Mengintegrasikan AI ke dalam RCM Layanan Kesehatan: Mengapa Manusia Harus Tetap Mengikuti Perkembangan

AI telah menjadi bagian penting dalam manajemen siklus pendapatan layanan kesehatan (RCM) ketika para pemimpin keuangan berupaya memberikan keringanan bagi departemen yang kelebihan beban dan kekurangan staf yang menghadapi permintaan audit pihak ketiga dalam jumlah yang belum pernah terjadi sebelumnya dan meningkatnya tingkat penolakan.

Menurut yang baru dirilis Laporan Tolok Ukur 2023, peningkatan investasi pada data, AI, dan platform teknologi telah memungkinkan departemen kepatuhan dan integritas pendapatan mengurangi ukuran tim mereka sebesar 33% sekaligus melakukan aktivitas audit 10% lebih banyak dibandingkan tahun 2022. Pada saat kekurangan staf RCM sedang tinggi, AI menyediakan peningkatan produktivitas yang penting.

Organisasi layanan kesehatan kini melaporkan permintaan audit empat kali lebih banyak dibandingkan tahun-tahun sebelumnya – dan surat permintaan audit mencapai lebih dari 100 halaman. Di sinilah AI bersinar – kemampuan terbesarnya adalah mengungkap hal-hal yang tidak diinginkan di jutaan titik data. AI mewakili keunggulan kompetitif yang signifikan terhadap fungsi RCM, dan para pemimpin keuangan layanan kesehatan yang menganggap AI sebagai hype akan segera mendapati organisasi mereka tertinggal.

Dimana AI Bisa Gagal

AI yang benar-benar otonom dalam layanan kesehatan adalah sebuah impian belaka. Meskipun benar bahwa AI telah memungkinkan otomatisasi banyak tugas RCM, janji akan sistem yang sepenuhnya otonom masih belum terpenuhi. Hal ini sebagian disebabkan oleh kecenderungan vendor perangkat lunak untuk fokus pada teknologi tanpa terlebih dahulu meluangkan waktu untuk sepenuhnya memahami alur kerja yang ditargetkan dan yang terpenting, titik kontak manusia di dalamnya – sebuah praktik yang menyebabkan integrasi AI dan adopsi pengguna akhir tidak efektif.

Manusia harus selalu mengetahui informasi terbaru untuk memastikan bahwa AI dapat berfungsi dengan baik di lingkungan RCM yang kompleks. Akurasi dan presisi tetap menjadi tantangan terberat dalam AI otonom dan di sinilah keterlibatan manusia dalam lingkaran tersebut akan meningkatkan hasil. Meskipun risiko yang dihadapi RCM mungkin tidak sebesar risiko klinisnya, dampak dari solusi AI yang dirancang dengan buruk tetap saja signifikan.

Dampak finansial adalah dampak yang paling nyata bagi organisasi layanan kesehatan. Alat AI yang kurang terlatih dan digunakan untuk melakukan audit klaim prospektif mungkin akan melewatkan contoh undercoding, yang berarti hilangnya peluang pendapatan. Salah satu pelanggan MDaudit menemukan bahwa aturan yang salah dalam apa yang disebut sistem pengkodean otonom adalah kesalahan pengkodean unit obat yang diberikan, yang mengakibatkan hilangnya pendapatan sebesar $25 juta. Kesalahan tidak akan pernah tertangkap dan diperbaiki jika bukan karena manusia yang terlibat dalam mengungkap kekurangan tersebut.

Demikian pula, AI juga bisa gagal dalam mengkodekan hasil secara berlebihan dengan hasil positif palsu – sebuah bidang yang harus tetap dipatuhi oleh organisasi layanan kesehatan sejalan dengan misi pemerintah untuk memerangi penipuan, penyalahgunaan, dan pemborosan (FWA) dalam sistem layanan kesehatan.

AI yang dirancang dengan buruk juga dapat berdampak pada masing-masing penyedia layanan. Pertimbangkan dampaknya jika alat AI tidak dilatih dengan benar mengenai konsep “penyedia risiko” dalam pengertian siklus pendapatan. Para dokter dapat menjadi sasaran pengawasan dan pelatihan tambahan secara tidak adil jika mereka diikutsertakan dalam penyisiran penyedia layanan kesehatan yang berisiko dan memiliki tingkat penolakan yang tinggi. Hal ini membuang-buang waktu yang seharusnya dihabiskan untuk menemui pasien, memperlambat arus kas dengan menunda klaim untuk tinjauan prospektif, dan dapat merusak reputasi pasien dengan memberi label “bermasalah” pada mereka.

Menjaga Manusia dalam Lingkaran

Mencegah dampak negatif semacam ini memerlukan keterlibatan manusia. Ada tiga bidang AI khususnya yang selalu membutuhkan keterlibatan manusia untuk mencapai hasil yang optimal.

1. Membangun landasan data yang kuat.

Membangun fondasi data yang kuat sangatlah penting, karena model data yang mendasarinya dengan metadata, kualitas data, dan tata kelola yang tepat adalah kunci untuk memungkinkan AI mencapai efisiensi puncak. Agar hal ini dapat terjadi, pengembang harus meluangkan waktu untuk bekerja sama dengan pemimpin dan staf kepatuhan penagihan, pengkodean, dan siklus pendapatan untuk memahami sepenuhnya alur kerja dan data yang diperlukan untuk menjalankan tugasnya.

Deteksi anomali yang efektif tidak hanya memerlukan data penagihan, penolakan, dan klaim lainnya, namun juga pemahaman tentang interaksi kompleks antara penyedia, pembuat kode, penagih, pembayar, dll. pengguna informasi yang dibutuhkan untuk memfokuskan tindakan dan aktivitas mereka dengan cara yang mendorong hasil yang terukur. Jika organisasi mengabaikan landasan data dan mempercepat penerapan model AI mereka menggunakan alat yang canggih, hal ini akan mengakibatkan halusinasi dan kesalahan positif dari model AI yang akan menyebabkan gangguan dan menghambat adopsi.

2. Pelatihan berkelanjutan.

RCM Layanan Kesehatan adalah profesi yang terus berkembang yang memerlukan pendidikan berkelanjutan untuk memastikan para profesionalnya memahami peraturan, tren, dan prioritas terkini. Hal yang sama berlaku untuk alat RCM yang mendukung AI. Pembelajaran penguatan memungkinkan AI memperluas basis pengetahuannya dan meningkatkan akurasinya. Masukan pengguna sangat penting dalam penyempurnaan dan pembaruan guna memastikan alat AI memenuhi kebutuhan saat ini dan masa depan.

AI harus dapat dilatih secara real-time, sehingga memungkinkan pengguna akhir untuk segera memberikan masukan dan umpan balik terhadap hasil pencarian informasi dan/atau analisis untuk mendukung pembelajaran berkelanjutan. Pengguna juga harus dapat menandai data sebagai tidak aman jika diperlukan untuk mencegah perluasan data dalam skala besar. Misalnya, mengatribusikan kerugian finansial atau risiko kepatuhan kepada entitas atau individu tertentu tanpa menjelaskan dengan tepat mengapa hal tersebut perlu dilakukan.

3. Tata kelola yang baik.

Manusia harus memvalidasi keluaran AI untuk memastikan keamanannya. Bahkan dengan pengkodean otonom, seorang profesional pengkodean harus memastikan AI telah “belajar” dengan benar bagaimana menerapkan kumpulan kode yang diperbarui atau menangani persyaratan peraturan baru. Ketika manusia tidak diikutsertakan dalam lingkaran tata kelola, organisasi layanan kesehatan membuka peluang besar terhadap kebocoran pendapatan, hasil audit negatif, hilangnya reputasi, dan masih banyak lagi.

Tidak diragukan lagi bahwa AI dapat mengubah layanan kesehatan, terutama RCM. Namun, hal ini mengharuskan organisasi layanan kesehatan untuk meningkatkan investasi teknologi mereka dengan pelatihan manusia dan tenaga kerja untuk mengoptimalkan akurasi, produktivitas, dan nilai bisnis.