Mengintegrasikan AI ke dalam RCM Kesehatan: Mengapa Manusia Harus Tetap dalam Lingkaran

AI telah menjadi bagian integral dari manajemen siklus pendapatan kesehatan (RCM) karena pemimpin keuangan mencari untuk memberikan bantuan bagi departemen yang kelebihan beban dan kekurangan staf yang menghadapi volume yang belum pernah terjadi sebelumnya dari tuntutan audit pihak ketiga dan tingkat penolakan yang meningkat.

Menurut Laporan Benchmark 2023 yang baru dirilis, investasi yang tumbuh dalam data, AI, dan platform teknologi telah memungkinkan departemen kepatuhan dan integritas pendapatan untuk mengurangi ukuran tim mereka sebesar 33% sambil melakukan 10% lebih banyak kegiatan audit dibandingkan dengan tahun 2022. Pada saat ketika kekurangan staf RCM tinggi, AI memberikan dorongan produktivitas yang kritis.

Organisasi kesehatan sekarang melaporkan empat kali lebih banyak permintaan audit daripada yang diterima sebelumnya – dan surat permintaan audit berjalan lebih dari 100 halaman. Inilah di mana AI bersinar – kemampuan terbesarnya adalah menemukan outlier dan jarum di tumpukan data jutaan poin. AI mewakili keunggulan kompetitif yang signifikan bagi fungsi RCM, dan pemimpin keuangan kesehatan yang menganggap AI sebagai hype akan segera menemukan organisasi mereka ketinggalan.

Di Mana AI Dapat Gagal

AI yang benar-benar otonom di kesehatan adalah impian. Meskipun AI telah memungkinkan otomatisasi banyak tugas RCM, janji sistem otonom penuh belum terpenuhi. Ini sebagian karena penyedia perangkat lunak yang cenderung fokus pada teknologi tanpa terlebih dahulu mengambil waktu untuk memahami alur kerja yang ditargetkan dan, yang lebih penting, titik sentuh manusia di dalamnya – praktik yang mengarah pada integrasi AI yang tidak efektif dan adopsi pengguna akhir.

Manusia harus selalu berada dalam lingkaran untuk memastikan bahwa AI dapat berfungsi dengan tepat dalam lingkungan RCM yang kompleks. Akurasi dan presisi tetap menjadi tantangan terberat dengan AI otonom, dan inilah di mana melibatkan manusia dalam lingkaran akan meningkatkan hasil. Meskipun taruhan mungkin tidak setinggi RCM seperti di sisi klinis, dampak dari solusi AI yang dirancang buruk tetap signifikan.

Dampak keuangan adalah yang paling jelas bagi organisasi kesehatan. Alat AI yang kurang terlatih yang digunakan untuk melakukan audit klaim prospektif mungkin melewatkan contoh undercoding, yang berarti melewatkan kesempatan pendapatan. Salah satu pelanggan MDaudit menemukan bahwa aturan yang salah dalam sistem pengkodean otonomnya yang disebut “otonom” salah mengkodekan unit obat yang diberikan, yang mengakibatkan kerugian $25 juta. Kesalahan itu tidak akan pernah ditemukan dan diperbaiki jika tidak ada manusia dalam lingkaran yang menemukan kelemahan.

Demikian pula, AI juga dapat gagal dengan hasil overcoding dengan positif palsu – area di mana organisasi kesehatan harus tetap patuh dengan misi pemerintah untuk melawan penipuan, penyalahgunaan, dan pemborosan (FWA) dalam sistem kesehatan.

AI yang dirancang buruk juga dapat memengaruhi penyedia individu. Pertimbangkan implikasi jika alat AI tidak dilatih dengan baik pada konsep “penyedia yang berisiko” dalam arti siklus pendapatan. Dokter mungkin menemukan diri mereka tidak adil ditargetkan untuk pemeriksaan tambahan dan pelatihan jika mereka termasuk dalam penyapu untuk penyedia yang berisiko dengan tingkat penolakan yang tinggi. Ini membuang-buang waktu yang seharusnya dihabiskan untuk melihat pasien, memperlambat arus kas dengan menunda klaim untuk tinjauan prospektif, dan bisa merusak reputasi mereka dengan menempelkan label “problematis”.

Menjaga Manusia dalam Lingkaran

Mencegah jenis hasil negatif ini memerlukan manusia dalam lingkaran. Ada tiga area AI khusus yang akan selalu memerlukan keterlibatan manusia untuk mencapai hasil yang optimal.

1. Membangun Fondasi Data yang Kuat.

Membangun fondasi data yang kuat sangat penting, karena model data yang mendasarinya dengan metadata, kualitas data, dan tata kelola yang tepat adalah kunci untuk memungkinkan AI mencapai efisiensi puncak. Untuk ini terjadi, pengembang harus menghabiskan waktu untuk memahami alur kerja dan data yang dibutuhkan oleh pemimpin dan staf kepatuhan dan siklus pendapatan.

Pendeteksian anomali yang efektif memerlukan tidak hanya data tagihan, penolakan, dan klaim lainnya, tetapi juga pemahaman tentang interaksi kompleks antara penyedia, pengkode, pembiller, pembayar, dll. untuk memastikan teknologi dapat terus menilai risiko secara real-time dan memberikan informasi yang dibutuhkan kepada pengguna untuk fokus tindakan dan kegiatan mereka dalam cara yang menghasilkan hasil yang terukur. Jika organisasi melewatkan fondasi data dan mempercepat penerapan model AI mereka menggunakan alat yang canggih, itu akan menghasilkan halusinasi dan positif palsu dari model AI yang akan menyebabkan kebisingan dan menghambat adopsi.

2. Pelatihan Berkelanjutan.

RCM kesehatan adalah profesi yang terus berkembang yang memerlukan pendidikan berkelanjutan untuk memastikan para profesional memahami regulasi, tren, dan prioritas terbaru. Hal yang sama berlaku untuk alat RCM yang ditenagai AI. Pembelajaran penguatan memungkinkan AI untuk memperluas basis pengetahuan dan meningkatkan akurasi. Masukan pengguna sangat penting untuk penyempurnaan dan pembaruan untuk memastikan alat AI memenuhi kebutuhan saat ini dan masa depan.

AI harus dapat dilatih secara real-time, memungkinkan pengguna akhir untuk segera memberikan masukan dan umpan balik tentang hasil pencarian informasi dan/atau analisis untuk mendukung pembelajaran berkelanjutan. Juga harus memungkinkan pengguna untuk menandai data sebagai tidak aman jika perlu untuk mencegah amplifikasinya secara besar-besaran. Misalnya, mengatributkan kerugian keuangan atau risiko kepatuhan kepada entitas atau individu tertentu tanpa menjelaskan mengapa itu tepat untuk dilakukan.

3. Tata Kelola yang Tepat.

Manusia harus memvalidasi output AI untuk memastikan bahwa itu aman. Bahkan dengan pengkodean otonom, seorang profesional pengkode harus memastikan bahwa AI telah “belajar” dengan benar tentang cara menerapkan set kode yang diperbarui atau menangani persyaratan regulasi baru. Ketika manusia dikecualikan dari lingkaran tata kelola, organisasi kesehatan membuka diri terhadap kebocoran pendapatan, hasil audit negatif, kerugian reputasi, dan banyak lagi.

Tidak ada keraguan bahwa AI dapat mengubah kesehatan, terutama RCM. Namun, melakukan hal ini memerlukan organisasi kesehatan untuk melengkapi investasi teknologi mereka dengan pelatihan manusia dan tenaga kerja untuk mengoptimalkan akurasi, produktivitas, dan nilai bisnis.