स्वास्थ्य सेवा में आरसीएम में एआई को एकीकृत करना: क्यों मानवों को लूप में रहना चाहिए

एआई स्वास्थ्य सेवा राजस्व चक्र प्रबंधन (आरसीएम) में एक स्थिरता बन गया है, क्योंकि वित्त नेता अतिभारित, कम कर्मचारी वाले विभागों के लिए राहत प्रदान करना चाहते हैं जो अभूतपूर्व तीसरे पक्ष के लेखा परीक्षा मांगों और बढ़ती अस्वीकृति दरों का सामना कर रहे हैं।

नई जारी 2023 बेंचमार्क रिपोर्ट के अनुसार, डेटा, एआई और प्रौद्योगिकी प्लेटफ़ॉर्म में बढ़ते निवेश ने अनुपालन और राजस्व अखंडता विभागों को अपनी टीम के आकार को 33% तक कम करने और 2022 की तुलना में 10% अधिक लेखा परीक्षा गतिविधियों को करने में सक्षम बनाया है। आरसीएम कर्मचारी कमी के समय में, एआई महत्वपूर्ण उत्पादकता बढ़ावा प्रदान करता है।

स्वास्थ्य सेवा संगठन अब पिछले वर्षों की तुलना में चार गुना अधिक लेखा परीक्षा अनुरोधों की रिपोर्ट कर रहे हैं – और लेखा परीक्षा मांग पत्र 100 से अधिक पृष्ठों पर चल रहे हैं। यह वह जगह है जहां एआई चमकता है – इसकी सबसे बड़ी क्षमता लाखों डेटा बिंदुओं में असामान्यताओं और सुई को खोजने में है। एआई आरसीएम कार्य के लिए एक महत्वपूर्ण प्रतिस्पर्धी लाभ है, और स्वास्थ्य वित्त नेता जो एआई को हype के रूप में खारिज करते हैं, जल्द ही अपने संगठनों को पीछे छोड़ देंगे।

जहां एआई कम पड़ सकता है

स्वास्थ्य सेवा में वास्तव में स्वायत्त एआई एक पाइप सपना है। जबकि यह सच है कि एआई ने कई आरसीएम कार्यों के स्वचालन को सक्षम किया है, पूरी तरह से स्वायत्त प्रणालियों का वादा अभी तक पूरा नहीं हुआ है। यह आंशिक रूप से सॉफ्टवेयर विक्रेताओं की प्रवृत्ति के कारण है जो लक्षित कार्यप्रवाह और महत्वपूर्ण रूप से, उनमें मानव स्पर्श बिंदुओं को पूरी तरह से समझने के लिए समय लेने से पहले प्रौद्योगिकी पर ध्यान केंद्रित करते हैं – एक अभ्यास जो अप्रभावी एआई एकीकरण और अंत-उपयोगकर्ता अपनाने की ओर जाता है।

मानवों को हमेशा लूप में रहना चाहिए ताकि यह सुनिश्चित किया जा सके कि एआई जटिल आरसीएम वातावरण में उचित रूप से कार्य कर सकता है। सटीकता और सटीकता स्वायत्त एआई के साथ सबसे कठिन चुनौतियां हैं और यह वह जगह है जहां लूप में मानवों को शामिल करने से परिणाम में सुधार होगा। जबकि दांव आरसीएम के लिए क्लिनिकल पक्ष के रूप में उच्च नहीं हो सकते हैं, खराब रूप से डिज़ाइन किए गए एआई समाधानों के परिणाम अभी भी महत्वपूर्ण हैं।

वित्तीय प्रभाव स्वास्थ्य सेवा संगठनों के लिए सबसे明显 हैं। संभावित दावों की लेखा परीक्षा करने के लिए उपयोग किए जाने वाले खराब प्रशिक्षित एआई टूल अंडरकोडिंग के उदाहरणों को याद कर सकते हैं, जिसका अर्थ है कि राजस्व के अवसरों की कमी। एमडीऑडिट के एक ग्राहक ने पाया कि उनके सो-कॉल्ड स्वायत्त कोडिंग सिस्टम में एक गलत नियम दवा इकाइयों को गलत तरीके से कोड कर रहा था, जिसके परिणामस्वरूप 25 मिलियन डॉलर के राजस्व की हानि हुई। यदि लूप में मानव द्वारा खामी का पता नहीं लगाया गया और ठीक नहीं किया गया, तो त्रुटि कभी नहीं पकड़ी जाती और ठीक नहीं की जाती।

इसी तरह, एआई भी ओवरकोडिंग परिणामों के साथ गलत सकारात्मक परिणाम दे सकता है – एक क्षेत्र जिसमें स्वास्थ्य सेवा संगठनों को सरकार के मिशन के साथ अनुपालन में रहना चाहिए, जो स्वास्थ्य सेवा प्रणाली में धोखाधड़ी, दुरुपयोग और अपशिष्ट (एफडब्ल्यूए) के खिलाफ लड़ने के लिए है।

खराब रूप से डिज़ाइन किया गया एआई व्यक्तिगत प्रदाताओं पर भी प्रभाव डाल सकता है। यदि एआई टूल राजस्व चक्र के अर्थ में “जोखिम वाले प्रदाता” की अवधारणा पर ठीक से प्रशिक्षित नहीं है, तो चिकित्सकों को उच्च अस्वीकृति दरों वाले जोखिम वाले प्रदाताओं के लिए अतिरिक्त जांच और प्रशिक्षण के लिए अनुचित रूप से लक्षित किया जा सकता है। यह समय बर्बाद करता है जो रोगियों को देखने में बिताया जाना चाहिए, दावों की संभावित समीक्षा के कारण नकदी प्रवाह को धीमा कर देता है, और उन्हें “समस्याग्रस्त” लेबल के साथ चिह्नित करके उनकी प्रतिष्ठा को नुकसान पहुंचा सकता है।

लूप में मानवों को रखना

इन प्रकार के नकारात्मक परिणामों को रोकने के लिए लूप में मानवों की आवश्यकता है। एआई के तीन क्षेत्र हैं जिनमें मानवों की भागीदारी की आवश्यकता होगी ताकि यह सुनिश्चित किया जा सके कि परिणाम अनुकूल हों।

1. एक मजबूत डेटा फाउंडेशन बनाना

एक मजबूत डेटा फाउंडेशन बनाना महत्वपूर्ण है, क्योंकि डेटा मॉडल मेटाडेटा, डेटा गुणवत्ता और शासन के साथ एआई को पीक कुशलता प्राप्त करने में सक्षम बनाने के लिए महत्वपूर्ण है। इसके लिए होने के लिए, डेवलपर्स को बिलिंग अनुपालन, कोडिंग और राजस्व चक्र नेताओं और कर्मचारियों के साथ खाई में समय बिताना होगा ताकि वे अपने कार्यप्रवाह और अपने कर्तव्यों को पूरा करने के लिए आवश्यक डेटा को पूरी तरह से समझ सकें।

प्रभावी असामान्यता का पता लगाने के लिए न केवल बिलिंग, अस्वीकृति और अन्य दावा डेटा की आवश्यकता होती है, बल्कि प्रदाताओं, कोडरों, बिलरों, पेयरों आदि के बीच जटिल अंतर्संबंध को समझने की भी आवश्यकता होती है ताकि यह सुनिश्चित किया जा सके कि प्रौद्योगिकी जोखिमों का लगातार मूल्यांकन कर सके और समय पर उपयोगकर्ताओं को आवश्यक जानकारी प्रदान कर सके। यदि संगठन डेटा फाउंडेशन को छोड़ देते हैं और चमकदार उपकरणों का उपयोग करके अपने एआई मॉडल की तैनाती तेज करते हैं, तो यह एआई मॉडल से हॉलुसिनेशन और गलत सकारात्मक परिणामों का कारण बनेगा, जो शोर पैदा करेगा और अपनाने में बाधा उत्पन्न करेगा।

2. निरंतर प्रशिक्षण

स्वास्थ्य सेवा आरसीएम एक निरंतर विकसित होता पेशा है जिसमें पेशेवरों को नवीनतम नियमों, रुझानों और प्राथमिकताओं को समझने के लिए निरंतर शिक्षा की आवश्यकता होती है। एआई-संचालित आरसीएम टूल के लिए भी यही सच है। प्रबलित सीखने में एआई को अपने ज्ञान आधार को विस्तारित करने और अपनी सटीकता बढ़ाने की अनुमति मिलती है। उपयोगकर्ता इनपुट महत्वपूर्ण है ताकि यह सुनिश्चित किया जा सके कि एआई टूल वर्तमान और भविष्य की जरूरतों को पूरा कर रहे हैं।

एआई को वास्तविक समय में प्रशिक्षित किया जाना चाहिए, जिससे अंतिम उपयोगकर्ता तुरंत जानकारी खोज और/या विश्लेषण के परिणामों पर इनपुट और प्रतिक्रिया प्रदान कर सकें। यह भी संभव होना चाहिए कि उपयोगकर्ता डेटा को असुरक्षित के रूप में चिह्नित करें जब यह उचित हो ताकि इसके पैमाने पर विस्तार को रोका जा सके। उदाहरण के लिए, विशिष्ट संस्थाओं या व्यक्तियों को वित्तीय नुकसान या अनुपालन जोखिम का श्रेय देना बिना यह समझाए कि यह उचित है कि क्यों यह उचित है।

3. उचित शासन

मानवों को एआई के आउटपुट को मान्य करना चाहिए ताकि यह सुनिश्चित किया जा सके कि यह सुरक्षित है। यहां तक कि स्वायत्त कोडिंग के साथ, एक कोडिंग पेशेवर को यह सुनिश्चित करना चाहिए कि एआई ने अपडेटेड कोड सेट या नए नियामक आवश्यकताओं को लागू करने के लिए “सीखा” है। जब मानवों को शासन लूप से बाहर रखा जाता है, तो एक स्वास्थ्य सेवा संगठन खुद को राजस्व रिसाव, नकारात्मक लेखा परीक्षा परिणाम, प्रतिष्ठा हानि और बहुत कुछ के लिए खुला छोड़ देता है।

इसमें कोई संदेह नहीं है कि एआई स्वास्थ्य सेवा को बदल सकता है, विशेष रूप से आरसीएम। हालांकि, ऐसा करने के लिए स्वास्थ्य सेवा संगठनों को अपने प्रौद्योगिकी निवेश को मानव और कार्यबल प्रशिक्षण के साथ बढ़ाने की आवश्यकता है ताकि सटीकता, उत्पादकता और व्यावसायिक मूल्य को अनुकूलित किया जा सके।