Integroimalla tekoäly terveydenhuollon RCM:in: Miksi ihmiset on pidettävä kytkettyinä

Tekoäly on vakiinnuttanut paikkansa terveydenhuollon tuototilien hallinnassa (RCM), kun rahoitusjohtajat pyrkivät tarjoamaan helpotusta ylirasitetuille, alipalkatuille osastoille, jotka kohtaavat ennennäkemättömiä määriä kolmannen osapuolen tarkastusvaatimuksia ja kasvavaa hylkäysprosenttia.

Uuden 2023 Benchmark Report -raportin mukaan, kasvavat investoinnit dataan, tekoälyyn ja teknologia-alustoihin ovat mahdollistaneet sääntely- ja tuototilien puhtauden osastoille vähentää tiimikokoa 33 %:lla samalla, kun he suorittavat 10 %:n enemmän tarkastustehtäviä verrattuna vuoteen 2022. Aikana, jolloin RCM:n henkilöstöpula on korkea, tekoäly tarjoaa kriittisen tuottavuuden lisäyksen.

Terveydenhuolto-organisaatiot ilmoittavat nyt neljä kertaa enemmän tarkastuspyyntöjä kuin aiemmin – ja tarkastusvaatimuskirjeet ovat yli 100-sivuisia. Tässä tekoäly loistaa – sen suurin kyky on poikkeamien ja yksittäisten tapausten havaitseminen miljoonista tietopisteistä. Tekoäly edustaa merkittävää kilpailuetua RCM-toiminnalle, ja terveydenhuollon rahoitusjohtajat, jotka hylkäävät tekoälyn hölynpölynä, löytävät pian organisaatiot jääneen jälkeen.

Missä tekoäly voi epäonnistua

Todellinen autonomisen tekoälyn terveydenhuollossa on putkiunelma. Vaikka on totta, että tekoäly on mahdollistanut monien RCM-tehtävien automatisoinnin, lupaavat täysin autonomiset järjestelmät ovat edelleen toteutumattomia. Tämä johtuu osittain siitä, että ohjelmistotoimittajat keskittyvät teknologiaan ilman, että he ottavat aikaa ymmärtääkseen kohdennettuja työnkulkuja ja tärkeämpänä, niiden sisältämät inhimilliset kosketuspinnat – käytäntö, joka johtaa epätehokkaaseen tekoälyn integrointiin ja loppukäyttäjien omaksumiseen.

Ihmiset on aina pidettävä kytkettyinä, jotta tekoäly voisi toimia oikein monimutkaisessa RCM-ympäristössä. Tarkkuus ja tarkkuus ovat edelleen haasteellisimmat haasteet autonomisessa tekoälyssä, ja tässä ihmiset kytkettyinä parantavat tuloksia. Vaikka panokset eivät ole yhtä korkeat RCM:ssä kuin ne ovat kliinisellä puolella, tekoälyn huonosti suunniteltujen ratkaisujen seuraukset ovat silti merkittäviä.

Taloudelliset vaikutukset ovat selvästi näkyvimmät terveydenhuolto-organisaatioille. Huonosti koulutetut tekoälytyökalut, joita käytetään prospektiivisiin vaatimusten tarkastamiseen, voivat jättää huomiotta alikoodauksen tapaukset, mikä tarkoittaa menetettyjä tulomahdollisuuksia. Yksi MDaudit-asiakas havaitsi, että virheellinen sääntö heidän niin sanotussa autonomisessa koodausjärjestelmässään koodasi virheellisesti lääkeannoksia, mikä johti 25 miljoonan dollarin tulonmenetyksiin. Virhettä ei olisi koskaan havaittu tai korjattu, jos ihminen ei olisi ollut kytkettynä ja havainnut virheen.

Samaan aikaan tekoäly voi myös epäonnistua ylikoodauksen tuloksissa ja antaa virheellisiä positiivisia tuloksia – alue, jossa terveydenhuolto-organisaatioiden on pysyttävä sääntelyn mukaisina hallituksen tehtävänä on taistella petosta, väärinkäytöstä ja tuhlailua (FWA) terveydenhuoltojärjestelmässä vastaan.

Huonosti suunniteltu tekoäly voi myös vaikuttaa yksittäisiin tarjoajiin. Miettikääpä, mitkä seuraukset voisivat olla, jos tekoälytyökalu ei ole koulutettu oikein “vaarallisen tarjoajan” käsitteestä tuototilien kannalta. Lääkärit voivat löytää itsensä kohteena lisätarkastelulle ja koulutukselle, jos heidät sisällytetään vaarallisten tarjoajien joukkoon, joilla on korkeat hylkäysprosentit. Se tuhlaa aikaa, joka pitäisi käyttää potilaiden hoitoon, hidastaa rahavirtoja viivästämällä vaatimuksia prospektiivisille tarkastuksille, ja voi vahingoittaa heidän mainettaan leimaa heidät “ongelmaattomaksi”.

Pidemmekö ihmiset kytkettyinä

Näiden negatiivisten tulosten estämiseksi ihmiset on pidettävä kytkettyinä. On kolme tekoälyn aluetta, jotka aina vaativat ihmisten osallistumista optimaalisten tulosten saavuttamiseksi.

1. Vahvan dataperustan rakentaminen.

Vahvan dataperustan rakentaminen on kriittistä, koska perustana oleva tietomalli oikeilla metatiedoilla, tietojen laadulla ja hallinnolla on avain tekoälyn saavuttamiseen huippu tehokkuudelle. Tämä edellyttää, että kehittäjien on vietävä aikaa kuoppaan laskien lasku- ja tuototilien johtajien ja henkilöstön kanssa ymmärtääkseen heidän työnkulkujaan ja tarvittavia tietoja tehtävien suorittamiseksi.

Tehokas poikkeamien havaitseminen edellyttää ei vain lasku-, hylkäys- ja muiden vaatimusten tietoja, vaan myös ymmärrystä monimutkaisesta vuorovaikutuksesta tarjoajien, koodaajien, laskijoiden, maksajien jne. välillä, jotta voidaan varmistaa, että teknologia on kykenevä jatkuvasti arvioimaan riskejä reaaliajassa ja toimittamaan käyttäjille tarvittavat tiedot keskittääkseen toimintansa ja toimia tapahtumien edistämiseksi. Jos organisaatiot ohittavat dataperustan ja nopeuttavat tekoälymallien käyttöönottoa loistavilla työkaluilla, se johtaa tekoälymallien harhaanjohtaviin ja virheellisiin positiivisiin tuloksiin, jotka aiheuttavat melua ja hidastavat omaksumista.

2. Jatkuva koulutus.

Terveydenhuollon RCM on jatkuvasti kehittyvä ammatti, joka vaatii jatkuvaan koulutukseen, jotta ammattilaiset ymmärtävät uusimmat säännöt, trendit ja tavoitteet. Sama koskee tekoälyä käyttäviä RCM-työkaluja. Vahvistava oppiminen mahdollistaa tekoälylle tietopohjansa laajentamisen ja tarkkuutensa lisäämisen. Käyttäjän syöte on kriittistä tekoälytyökalujen tarkennukseen ja päivittämiseen, jotta voidaan varmistaa, että tekoälytyökalut tyytyväisiä nykyisiin ja tuleviin tarpeisiin.

Tekoälyn on oltava koulutettavissa reaaliajassa, jotta loppukäyttäjät voivat antaa välittömästi syötettä ja palautetta tietojen hakujen ja/tai analyysien tuloksista jatkuvan oppimisen tueksi. On myös mahdollista, että käyttäjät voivat merkitä tiedot turvattomaksi, kun se on aiheellista, estääkseen sen amplifioimisen laajassa mittakaavassa. Esimerkiksi taloudellisen tappion tai sääntelyn riskejä voidaan attribuoida tiettyihin yksiköihin tai yksilöihin ilman, että selitetään, miksi se on aiheellista.

3. Asianmukainen hallinto.

Ihmiset on vahvistettava tekoälyn tulosteen turvallisuuden varmistamiseksi. Vaikka autonomisessa koodauksessa koodausammattilaisen on varmistettava, että tekoäly on oppinut oikein soveltamaan päivitettyjä koodausjoukkoja tai selviytymään uusista sääntelystä vaatimuksista. Kun ihmiset on poistettu hallintorenkaasta, terveydenhuolto-organisaatio altistaa itsensä tulonvuotoon, negatiivisille tarkastustuloksille, mainevahinkoon ja paljon muuhun.

Ei ole epäilystä siitä, että tekoäly voi muuttaa terveydenhuoltoa, etenkin RCM:iä. Tämä edellyttää kuitenkin, että terveydenhuolto-organisaatiot täydentävät teknologia-investointejaan ihmisten ja työvoiman koulutuksella optimoidakseen tarkkuuden, tuottavuuden ja liiketoimintaration.