Terveydenhuollon RCM:n ja ihmisten yhdistäminen: Miksi ihmiset on pidettävä kehässä

Tekoäly on vakiinnuttanut paikkansa terveydenhuollon tuottojen hallinnassa (RCM), kun talousjohtajat etsivät keinoja helpottaa ylirasittuneiden ja alihenkilöstettyjen osastojen työtaakkaa, jotka kohtaavat ennennäkemättömiä määriä kolmannen osapuolen tarkastusvaatimuksia ja kieltäytymisen määrän kasvua.

Uuden 2023 Benchmark Report -raportin mukaan, datan, tekoälyn ja teknologiapohjaisien alustojen kasvaneet sijoitukset ovat mahdollistaneet yhdenmukaisuuden ja tuottojen eheytymisen osastoille vähentää joukkonsa kooltaan 33 %, samalla kun he suorittavat 10 % enemmän tarkastusaktiviteetteja verrattuna vuoteen 2022. Aikana, jolloin RCM:n henkilöstöpuute on korkea, tekoäly tarjoaa kriittisen tuottavuuden lisäyksen.

Terveydenhuolto-organisaatiot ilmoittavat nyt neljä kertaa enemmän tarkastuspyyntöjä kuin aiemmin – ja tarkastuspyyntökirjeet ovat yli 100 sivua pitkiä. Tässä tekoäly loistaa – sen suurin kyky on havaita poikkeukset ja neulat heinäsuovassa miljoonien tietojen joukossa. Tekoäly edustaa merkittävää kilpailuetua RCM-toiminnalle, ja terveydenhuollon talousjohtajat, jotka hylkäävät tekoälyn hölynpölynä, löytävät pian organisaationsa jääneen jälkeen.

Missä tekoäly voi epäonnistua

Todellinen autonomisen tekoälyn terveydenhuollossa on putkiunelma. Vaikka on totta, että tekoäly on mahdollistanut monien RCM-tehtävien automatisoinnin, täysin autonomisten järjestelmien lupausta ei ole vielä toteutunut. Tämä johtuu osittain ohjelmistotoimittajien taipumuksesta keskittyä teknologiaan ilman, että he ottaisivat aikaa ymmärtääkseen kohdennettuja työnkulkuja ja erityisesti niiden sisältämiä ihmiskohtia – käytäntö, joka johtaa epätarkan tekoälyn integrointiin ja loppukäyttäjien omaksumiseen.

Ihmisten on aina oltava kehässä, jotta tekoäly voisi toimia oikein monimutkaisessa RCM-ympäristössä. Tarkkuus ja täsmällisyys ovat edelleen haasteellisimmat haasteet autonomisessa tekoälyssä, ja tässä ihmisten osallistuminen kehään parantaa tuloksia. Vaikka panokset eivät ole yhtä korkeat RCM:ssä kuin kliinisellä puolella, tekoälyn huonosti suunniteltujen ratkaisujen seuraukset ovat kuitenkin merkittäviä.

Taloudelliset vaikutukset ovat terveydenhuolto-organisaatioille selvästi näkyvimmät. Huonosti koulutetut tekoälytyökalut, joita käytetään prospektiivisiin vaatimusten tarkastuksiin, voivat jättää huomiotta alikoodauksen tapaukset, mikä tarkoittaa menetettyjä tuottojen mahdollisuuksia. Yksi MDaudit-asiakas havaitsi, että virheellinen sääntö heidän niin sanotussa autonomisessa koodausjärjestelmässään koodasi väärin lääkeannoksia, mikä johti 25 miljoonan dollarin tappioon. Virhettä ei olisi koskaan havaittu tai korjattu, jos ihminen ei olisi ollut kehässä paljastamassa virhettä.

Tekoäly voi myös epäonnistua ylikoodauksen tuloksissa, jolloin syntyy virheellisiä positiivisia tuloksia – alue, jossa terveydenhuolto-organisaatioiden on pysyttävä yhdenmukaisina hallituksen tehtävänä taistella terveydenhuoltojärjestelmän petosta, väärinkäytöstä ja haaskauksen (FWA) vastaan.

Huonosti suunniteltu tekoäly voi myös vaikuttaa yksittäisiin tarjoajiin. Mieti, mitkä ovat seuraukset, jos tekoälytyökalu ei ole koulutettu oikein “vaarallisen tarjoajan” käsitteestä tuottojen kierron mielessä. Lääkärit voivat löytää itsensä kohtuuttomasti lisätarkastelun ja koulutuksen kohteeksi, jos heidät sisällytetään vaarallisten tarjoajien joukkoon, joilla on korkeat hylkäysprosentit. Se haaskaa aikaa, joka pitäisi käyttää potilaiden hoitoon, hidastaa rahavirtoja viivästämällä vaatimuksia prospektiivisille tarkastuksille, ja voi vahingoittaa heidän mainettaan antamalla heille “ongelmainen” leiman.

Pitääkö ihmiset kehässä

Näiden negatiivisten tulosten estäminen edellyttää ihmisten osallistumista kehään. On kolme tekoälyn aluetta, jotka aina vaativat ihmisten osallistumista optimaalisten tulosten saavuttamiseksi.

1. Vahvan dataperustan rakentaminen.

Vahvan dataperustan rakentaminen on kriittistä, koska perustana oleva datamalli oikeilla metatiedoilla, datan laadulla ja hallinnolla on avain tekoälyn saavuttamiseen huippu tehokkuuteen. Tämän toteuttamiseksi kehittäjien on otettava aikaa mennä kaivamaan laskuvaatimusten, koodaamisen ja tuottojen kierron johtajien ja henkilöstön kanssa ymmärtääkseen heidän työnkulkujaan ja tarvittavia tietoja tehtävien suorittamiseksi.

Tehokkaan poikkeusten havaitsemisen edellytyksenä on ei vain laskuvaatimusten, hylkäysten ja muiden vaatimusten tietojen vaan myös ymmärrys monimutkaisesta vuorovaikutuksesta tarjoajien, koodaajien, laskuttajien, maksajien jne. välillä, jotta voidaan varmistaa, että teknologia on kykenevä jatkuvasti arvioimaan riskejä reaaliajassa ja toimittamaan käyttäjille tarvittavat tiedot, jotta he voivat kohdistaa toimintansa ja toimia tavoin, jotka tuottavat mitattavissa olevia tuloksia. Jos organisaatiot ohittavat dataperustan ja nopeuttavat tekoälymallien käyttöönottoa loistavilla työkaluilla, se johtaa tekoälymallien harhamaan ja virheellisiin positiivisiin tuloksiin, jotka aiheuttavat melua ja haittaavat omaksumista.

2. Jatkuva koulutus.

Terveydenhuollon RCM on jatkuvasti kehittyvä ammatti, joka edellyttää jatkuvaan koulutukseen, jotta ammattilaiset ymmärtävät uusimmat säännökset, trendit ja prioriteetit. Samoin tekoälypohjaiset RCM-työkalut. Vahvistava oppiminen mahdollistaa tekoälylle tietopohjansa laajentamisen ja tarkkuutensa lisäämisen. Käyttäjän syöte on kriittistä tarkennuksille ja päivityksille, jotta voidaan varmistaa, että tekoälytyökalut täyttävät nykyisiä ja tulevia tarpeita.

Tekoälyn on oltava koulutettavissa reaaliajassa, jotta loppukäyttäjät voivat antaa välittömästi palautetta ja tietoa tietojen hakujen ja/tai analyysin tuloksista jatkuvan oppimisen tueksi. On myös mahdollista, että käyttäjät voivat merkitä tiedot turvattomaksi, kun se on aiheellista, jotta voidaan estää sen laajentuminen laajassa mittakaavassa. Esimerkiksi taloudellisen tappion tai yhdenmukaisuuden riskin liittäminen tiettyihin yksiköihin tai yksilöihin ilman asianmukaista selitystä, miksi se on aiheellista.

3. Asianmukainen hallinto.

Ihmisten on vahvistettava tekoälyn tulokset, jotta voidaan varmistaa, että se on turvallista. Vaikka autonomisessa koodauksessa koodaamisen ammattilaisen on varmistettava, että tekoäly on “opinut” soveltamaan päivitettyjä koodausjärjestelmiä tai selviytymään uusista sääntelystä vaatimuksista. Kun ihmiset jätetään hallintokehästä, terveydenhuolto-organisaatio altistaa itsensä tuottojen vuotamiselle, negatiivisille tarkastustuloksille, mainevahingolle ja paljon muulle.

Ei ole epäilystäkään siitä, että tekoäly voi muuttaa terveydenhuoltoa, erityisesti RCM:ää. Tämä edellyttää kuitenkin, että terveydenhuolto-organisaatiot täydentävät teknologisen sijoituksensa ihmisten ja työvoiman koulutuksella, jotta voidaan optimoida tarkkuus, tuottavuus ja liiketoiminnan arvo.