Integrando IA en la gestión del ciclo de ingresos de atención médica (RCM): Por qué los humanos deben permanecer en el bucle

La IA se ha convertido en una característica de la gestión del ciclo de ingresos de atención médica (RCM) ya que los líderes financieros buscan brindar un grado de alivio a los departamentos sobrecargados y con falta de personal que enfrentan volúmenes sin precedentes de demandas de auditoría de terceros y tasas de denegación en aumento.

Según el recién publicado Informe de referencia de 2023, las crecientes inversiones en datos, IA y plataformas tecnológicas han permitido a los departamentos de cumplimiento y integridad de ingresos reducir su tamaño de equipo en un 33% mientras realizan un 10% más de actividades de auditoría en comparación con 2022. En un momento en que las escasez de personal en RCM es alta, la IA proporciona un impulso crítico 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 demanda de auditoría superan las 100 páginas. Aquí es donde brilla la IA, su mayor capacidad es descubrir valores atípicos y agujas en el pajar a través de millones de puntos de datos. La IA representa una ventaja competitiva significativa para la función de RCM, y los líderes financieros de atención médica que descartan la IA como un hype pronto descubrirán que sus organizaciones se quedan atrás.

Dónde la IA puede fallar

La IA verdaderamente autónoma en la atención médica es un sueño imposible. Si bien es cierto que la IA ha permitido la automatización de muchas tareas de RCM, la promesa de sistemas completamente autónomos sigue sin cumplirse. Esto se debe en parte a la tendencia de los proveedores de software a centrarse en la tecnología sin tomar antes el tiempo para comprender completamente los flujos de trabajo objetivo y, lo que es más importante, los puntos de contacto humanos dentro de ellos, una práctica que conduce a una integración ineficaz de la IA y la adopción del usuario final.

Los humanos deben estar siempre en el bucle para garantizar que la IA pueda funcionar adecuadamente en un entorno de RCM complejo. La precisión y la precisión siguen siendo los desafíos más difíciles con la IA autónoma, y es aquí donde la participación de los humanos en el bucle mejorará los resultados. Si bien las apuestas pueden no ser tan altas para RCM como lo son en el lado clínico, las repercusiones de las soluciones de IA mal diseñadas son sin embargo significativas.

Los impactos financieros son los más obvios para las organizaciones de atención médica. Las herramientas de IA mal entrenadas que se utilizan para realizar auditorías de reclamaciones prospectivas pueden perder instancias de codificación insuficiente, lo que significa oportunidades de ingresos perdidas. Un cliente de MDaudit descubrió que una regla incorrecta dentro de su sistema de codificación autónoma estaba codificando incorrectamente las unidades de medicamentos administrados, lo que resultó en $25 millones en ingresos perdidos. El error nunca habría sido detectado y corregido si no fuera por un humano en el bucle que descubrió el error.

De la misma manera, la IA también puede fallar con resultados de codificación excesiva con falsos positivos, un área en la que las organizaciones de atención médica deben mantenerse en cumplimiento con la misión del gobierno de luchar contra el fraude, el abuso y el desperdicio (FWA) en el sistema de atención médica.

La IA mal diseñada también puede afectar a los proveedores individuales. Considere las implicaciones si una herramienta de IA no está debidamente capacitada en el concepto de “proveedor de riesgo” en el sentido del ciclo de ingresos. Los médicos podrían encontrarse injustamente objetivo de mayor escrutinio y capacitación si se les incluye en barridos para proveedores de riesgo con altas tasas de denegación. Pierde el tiempo que debería dedicarse a ver a los pacientes, ralentiza el flujo de caja al retrasar las reclamaciones para revisiones prospectivas y podría dañar su reputación al etiquetarlos con una etiqueta “problemática”.

Mantener a los humanos en el bucle

Evitar este tipo de resultados negativos requiere humanos en el bucle. 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 robusta es fundamental, ya que el modelo de datos subyacente con metadatos adecuados, calidad de datos y gobernanza es clave para permitir que la IA alcance la eficiencia máxima. Para que esto suceda, los desarrolladores deben tomarse el tiempo para meterse en las trincheras con los líderes y personal de cumplimiento de facturación, codificación y ciclo de ingresos para comprender completamente sus flujos de trabajo y los datos necesarios para realizar sus funciones.

La detección efectiva de anomalías requiere no solo datos de facturación, denegaciones y reclamaciones, sino también una comprensión del complejo interjuego entre proveedores, codificadores, facturadores, pagadores, etc. para garantizar que la tecnología sea capaz de evaluar continuamente los riesgos en tiempo real y brindar a los usuarios la información necesaria para centrar sus acciones y actividades de manera que conduzcan a resultados medibles. Si las organizaciones saltan la base de datos y aceleran la implementación de sus modelos de IA utilizando herramientas brillantes, resultará en alucinaciones y falsos positivos de los modelos de IA que causarán ruido y obstaculizarán la adopción.

2. Capacitación continua.

La gestión del ciclo de ingresos de atención médica es una profesión en constante evolución que requiere educación continua para garantizar que sus profesionales comprendan las últimas regulaciones, tendencias y prioridades. Lo mismo es cierto para las herramientas de RCM habilitadas por IA. El aprendizaje de refuerzo permite que la IA amplíe su base de conocimientos y aumente su precisión. La entrada del usuario es fundamental para el perfeccionamiento y las actualizaciones para garantizar que las herramientas de IA satisfagan las necesidades actuales y futuras.

La IA debe ser trainable en tiempo real, lo que permite a los usuarios finales proporcionar inmediatamente comentarios e insumos sobre los resultados de las búsquedas de información y / o análisis para respaldar el aprendizaje continuo. También debe ser posible para los usuarios marcar los datos como no seguros cuando corresponda para evitar su amplificación a gran 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 la salida de la IA para garantizar que sea segura. Incluso con la codificación autónoma, un profesional de codificación debe garantizar que la IA haya “aprendido” adecuadamente cómo aplicar los conjuntos de códigos actualizados o hacer frente a los nuevos requisitos regulatorios. Cuando se excluye a los humanos del bucle de gobernanza, una organización de atención médica se abre 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 médica, especialmente RCM. Sin embargo, hacerlo requiere que las organizaciones de atención médica complementen sus inversiones en tecnología con capacitación en la fuerza laboral para optimizar la precisión, la productividad y el valor comercial.