξελισσόμενη επαγγελματική δραστηριότητα που απαιτεί συνεχή εκπαίδευση για να διασφαλιστεί ότι οι επαγγελματίες κατανοούν τις τελευταίες κανονιστικές εξελίξεις, τάσεις και προτεραιότητες. Το ίδιο ισχύει και για τα εργαλεία RCM που ενεργοποιούνται από το AI. Η ενίσχυση της μάθησης επιτρέπει στο AI να επεκτείνει τη βάση γνώσεων του και να αυξήσει την ακρίβειά του. Η είσοδος του χρήστη είναι κρίσιμη για την επιμέλεια και τις ενημερώσεις για να διασφαλιστεί ότι τα εργαλεία AI ανταποκρίνονται στις τρέχουσες και μελλοντικές ανάγκες.

Το AI πρέπει να είναι εκπαιδεύσιμο σε πραγματικό χρόνο, επιτρέποντας στους τελικούς χρήστες να παρέχουν άμεση είσοδο και ανατροφοδότηση για τα αποτελέσματα των αναζητήσεων πληροφοριών και/ή ανάλυσης για την υποστήριξη της συνεχούς μάθησης. Επίσης, πρέπει να είναι δυνατό για τους χρήστες να σημειώσουν δεδομένα ως ασφαλή όταν το απαιτεί η περίπτωση για να αποτρέψουν την ενίσχυσή τους σε μεγάλη κλίμακα. Για παράδειγμα, η απόδοση της οικονομικής απώλειας ή του κινδύνου συμμόρφωσης σε συγκεκριμένα πρόσωπα ή οντότητες χωρίς να εξηγήσουν σωστά γιατί είναι σωστό να το κάνουν.

3. Σωστή διακυβέρνηση.

Οι άνθρωποι πρέπει να επικυρώσουν την έξοδο του AI για να διασφαλίσουν ότι είναι ασφαλής. Ακόμη και με την αυτόνομη κωδικοποίηση, ένας επαγγελματίας κωδικοποίησης πρέπει να διασφαλίσει ότι το AI έχει “μαθήσει” σωστά πώς να εφαρμόσει ενημερωμένα σύνολα κωδικών ή να αντιμετωπίσει новые κανονιστικές απαιτήσεις. Όταν οι άνθρωποι εξαιρούνται από το κύκλο διακυβέρνησης, μια οργάνωση υγείας αφήνει τον εαυτό της ανοιχτό σε απώλεια εσόδων, αρνητικά αποτελέσματα ελέγχου, απώλεια φήμης και πολλά άλλα.

Δεν υπάρχει αμφιβολία ότι το AI μπορεί να μεταμορφώσει την υγεία, ιδιαίτερα τη διαχείριση εσόδων. Ωστόσο, για να το κάνει αυτό, απαιτείται από τις οργανώσεις υγείας να ενισχύσουν τις τεχνολογικές επενδύσεις τους με εκπαίδευση ανθρώπων και εργατικού δυναμικού για να βελτιώσουν την ακρίβεια, την παραγωγικότητα και την επιχειρηματική αξία.