Integrazione di AI nel RCM sanitario: perché gli esseri umani devono rimanere nel loop

L’AI è diventata una componente fissa nella gestione del ciclo di revenue (RCM) sanitario, poiché i leader finanziari cercano di fornire un certo grado di sollievo ai dipartimenti sovraccarichi e sottostaffati che affrontano volumi senza precedenti di richieste di audit di terze parti e tassi di diniego in aumento.

Secondo il recentemente pubblicato Rapporto di benchmark 2023, gli investimenti crescenti in dati, AI e piattaforme tecnologiche hanno consentito ai dipartimenti di conformità e integrità dei ricavi di ridurre le dimensioni del team del 33% mentre svolgevano il 10% di attività di audit in più rispetto al 2022. In un momento in cui le carenze di personale nel RCM sono elevate, l’AI fornisce un aumento critico della produttività.

Le organizzazioni sanitarie segnalano ora quattro volte più richieste di audit rispetto a quelle ricevute negli anni precedenti – e le lettere di richiesta di audit superano le 100 pagine. È qui che l’AI brilla – la sua maggiore capacità è scoprire gli outlier e gli aghi nel pagliaio all’interno di milioni di punti di dati. L’AI rappresenta un vantaggio competitivo significativo per la funzione RCM, e i leader finanziari sanitari che liquidano l’AI come un’ipotesi si troveranno presto a lasciare indietro le loro organizzazioni.

Dove l’AI può essere insufficiente

L’AI veramente autonomo nel settore sanitario è un’utopia. Se è vero che l’AI ha consentito l’automazione di molti compiti RCM, la promessa di sistemi completamente autonomi rimane irrealizzata. Ciò è dovuto in parte alla tendenza dei fornitori di software a concentrarsi sulla tecnologia senza prendersi il tempo di comprendere appieno i flussi di lavoro mirati e, cosa più importante, i punti di contatto umani all’interno di essi – una pratica che porta a un’integrazione inefficace dell’AI e all’adozione da parte degli utenti finali.

Gli esseri umani devono sempre essere nel loop per assicurarsi che l’AI possa funzionare in modo appropriato in un ambiente RCM complesso. La precisione e l’accuratezza rimangono le sfide più difficili per l’AI autonomo, e qui l’involvimento degli esseri umani nel loop migliorerà i risultati. Sebbene le poste in gioco possano non essere così elevate per il RCM come lo sono sul lato clinico, le ripercussioni di soluzioni AI mal progettate sono comunque significative.

Gli impatti finanziari sono i più ovvi per le organizzazioni sanitarie. Gli strumenti AI mal addestrati utilizzati per condurre audit di reclami prospettici potrebbero perdere istanze di sottocodifica, il che significa opportunità di ricavi perse. Un cliente di MDaudit ha scoperto che una regola errata all’interno del loro sistema di codifica autonomo stava codificando in modo errato le unità di farmaci somministrati, comportando una perdita di 25 milioni di dollari. L’errore non sarebbe mai stato rilevato e corretto se non fosse stato per un essere umano nel loop che ha scoperto il difetto.

Allo stesso modo, l’AI può anche essere insufficiente con i risultati di sovracodifica con falsi positivi – un’area in cui le organizzazioni sanitarie devono rimanere conformi allineandosi con la missione del governo di combattere la frode, l’abuso e lo spreco (FWA) nel sistema sanitario.

L’AI mal progettato può anche avere un impatto sui singoli fornitori. Considerate le implicazioni se uno strumento AI non è stato addestrato correttamente sul concetto di “fornitore a rischio” nel senso del ciclo di ricavi. I medici potrebbero trovarsi ingiustamente presi di mira per un’ulteriore attenzione e formazione se sono inclusi nelle retate per fornitori a rischio con alti tassi di diniego. Ciò spreca tempo che dovrebbe essere speso per visitare i pazienti, rallenta il flusso di cassa ritardando le richieste per le revisioni prospettiche e potrebbe danneggiare la loro reputazione etichettandoli come “problematici”.

Mantenere gli esseri umani nel loop

Prevenire questi tipi di esiti negativi richiede gli esseri umani nel loop. Ci sono tre aree dell’AI in particolare che richiederanno sempre il coinvolgimento umano per raggiungere risultati ottimali.

1. Costruire una solida base di dati.

Costruire una solida base di dati è fondamentale, poiché il modello di dati sottostante con i metadati appropriati, la qualità dei dati e la governance è la chiave per consentire all’AI di raggiungere le efficienze di picco. Perché ciò accada, gli sviluppatori devono prendersi il tempo di lavorare a stretto contatto con i leader e il personale della conformità di fatturazione, della codifica e del ciclo di ricavi per comprendere appieno i loro flussi di lavoro e i dati necessari per svolgere i loro compiti.

La rilevazione efficace delle anomalie richiede non solo dati di fatturazione, diniego e altre richieste, ma anche una comprensione dell’interazione complessa tra fornitori, codificatori, fattorini, pagatori, ecc. per assicurarsi che la tecnologia sia in grado di valutare continuamente i rischi in tempo reale e fornire agli utenti le informazioni necessarie per concentrare le loro azioni e attività in modi che guidino risultati misurabili. Se le organizzazioni saltano la base di dati e accelerano il deploy dei loro modelli AI utilizzando strumenti appariscenti, ciò porterà a allucinazioni e falsi positivi dai modelli AI che causeranno rumore e ostacoleranno l’adozione.

2. Formazione continua.

Il RCM sanitario è una professione in continua evoluzione che richiede una formazione continua per garantire che i suoi professionisti comprendano le ultime norme, tendenze e priorità. Lo stesso vale per gli strumenti RCM abilitati all’AI. L’apprendimento per rinforzo consente all’AI di espandere la sua base di conoscenze e aumentare la sua accuratezza. L’input dell’utente è fondamentale per il raffinamento e gli aggiornamenti per assicurarsi che gli strumenti AI soddisfino le esigenze attuali e future.

L’AI dovrebbe essere formabile in tempo reale, consentendo agli utenti finali di fornire immediatamente input e feedback sui risultati delle ricerche di informazioni e/o analisi per supportare l’apprendimento continuo. Dovrebbe anche essere possibile per gli utenti contrassegnare i dati come non sicuri quando necessario per prevenire la loro amplificazione su larga scala. Ad esempio, attribuire la perdita finanziaria o il rischio di conformità a entità o individui specifici senza spiegare adeguatamente perché è opportuno farlo.

3. Governance appropriata.

Gli esseri umani devono convalidare l’output dell’AI per assicurarsi che sia sicuro. Anche con la codifica autonoma, un professionista di codifica deve assicurarsi che l’AI abbia “imparato” correttamente come applicare set di codici aggiornati o gestire nuove norme regolamentari. Quando gli esseri umani sono esclusi dal loop di governance, un’organizzazione sanitaria si espone a perdite di ricavi, esiti di audit negativi, perdita di reputazione e molto altro.

Non c’è dubbio che l’AI possa trasformare il settore sanitario, specialmente il RCM. Tuttavia, ciò richiede che le organizzazioni sanitarie integrino i loro investimenti tecnologici con la formazione umana e della forza lavoro per ottimizzare l’accuratezza, la produttività e il valore aziendale.