Tekoälyn integrointi terveydenhuollon RCM:ään: Miksi ihmisten on pysyttävä ketjussa

Tekoälystä on tullut keskeinen osa terveydenhuollon tulosyklin hallinnassa (RCM), kun talousjohtajat pyrkivät tarjoamaan helpotusta ylikuormitetuille, alihenkilöstölle jääneille osastoille, jotka kohtaavat ennennäkemättömän suuria kolmansien osapuolten auditointivaatimuksia ja nousevat hylkäysprosentit.

Vasta julkaistun mukaan Vuoden 2023 vertailuraportti, kasvavat investoinnit dataan, tekoälyyn ja teknologia-alustoihin ovat antaneet vaatimustenmukaisuuden ja tulojen eheyden osastoille mahdollisuuden pienentää tiiminsä kokoa 33 % ja suorittaa tarkastustoiminnoissa 10 % enemmän kuin vuonna 2022. Aikana, jolloin RCM:n henkilöstöpula on suuri, tekoäly tarjoaa kriittinen tuottavuuden lisäys.

Terveydenhuollon organisaatiot raportoivat nyt neljä kertaa enemmän tarkastuspyyntöjä kuin aiempina vuosina – ja tarkastuspyyntökirjeissä on yli 100 sivua. Täällä tekoäly loistaa – sen suurin kyky on paljastaa poikkeavuuksia ja neuloja heinäsuovasta miljoonien tietopisteiden yli. Tekoäly edustaa merkittävää kilpailuetua RCM-toiminnolle, ja terveydenhuollon rahoitusjohtajat, jotka hylkäävät tekoälyn hypetyksenä, huomaavat pian organisaationsa jääneen jälkeen.

Missä tekoäly voi jäädä vajaaksi

Aidosti itsenäinen tekoäly terveydenhuollossa on unelma. Vaikka on totta, että tekoäly on mahdollistanut monien RCM-tehtävien automatisoinnin, lupaus täysin itsenäisistä järjestelmistä on edelleen toteutumatta. Tämä johtuu osittain ohjelmistotoimittajien taipumuksesta keskittyä teknologiaan käyttämättä ensin aikaa täysin kohdennettujen työnkulkujen ja ennen kaikkea niiden sisällä olevien ihmisten kosketuspisteiden ymmärtämiseen – käytäntö, joka johtaa tehottomaan tekoälyintegraatioon ja loppukäyttäjien omaksumiseen.

Ihmisten on aina oltava silmukassa varmistaakseen, että tekoäly voi toimia asianmukaisesti monimutkaisessa RCM-ympäristössä. Tarkkuus ja tarkkuus ovat edelleen autonomisen tekoälyn vaikeimpia haasteita, ja juuri ihmisten osallistuminen silmukkaan parantaa tuloksia. Vaikka panokset eivät välttämättä ole yhtä suuret RCM:lle kuin kliinisellä puolella, huonosti suunniteltujen tekoälyratkaisujen vaikutukset ovat kuitenkin merkittäviä.

Taloudelliset vaikutukset ovat selvimmät terveydenhuoltoorganisaatioille. Huonosti koulutetut tekoälytyökalut, joita käytetään mahdollisten korvausvaatimusten tarkastuksiin, saattavat jäädä alikoodaamatta, mikä tarkoittaa tulomahdollisuuksien menettämistä. Eräs MDaudit-asiakas havaitsi, että heidän niin kutsutussa autonomisessa koodausjärjestelmässään väärä sääntö koodasi väärin annetut lääkeyksiköt, mikä johti 25 miljoonan dollarin tulojen menetyksiin. Virhettä ei olisi koskaan havaittu ja korjattu, ellei virhettä paljastanut ihminen silmukassa.

Samoin tekoäly voi myös epäonnistua ylikoodaamalla tulokset väärillä positiivisilla tuloksilla – alueella, jolla terveydenhuoltoorganisaatioiden on pysyttävä linjassa hallituksen mission kanssa torjua petoksia, väärinkäyttöä ja hukkaa (FWA) terveydenhuoltojärjestelmässä.

Huonosti suunniteltu tekoäly voi vaikuttaa myös yksittäisiin palveluntarjoajiin. Harkitse seurauksia, jos tekoälytyökalua ei ole asianmukaisesti koulutettu "riskin tarjoajan" käsitteeseen tulosyklin kannalta. Lääkärit voivat joutua epäoikeudenmukaisesti lisätarkastuksen ja -koulutuksen kohteeksi, jos heidät otetaan mukaan riskialttiille tarjoajille, joiden epäämisprosentti on korkea. Se hukkaa aikaa, joka pitäisi käyttää potilaiden tapaamiseen, hidastaa kassavirtaa viivyttämällä mahdollisia arvioita koskevia vaatimuksia ja voi vahingoittaa heidän mainettaan lyömällä heille "ongelmallinen" -merkintä.

Ihmisten pitäminen silmukassa

Tällaisten kielteisten seurausten ehkäiseminen vaatii ihmisiä. Erityisesti tekoälyssä on kolme aluetta, jotka edellyttävät aina ihmisen osallistumista optimaalisten tulosten saavuttamiseen.

1. Vahvan tietopohjan rakentaminen.

Vankan tietopohjan rakentaminen on ratkaisevan tärkeää, koska taustalla oleva tietomalli, jossa on oikea metadata, tiedon laatu ja hallinto, on avainasemassa, jotta tekoäly voi saavuttaa huipputehokkuuden. Jotta tämä tapahtuisi, kehittäjien on vietävä aikaa päästäkseen laskutussäännösten noudattamisen, koodauksen ja tulojakson johtajien ja henkilöstön tietoon ymmärtääkseen täysin heidän työnkulkunsa ja tehtäviensä suorittamiseen tarvittavat tiedot.

Tehokas poikkeamien havaitseminen edellyttää laskutus-, epäämis- ja muiden vaatimustietojen lisäksi myös palveluntarjoajien, koodaajien, laskuttajien, maksajien jne. välisen monimutkaisen vuorovaikutuksen ymmärtämistä sen varmistamiseksi, että tekniikka pystyy jatkuvasti arvioimaan riskejä reaaliajassa ja toimittamaan käyttäjille tiedot, joita tarvitaan toimintojensa keskittämiseen tavoilla, jotka johtavat mitattavissa oleviin tuloksiin. Jos organisaatiot ohittavat tietopohjan ja nopeuttavat tekoälymalliensa käyttöönottoa kiiltävällä työkalulla, seurauksena on hallusinaatioita ja tekoälymalleista peräisin olevia vääriä positiivisia tuloksia, jotka aiheuttavat melua ja estävät käyttöönottoa.

2. Jatkuva koulutus.

Terveydenhuollon RCM on jatkuvasti kehittyvä ammatti, joka vaatii jatkuvaa koulutusta varmistaakseen, että sen ammattilaiset ymmärtävät uusimmat määräykset, suuntaukset ja prioriteetit. Sama koskee tekoälyä tukevia RCM-työkaluja. Vahvistusoppimisen avulla tekoäly voi laajentaa tietopohjaansa ja parantaa tarkkuuttaan. Käyttäjän panos on kriittinen tarkennuksissa ja päivityksissä, jotta AI-työkalut vastaavat nykyisiä ja tulevia tarpeita.

Tekoälyn tulisi olla reaaliajassa koulutettavissa, jotta loppukäyttäjät voivat välittömästi antaa syötteitä ja palautetta tiedonhaun ja/tai analyysin tuloksista jatkuvan oppimisen tukemiseksi. Käyttäjien pitäisi myös olla mahdollista merkitä tiedot vaarallisiksi, kun se on perusteltua, jotta estetään niiden vahvistuminen mittakaavassa. Esimerkiksi taloudellisen menetyksen tai noudattamisriskin kohdistaminen tiettyihin yhteisöihin tai henkilöihin selittämättä kunnolla, miksi niin on asianmukaista tehdä.

3. Asianmukainen hallinto.

Ihmisten on validoitava tekoälyn tuotos varmistaakseen sen turvallisuuden. Jopa autonomisessa koodauksessa koodausammattilaisen on varmistettava, että tekoäly on oikein "oppinut" käyttämään päivitettyjä koodijoukkoja tai käsittelemään uusia sääntelyvaatimuksia. Kun ihmiset suljetaan hallintosilmukan ulkopuolelle, terveydenhuoltoorganisaatio jättää itsensä avoimeksi tulovuodoille, negatiivisille tarkastustuloksille, maineen menetykselle ja monelle muulle.

Ei ole epäilystäkään siitä, että tekoäly voi muuttaa terveydenhuoltoa, erityisesti RCM:ää. Tämä edellyttää kuitenkin, että terveydenhuollon organisaatiot lisäävät teknologiainvestointejaan ihmisten ja työvoiman koulutuksella tarkkuuden, tuottavuuden ja liiketoiminnan arvon optimoimiseksi.