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

AI telah menjadi bagian 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 meningkat 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 2022. Pada saat 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 mengungkapkan outlier dan jarum di tumpukan jerami di seluruh jutaan titik data. 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 benar bahwa AI telah memungkinkan otomatisasi banyak tugas RCM, janji sistem yang benar-benar otonom masih belum terpenuhi. Ini sebagian karena vendor 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 menyebabkan integrasi AI yang tidak efektif dan adopsi pengguna akhir.

Manusia harus selalu berada dalam lingkaran untuk memastikan bahwa AI dapat berfungsi secara 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 taruhannya mungkin tidak setinggi RCM seperti di sisi klinis, dampak dari solusi AI yang dirancang buruk tidaklah ringan.

Dampak keuangan adalah yang paling jelas bagi organisasi kesehatan. Alat AI yang dilatih buruk yang digunakan untuk melakukan audit klaim prospektif mungkin melewatkan contoh undercoding, yang berarti kehilangan kesempatan pendapatan. Salah satu pelanggan MDaudit menemukan bahwa aturan yang salah dalam sistem coding otonom yang disebutkan secara tidak sengaja mengkode unit obat yang diberikan, mengakibatkan $25 juta dalam pendapatan yang hilang. 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 false positif – 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 dan pelatihan tambahan jika mereka termasuk dalam sapuan untuk penyedia yang berisiko dengan tingkat penolakan yang tinggi. Ini membuang waktu yang seharusnya digunakan 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. Agar ini terjadi, pengembang harus mengambil waktu untuk masuk ke parit dengan pemimpin kepatuhan billing, coding, dan siklus pendapatan serta staf untuk memahami sepenuhnya alur kerja dan data yang dibutuhkan untuk melakukan tugas mereka.

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

2. Pelatihan terus-menerus.

RCM kesehatan adalah profesi yang terus berkembang yang memerlukan pendidikan berkelanjutan untuk memastikan para profesional memahami peraturan, tren, dan prioritas terbaru. Hal yang sama berlaku untuk alat RCM yang ditenagai AI. Pembelajaran penguatan memungkinkan AI untuk memperluas basis pengetahuannya dan meningkatkan akurasi. Input pengguna sangat penting untuk pembaruan 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 input dan umpan balik tentang hasil pencarian informasi dan/atau analisis untuk mendukung pembelajaran terus-menerus. Ini juga harus memungkinkan pengguna untuk menandai data sebagai tidak aman ketika dibenarkan untuk mencegah amplifikasinya pada skala besar. Misalnya, mengatribusikan kerugian keuangan atau risiko kepatuhan ke 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 coding otonom, seorang profesional coding 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 untuk 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 tenaga kerja untuk mengoptimalkan akurasi, produktivitas, dan nilai bisnis.