Integración de la IA en el RCM de la atención sanitaria: por qué los seres humanos deben permanecer informados

La IA se ha convertido en un elemento fijo en la gestión del ciclo de ingresos de la atención médica (RCM, por sus siglas en inglés) a medida que los líderes financieros buscan brindar una medida de alivio a los departamentos sobrecargados y con poco personal que enfrentan volúmenes sin precedentes de demandas de auditorías de terceros y crecientes tasas de denegación.

Según el recién publicado Informe de referencia 2023, las crecientes inversiones en datos, IA y plataformas tecnológicas han permitido a los departamentos de cumplimiento e integridad de ingresos reducir el tamaño de su equipo en un 33 % y realizar un 10 % más en actividades de auditoría en comparación con 2022. En un momento en el que la escasez de personal de RCM es alta, la IA proporciona un impulso decisivo a la productividad.

Las organizaciones de atención médica ahora informan cuatro veces más solicitudes de auditoría que las recibidas en años anteriores, y las cartas de solicitud de auditoría tienen más de 100 páginas. Aquí es donde brilla la IA: su mayor capacidad es descubrir valores atípicos y agujas en el pajar en millones de puntos de datos. La IA representa una importante ventaja competitiva para la función RCM, y los líderes financieros de atención médica que descartan la IA como una exageración pronto encontrarán que sus organizaciones quedan atrás.

Donde la IA puede quedarse corta

La IA verdaderamente autónoma en la atención sanitaria es una quimera. Si bien es cierto que la IA ha permitido la automatización de muchas tareas de RCM, la promesa de sistemas totalmente autónomos sigue sin cumplirse. Esto se debe en parte a la propensión de los proveedores de software a centrarse en la tecnología sin primero tomarse el tiempo para comprender completamente los flujos de trabajo específicos y, lo que es más importante, los puntos de contacto humanos dentro de ellos, una práctica que conduce a una integración de IA y una adopción ineficaces por parte del usuario final.

Los humanos siempre deben estar informados para garantizar que la IA pueda funcionar adecuadamente en un entorno RCM complejo. La exactitud y la precisión siguen siendo los desafíos más difíciles con la IA autónoma y aquí es donde involucrar a los humanos en el circuito mejorará los resultados. Si bien es posible que lo que está en juego no sea tan alto para RCM como lo es en el aspecto clínico, las repercusiones de las soluciones de IA mal diseñadas son, no obstante, significativas.

Los impactos financieros son los más obvios para las organizaciones de atención médica. Las herramientas de inteligencia artificial mal entrenadas que se utilizan para realizar auditorías de posibles reclamaciones pueden pasar por alto casos de subcodificación, lo que significa oportunidades de ingresos perdidas. Un cliente de MDaudit descubrió que una regla incorrecta dentro de su llamado sistema de codificación autónomo codificaba incorrectamente las unidades de medicamentos administradas, lo que resultó en una pérdida de ingresos de $25 millones. El error nunca se habría detectado y corregido si no hubiera sido por un humano involucrado que descubrió la falla.

Del mismo modo, la IA también puede fallar en la sobrecodificación de resultados con falsos positivos, un área en la que las organizaciones de atención médica deben cumplir con la misión del gobierno de combatir el fraude, el abuso y el despilfarro (FWA) en el sistema de atención médica.

Una IA mal diseñada también puede afectar a los proveedores individuales. Considere las implicaciones si una herramienta de IA no está adecuadamente entrenada en el concepto de “proveedor en riesgo” en el sentido del ciclo de ingresos. Los médicos podrían verse injustamente objeto de un escrutinio y capacitación adicionales si se les incluye en las redadas de proveedores en riesgo con altas tasas de denegación. Es una pérdida de tiempo que debería dedicarse a atender a los pacientes, ralentiza el flujo de caja al retrasar las solicitudes de posibles revisiones y podría dañar su reputación al colocarles una etiqueta de “problemáticos”.

Mantener a los humanos informados

Prevenir este tipo de resultados negativos requiere que los seres humanos estén informados. Hay tres áreas de la IA en particular que siempre requerirán la participación humana para lograr resultados óptimos.

1. Construir una base de datos sólida.

Construir una base de datos sólida es fundamental, ya que el modelo de datos subyacente con metadatos, calidad de datos y gobernanza adecuados es clave para permitir que la IA alcance la máxima eficiencia. Para que esto suceda, los desarrolladores deben tomarse el tiempo para entrar en las trincheras con los líderes y el personal de cumplimiento de facturación, codificación y ciclo de ingresos para comprender completamente sus flujos de trabajo y los datos necesarios para realizar sus tareas.

La detección efectiva de anomalías requiere no solo datos de facturación, rechazos y otros reclamos, sino también una comprensión de la compleja interacción entre proveedores, codificadores, facturadores, pagadores, etc. para garantizar que la tecnología sea capaz de evaluar continuamente los riesgos en tiempo real y entregarlos a los clientes. a los usuarios la información necesaria para centrar sus acciones y actividades de manera que generen resultados mensurables. Si las organizaciones se saltan la base de datos y aceleran la implementación de sus modelos de IA utilizando herramientas brillantes, se producirán alucinaciones y falsos positivos de los modelos de IA que causarán ruido y obstaculizarán la adopción.

2. Formación continua.

Healthcare RCM es una profesión en continua evolución que requiere educación continua para garantizar que sus profesionales comprendan las últimas regulaciones, tendencias y prioridades. Lo mismo ocurre con las herramientas RCM habilitadas para IA. El aprendizaje por refuerzo permite a la IA ampliar su base de conocimientos y aumentar su precisión. La opinión de los usuarios es fundamental para el refinamiento y las actualizaciones para garantizar que las herramientas de IA satisfagan las necesidades actuales y futuras.

La IA debe poder entrenarse en tiempo real, lo que permitirá a los usuarios finales proporcionar de inmediato aportes y comentarios sobre los resultados de las búsquedas y/o análisis de información para respaldar el aprendizaje continuo. También debería ser posible que los usuarios marquen los datos como inseguros cuando esté justificado para evitar su amplificación a escala. Por ejemplo, atribuir pérdida financiera o riesgo de cumplimiento a entidades o individuos específicos sin explicar adecuadamente por qué es apropiado hacerlo.

3. Gobernanza adecuada.

Los humanos deben validar los resultados de la IA para garantizar que sean seguros. Incluso con codificación autónoma, un profesional de la codificación debe asegurarse de que la IA haya “aprendido” adecuadamente cómo aplicar conjuntos de códigos actualizados o lidiar con nuevos requisitos regulatorios. Cuando los humanos quedan excluidos del circuito de gobernanza, una organización de atención médica queda muy expuesta a fugas de ingresos, resultados de auditoría negativos, pérdida de reputación y mucho más.

No hay duda de que la IA puede transformar la atención sanitaria, especialmente la RCM. Sin embargo, hacerlo requiere que las organizaciones de atención médica aumenten sus inversiones en tecnología con capacitación humana y laboral para optimizar la precisión, la productividad y el valor comercial.