Intégrer l’IA dans la gestion du cycle de revenu de la santé (RCM) : Pourquoi les humains doivent rester dans la boucle

L’IA est devenue une constante dans la gestion du cycle de revenu de la santé (RCM) car les dirigeants financiers cherchent à apporter un certain soulagement aux départements surchargés et sous-effectifs qui font face à des volumes sans précédent de demandes d’audit de tiers et à des taux de refus croissants.

Selon le Rapport de référence 2023 nouvellement publié, les investissements croissants dans les données, l’IA et les plateformes technologiques ont permis aux départements de conformité et d’intégrité des revenus de réduire leur effectif de 33 % tout en réalisant 10 % d’activités d’audit de plus par rapport à 2022. À une époque où les pénuries de personnel dans la gestion du cycle de revenu sont élevées, l’IA offre un boost de productivité crucial.

Les organisations de santé rapportent maintenant quatre fois plus de demandes d’audit que les années précédentes – et les lettres de demande d’audit dépassent 100 pages. C’est ici que l’IA brille – sa plus grande capacité est de découvrir les outliers et les aiguilles dans la botte de foin à travers des millions de points de données. L’IA représente un avantage concurrentiel significatif pour la fonction RCM, et les dirigeants financiers de la santé qui rejettent l’IA comme un hype vont bientôt trouver leurs organisations laissées pour compte.

Où l’IA peut faire défaut

Une véritable IA autonome dans le domaine de la santé est un rêve pieux. Même si il est vrai que l’IA a permis l’automatisation de nombreuses tâches de RCM, la promesse de systèmes entièrement autonomes reste inaccomplie. Cela est dû en partie à la propension des fournisseurs de logiciels à se concentrer sur la technologie sans prendre le temps de bien comprendre les flux de travail ciblés et, plus important encore, les points de contact humains à l’intérieur – une pratique qui conduit à une intégration inefficace de l’IA et à une adoption par les utilisateurs finals.

Les humains doivent toujours être dans la boucle pour garantir que l’IA peut fonctionner correctement dans un environnement RCM complexe. La précision et la précision restent les défis les plus difficiles avec l’IA autonome, et c’est là que l’implication des humains dans la boucle améliorera les résultats. Même si les enjeux ne sont pas aussi élevés pour la RCM que sur le côté clinique, les conséquences de solutions d’IA mal conçues sont néanmoins significatives.

Les impacts financiers sont les plus évidents pour les organisations de santé. Des outils d’IA mal formés utilisés pour effectuer des audits de réclamations prospectives peuvent manquer des cas de sous-codage, ce qui signifie des opportunités de revenus manquées. Un client MDaudit a découvert qu’une règle incorrecte dans leur système de codage autonome était incorrectement codé des unités de médicaments administrés, ce qui a entraîné 25 millions de dollars de pertes de revenus. L’erreur n’aurait jamais été détectée et corrigée si un humain dans la boucle n’avait pas découvert le défaut.

De même, l’IA peut également faire défaut avec des résultats de surcodage avec des faux positifs – un domaine dans lequel les organisations de santé doivent rester conformes à la mission du gouvernement de lutter contre la fraude, les abus et les gaspillages (FWA) dans le système de santé.

Une IA mal conçue peut également avoir un impact sur les prestataires individuels. Considérez les implications si un outil d’IA n’est pas correctement formé sur le concept de “prestataire à risque” dans le sens du cycle de revenu. Les médecins pourraient se retrouver injustement ciblés pour une surveillance et une formation supplémentaires s’ils sont inclus dans les balayages de prestataires à risque avec des taux de refus élevés. Cela gaspille du temps qui devrait être consacré à voir des patients, ralentit le flux de trésorerie en retardant les réclamations pour des examens prospectifs et pourrait nuire à leur réputation en les étiquetant comme “problématiques”.

Garder les humains dans la boucle

Pour prévenir ces types de résultats négatifs, il faut garder les humains dans la boucle. Il y a trois domaines de l’IA en particulier qui nécessiteront toujours l’implication humaine pour atteindre des résultats optimaux.

1. Établir une solide fondation de données.

Établir une solide fondation de données est critique, car le modèle de données sous-jacent avec des métadonnées, une qualité de données et une gouvernance appropriées est essentiel pour permettre à l’IA d’atteindre des rendements efficaces. Pour que cela se produise, les développeurs doivent prendre le temps de se plonger dans les tranchées avec les leaders et le personnel de la conformité des factures, de la codification et du cycle de revenu pour bien comprendre leurs flux de travail et les données nécessaires pour effectuer leurs tâches.

La détection efficace des anomalies nécessite non seulement des données de facturation, de refus et de réclamations, mais également une compréhension de l’interaction complexe entre les prestataires, les codeurs, les facturiers, les payeurs, etc. pour garantir que la technologie est capable d’évaluer en permanence les risques en temps réel et de fournir aux utilisateurs les informations nécessaires pour orienter leurs actions et leurs activités de manière à produire des résultats mesurables. Si les organisations sautent la fondation de données et accélèrent le déploiement de leurs modèles d’IA à l’aide d’outils brillants, cela entraînera des hallucinations et des faux positifs des modèles d’IA qui causeront du bruit et entraveront l’adoption.

2. Formation continue.

La gestion du cycle de revenu de la santé est une profession en constante évolution qui nécessite une éducation permanente pour garantir que les professionnels comprennent les dernières réglementations, tendances et priorités. Il en va de même pour les outils de RCM dotés d’IA. L’apprentissage par renforcement permet à l’IA d’élargir sa base de connaissances et d’augmenter sa précision. Les commentaires des utilisateurs sont essentiels pour l’affinement et les mises à jour pour garantir que les outils d’IA répondent aux besoins actuels et futurs.

L’IA devrait être formable en temps réel, permettant aux utilisateurs finals de fournir immédiatement des commentaires et des retours sur les résultats des recherches d’informations et/ou des analyses pour soutenir l’apprentissage continu. Il devrait également être possible pour les utilisateurs de marquer les données comme non sécurisées lorsqu’il est justifié pour empêcher leur amplification à grande échelle. Par exemple, attribuer une perte financière ou un risque de conformité à des entités ou à des individus spécifiques sans expliquer correctement pourquoi il est approprié de le faire.

3. Gouvernance appropriée.

Les humains doivent valider la sortie de l’IA pour garantir qu’elle est sûre. Même avec un codage autonome, un professionnel de la codification doit garantir que l’IA a correctement “appris” à appliquer les jeux de codes mis à jour ou à faire face à de nouvelles exigences réglementaires. Lorsque les humains sont exclus de la boucle de gouvernance, une organisation de santé se laisse ouverte à des fuites de revenus, à des résultats d’audit négatifs, à des pertes de réputation et à bien plus encore.

Il n’y a aucun doute que l’IA peut transformer la santé, en particulier la RCM. Cependant, pour ce faire, les organisations de santé doivent compléter leurs investissements technologiques par une formation humaine et une formation de la main-d’œuvre pour optimiser la précision, la productivité et la valeur commerciale.